空间基因表达技术能够在保留空间背景信息的同时,全面测量转录组谱。然而,现有的分析方法并没有解决技术分辨率有限或有效利用空间信息的问题。
来自美国的科研团队开发了BayesSpace,这是一种完全贝叶斯统计方法,它使用来自空间邻域的信息来增强空间转录组数据的分辨率并进行聚类分析。基准测试证明BayesSpace在识别具有相似表达谱的空间簇和提高空间转录组学分辨率方面的效用,其既克服了有效利用空间信息进行表达数据聚类的挑战,又克服了目前空间转录组技术分辨率有限的问题。
BayesSpace是什么?
BayesSpace是一种基于空间转录组模型的聚类方法,通过对基因表达矩阵的低维表示进行建模并通过空间先验鼓励相邻点属于同一簇来实现空间聚类。与以前的方法相比,BayesSpace允许对聚类结构和错误项进行更灵活的规范。BayeSpace通过广泛使用的Bioconductor SingleCellExperiment数据结构将预处理数据作为输入,无缝集成到空间转录组分析工作流中,输出同样存储在SingleCellExperiment对象中,该对象可用于下游分析。这些方法都实现为一个R包,可以在Bioconductor上公开访问(http://www.bioconductor.org/packages/release/bioc/html/BayesSpace.html)。