SPATA2·在空转中推断组织学相关基因表达梯度

SPATA2整合了差异表达、基因富集、单细胞反卷积、拷贝数推断（inferCNV）等模块，形成从数据预处理到生物学解释的一体化流程，适用于复杂疾病微环境的空间多组学研究。

本篇文章主要介绍了SPATA2包中的空间梯度筛选（Spatial Gradient Screening, SGS）算法，这是一种无需预先分组的空间转录组分析方法，旨在从连续空间坐标中识别与组织结构（如坏死区、低氧区等）相关的非随机基因表达梯度，主要包含以下几个核心步骤：

1. 选择空间参考特征（Spatial Features）：可以是图像注释的组织区域（如坏死中心）、也可以是空间轨迹（如从肿瘤核心到边缘的方向）。

2. 距离计算与表达拟合：所有数据点都根据其到参考特征的距离进行排序，使用 LOESS 局部回归模型对每个基因的表达进行拟合，生成表达梯度曲线。

3. 随机性检验与显著性筛选：构建一个表达估计值的梯度向量，并计算总变异度（Total Variation, TV）来评估梯度平滑度，比较观测梯度与模拟数据，获得显著性 p 值。

4. 模型拟合与归类：提供三种标准表达模式模型：递减（association pattern）、峰值型（layered pattern）、递增（recovery pattern），计算均方误差（RMSE）或平均绝对误差（MAE），筛选符合特定生物学模式的基因。

实现工具：SPATA2 R 包

1. 提供可视化、图像注释、轨迹构建、梯度拟合和下游分析全流程。

2. 支持 Visium、MERFISH、SlideSeq、Xenium 等多平台。

3. 与 Seurat、Giotto、AnnData 等生态系统兼容

参考：Package index • SPATA2

Nature Communications, 2024,15:7280.