网站建设氵金手指下拉十三北京专业网站翻译影音字幕翻译速记速记速记速而高效
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：
-
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）。
-
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。
-
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。
-
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.