Genome Biol综述 | 曾泽贤/罗元课题组系统总结统计和机器学习方法在空间转录组学中的应用

空间转录组学技术在定量细胞基因表达水平的同时，还保留了细胞的空间信息。空间视角可以帮助我们从新的角度探索不同的生物研究领域。随着实验技术的能力和效率不断提高，空间转录组学数据的分析技术也在不断的发展。此外，随着测序技术不断的发展，当前已有的分析方法的假设也需要被重新评估和调整，以适应日益增加的数据复杂性。因此，系统的总结分析和整合空间转录组学数据涉及的计算方法的当前进展十分有必要。

2022年3月25日，北京大学曾泽贤课题组以及美国西北大学罗元课题组在Genome Biology上合作发表题为Statistical and machine learning methods for spatially resolved transcriptomics data analysis的综述性文章。该论文探讨和归纳总结了当前统计和机器学习方法在空间转录组学中的应用，同时深入分析了该领域未来的发展方向及其所面临的挑战，从而为空间转录组学数据研究的进一步升级以及研究人员对分析方法的合理选择提供了思路和指导。

该综述剖析了已有的空间转录组学分析方法及这些方法所解决的问题和解决方案，并描述和比较了各个方法所提出的假设。空间转录组学数据分析工作流程通常包括多个步骤，每个步骤都涉及到统计及机器学习方法的设计（图 1）。该综述在空间组学数据处理与分析的几个方向进行了系统的回顾与论述：（1）基因的局部表达特征及基因表达的空间聚类（2）空间组学数据捕获位置的成分分解（3）利用空间转录组学数据推断细胞间相互作用（4）从空间转录组学数据中提取特征，以帮助单组胞组学数据重建空间信息。此外，该综述还讨论了改进空间组学数据质量和丰富数据集的策略，包括利用单细胞基因组学数据信息填补空间组学数据的方法。

图1:空间转录组学分析涉及的步骤

该综述讨论了空间转录组学方法开发领域的挑战和未来机遇，为促进计算方法开发提供了新的思路。该综述总结了可以使用的公共数据集、可比较的方法，以及可用的数据处理流程以协助进一步研究。尽管当前已有计算方法来应对空间转录组学数据分析，但该领域仍然迫切需要更复杂的模型来应对数据分析中日益增加的挑战。该综述讨论了几个空间组学数据未来的发展方向:（1）系统的方法比较 （2）推断细胞状态及其发展轨迹 （3）细胞和基因-基因相互作用研究 （4）多组学数据整合 （5）共同坐标框架的构建 （CCFs）（5）3D建模 （6）基因拷贝数推断。

曾泽贤课题组主要围绕计算肿瘤免疫及多组学相关研究。由于科研工作需要，目前课题组正在招聘优秀博士后/科研助理 2名。欢迎有志于肿瘤免疫治疗研究的优秀人才加入团队，课题组将提供一流的科研环境和良好个人发展空间。