小柯机器人

美国华盛顿大学Raphael Gottardo小组开发出分析空间转录组的新方法。2021年6月3日，国际知名学术期刊《自然—生物技术》在线发表了这一成果。

研究人员报道了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和进行聚类分析。研究人员针对当前的空间和非空间聚类方法对BayesSpace进行了基准测试，并表明它改进了对来自大脑、黑色素瘤、浸润性导管癌和卵巢腺癌样本的不同组织内转录谱的识别。

使用免疫组织化学和从scRNA-seq数据构建的计算机数据集，研究人员表明BayesSpace解析了在原始分辨率下无法检测到的组织结构，并识别了组织学分析无法访问的转录异质性。这些结果说明了BayesSpace在促进从空间转录组数据集中发现生物学见解的能力。

据了解，最近的空间基因表达技术能够在保留空间背景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。

附：英文原文

Title: Spatial transcriptomics at subspot resolution with BayesSpace

Author: Edward Zhao, Matthew R. Stone, Xing Ren, Jamie Guenthoer, Kimberly S. Smythe, Thomas Pulliam, Stephen R. Williams, Cedric R. Uytingco, Sarah E. B. Taylor, Paul Nghiem, Jason H. Bielas, Raphael Gottardo

Issue&Volume: 2021-06-03

Abstract: Recent spatial gene expression technologies enable comprehensive measurement of transcriptomic profiles while retaining spatial context. However, existing analysis methods do not address the limited resolution of the technology or use the spatial information efficiently. Here, we introduce BayesSpace, a fully Bayesian statistical method that uses the information from spatial neighborhoods for resolution enhancement of spatial transcriptomic data and for clustering analysis. We benchmark BayesSpace against current methods for spatial and non-spatial clustering and show that it improves identification of distinct intra-tissue transcriptional profiles from samples of the brain, melanoma, invasive ductal carcinoma and ovarian adenocarcinoma. Using immunohistochemistry and an in silico dataset constructed from scRNA-seq data, we show that BayesSpace resolves tissue structure that is not detectable at the original resolution and identifies transcriptional heterogeneity inaccessible to histological analysis. Our results illustrate BayesSpace’s utility in facilitating the discovery of biological insights from spatial transcriptomic datasets.

DOI: 10.1038/s41587-021-00935-2

Source: https://www.nature.com/articles/s41587-021-00935-2

Nature Biotechnology：《自然—生物技术》，创刊于1996年。隶属于施普林格·自然出版集团，最新IF：68.164
官方网址：https://www.nature.com/nbt/
投稿链接：https://mts-nbt.nature.com/cgi-bin/main.plex