現(xiàn)有常用的空間轉(zhuǎn)錄組降維聚類方法，如主成分分析（principal component analysis，PCA)、非負(fù)矩陣分解（non-negative matrix factorization，NMF）等，多是基于單細(xì)胞數(shù)據(jù)進(jìn)行開(kāi)發(fā)的，因此不一定完全適用于空間轉(zhuǎn)錄組數(shù)據(jù)。例如，常用的降維聚類方法并沒(méi)有運(yùn)用空間轉(zhuǎn)錄組所特有的組織空間定位信息，而僅僅只是基于表達(dá)譜進(jìn)行聚類。但是，對(duì)于生物組織，相鄰的位置通常都具有相似的細(xì)胞組成和相似的基因表達(dá)水平。因此，將空間位置信息納入到降維聚類過(guò)程中，將更有利于實(shí)現(xiàn)接近生物實(shí)際狀態(tài)的空間聚類。

SpatialPCA就是基于以上觀點(diǎn)所開(kāi)發(fā)的空間轉(zhuǎn)錄組降維聚類工具。該工具使用所謂的空間概率PCA（spatial probabilistic PCA），能夠明確地模擬組織位置間的空間相關(guān)性結(jié)構(gòu)，在降維后的數(shù)據(jù)中保留原始空間數(shù)據(jù)的相鄰近似性。SpatialPCA將空間定位信息作為額外的輸入，使用核矩陣模擬組織位置間的空間結(jié)構(gòu)?；谠摲椒ㄋ玫浇稻S主成分因?yàn)榘嚓P(guān)的空間結(jié)構(gòu)信息，稱其為空間主成分。具體來(lái)說(shuō)，該方法同時(shí)使用基因表達(dá)矩陣和位置信息矩陣，將基因表達(dá)矩陣構(gòu)建為一個(gè)潛在因子的函數(shù)模型。同時(shí)，根據(jù)位置信息矩陣對(duì)潛在因子構(gòu)建核矩陣，以明確潛在因子的空間結(jié)構(gòu)相關(guān)信息（圖1）。

圖1

這里選取了背外側(cè)前額葉皮層（DLPFC）作為模擬數(shù)據(jù)的來(lái)源，通過(guò)手動(dòng)分割各皮層，確定10000個(gè)特定細(xì)胞類型的細(xì)胞空間位置，并得到這些細(xì)胞的單細(xì)胞表達(dá)數(shù)據(jù)，設(shè)計(jì)了四種不同細(xì)胞組成情況，人工構(gòu)建了四種空間轉(zhuǎn)錄組數(shù)據(jù)。相較于其他現(xiàn)有的空間聚類方法（包括采納空間信息與不采納空間信息的），SpatialPCA在模擬數(shù)據(jù)測(cè)試中體現(xiàn)出了更佳的檢測(cè)性能（圖2）。

圖2

在真實(shí)數(shù)據(jù)的測(cè)試中，首先選取了人類DLPFC的Visium空間轉(zhuǎn)錄組數(shù)據(jù)，對(duì)多種工具（SpatialPCA, BayesSpace, SpaGCN, HMRF, stLearn, PCA, NMF）進(jìn)行了平行測(cè)試。結(jié)果顯示，SpatialPCA生成空間聚類結(jié)果最接近實(shí)際的生物結(jié)構(gòu)（圖3A），其預(yù)測(cè)的精確性和預(yù)測(cè)的空間域結(jié)構(gòu)連續(xù)性（CHAOS打分越低連續(xù)性越高）也是幾種工具中最高的（圖3B）。

圖3

為了確認(rèn)SpatialPCA的技術(shù)普適性，研究人員同時(shí)還在其他技術(shù)（Slide-seq，Slide-seqV2）產(chǎn)生的小鼠腦組織空間轉(zhuǎn)錄組數(shù)據(jù)中進(jìn)行了測(cè)試。結(jié)果均顯示在多種工具中，SpatialPCA的聚類結(jié)果與實(shí)際情況更為符合（圖4）。而為了確認(rèn)SpatialPCA的樣本普適性，利用HER2陽(yáng)性乳腺腫瘤樣本進(jìn)行測(cè)試，結(jié)果也顯示了SpatialPCA具有更好的聚類精確性和更符合實(shí)際情況。

圖4

由于SpatialPCA所計(jì)算出的空間主成分同時(shí)包含了空間信息和基因表達(dá)信息，因此可以據(jù)此使用一些單細(xì)胞轉(zhuǎn)錄組分析工具來(lái)進(jìn)行下游分析。通過(guò)使用Slingshot對(duì)腫瘤組織的空間轉(zhuǎn)錄組數(shù)據(jù)進(jìn)行了軌跡推斷，顯示出了一條由腫瘤區(qū)域指向腫瘤周?chē)鷧^(qū)域再到正常組織的軌跡（圖6A），計(jì)算得到的偽時(shí)間相關(guān)基因富集于免疫反應(yīng)、細(xì)胞介導(dǎo)免疫和吞噬識(shí)別通路，凸顯了它們?cè)诎┌Y進(jìn)展、腫瘤侵襲和轉(zhuǎn)移中的重要性。

圖5

另外，根據(jù)SpatialPCA的建模框架，可以在新的空間位置上推斷基因表達(dá)水平，一次也可以通過(guò)低分辨率的樣本數(shù)據(jù)構(gòu)建高分辨率的空間圖譜。對(duì)腫瘤組織的測(cè)試顯示，SpatialPCA所構(gòu)建的高分辨率空間圖譜顯示出連續(xù)與平滑的特征，其聚類精確定位了不同組織區(qū)域間的邊界，并細(xì)化了緊鄰腫瘤和免疫區(qū)域之外的一層薄薄的腫瘤周?chē)鷧^(qū)域（圖6B），顯示SpatialPCA在精細(xì)結(jié)構(gòu)方面的優(yōu)勢(shì)。

圖6

SpatialPCA是一種適合針對(duì)空間轉(zhuǎn)錄組數(shù)據(jù)降維聚類的分析工具，如果老師們手上的空間數(shù)據(jù)分群聚類不夠理想，趕快用SpatialPCA來(lái)試一試吧。