在当前的生物医疗研究中，空间转录组降维聚类方法，例如主成分分析（PCA）和非负矩阵分解（NMF），主要基于单细胞数据进行开发，因此其在空间转录组数据中的适用性并不完全可靠。这些常用的方法往往忽视了空间转录组特有的组织空间定位信息，而仅依靠基因表达谱进行聚类。然而，在生物组织中，相邻位置往往拥有相似的细胞组成及基因表达水平。因此，将空间位置信息纳入降维聚类过程，能够更好地反映生物样本的实际状态。

因此，基于这一观点，开发了SpatialPCA作为一种空间转录组降维聚类工具。该工具采用了空间概率主成分分析（spatial probabilistic PCA），旨在明确模拟组织位置之间的空间相关性结构，并在降维后保留原始空间数据的邻近性。SpatialPCA将空间定位信息作为额外输入，利用核矩阵来模拟组织位置之间的空间结构。这种方法结合了基因表达矩阵和位置信息，将基因表达矩阵构建为一个潜在因子的函数模型。同时，通过位置信息矩阵构建核矩阵，以阐明潜在因子的空间结构相关信息。

通过选择背外侧前额叶皮层（DLPFC）作为模拟数据来源，研究人员手动分割了各皮层，确定了10000个特定细胞类型的空间位置，并得到了这些细胞的单细胞表达数据。在实验中设计了四种不同细胞组成情况，并人工构建了四种空间转录组数据。相较于其他现有的空间聚类方法，SpatialPCA在模拟数据测试中展现出更优的检测性能。

在真实数据测试中，研究选择了人类DLPFC的Visium空间转录组数据，对多种工具进行了平行测试，包括SpatialPCA、BayesSpace、SpaGCN、HMRF、stLearn、PCA、NMF。结果表明，SpatialPCA生成的空间聚类结果最接近于实际的生物结构，其预测的精确性和空间域结构的连续性表现也是各个工具中最高的。

为了验证SpatialPCA的技术普适性，研究者们在其他技术（如Slide-seq、Slide-seqV2）下生成的小鼠脑组织空间转录组数据中进行了测试，结果同样显示SpatialPCA的聚类结果与实际情况相符。为了确认该方法的样本普适性，研究人员还对HER2阳性乳腺肿瘤样本进行了测试，结果显示SpatialPCA具有更好的聚类精确性，且其聚类结果更符合实际情况。

由于SpatialPCA所计算的空间主成分同时包含空间信息和基因表达信息，因此可以应用一些单细胞转录组分析工具进行后续分析。通过使用Slingshot对肿瘤组织的空间转录组数据进行了轨迹推断，揭示了一条从肿瘤区域指向肿瘤周围区域再到正常组织的轨迹。计算得到的伪时间相关基因富集于免疫反应、细胞介导免疫和吞噬识别通路，突显了其在癌症进展、肿瘤侵袭和转移中的重要性。

此外，基于SpatialPCA的建模框架，还可以在新的空间位置上推断基因表达水平，甚至可以利用低分辨率样本数据构建高分辨率的空间图谱。对肿瘤组织的测试表明，SpatialPCA所构建的高分辨率空间图谱显示出连续和平滑的特征，聚类精确标识了不同组织区域间的边界，并细化了紧邻肿瘤与免疫区域之间的肿瘤周围区域，展现了SpatialPCA在精细结构方面的优势。

总之，SpatialPCA是一个针对空间转录组数据降维聚类的理想分析工具。如果您在处理空间数据的分群聚类方面遇到挑战，不妨尝试使用SpatialPCA。我们相信这将为您的研究带来意想不到的突破，正如金年会金字招牌诚信至上所信奉的理念一样，以诚信与优质服务为导向，助力生物医疗领域的创新与发展。