STOmics logo 时空组学

EN

“空间组学方法和应用”专题发布 | GigaScience & GigaByte

2024.02.20 内容来源:GigaScience

空间组学作为近年来热门的研究领域,将大规模、数据丰富的生物和生物医学研究带入了全新维度,对生物学和生物医学的基础研究产生了重大影响。空间组学技术是高通量分析方法,用于分析生物数据的空间信息,可以揭示细胞、组织和器官的空间分布特征,为研究生物系统的结构和功能提供了新的视角。空间组学技术新算法、方法和工具的开发,对促进该领域的持续发展至关重要。


为此,GigaScience出版社的开放科学期刊《GigaScience》和《GigaByte》特推出“空间组学方法与应用”专题,首批文章于今日发表。


专题背景

当前,处理巨大的多维数据集仍存在挑战。尽管科学家们可以使用现有的单细胞数据分析算法,但领域内仍缺乏针对新的空间信息的可用技术和计算工具。因此,亟需开发新的定制算法和工具来分析和解释空间组学数据。此外,为了确保社区能够充分便捷地利用这些工具,它们必须具备开源特性、用户友好性,并且具备处理实验数据中产生的庞大数据的能力。


专题意义

为方便社区查找新的空间组学分析方法,《GigaScience》和《GigaByte》在线发表了新的跨期刊专题系列的首批文章。该专题为新的空间组学算法、工具和应用提供了一个专业的发布平台。该专题旨在发布公开可用的pipeline及工具,包括数据预处理方法、数据质量评估和改进、基础分析、下游分析挖掘等。总之,该专题系列文章通过优化分析过程、提供一个可供他人使用和发表的适应性开源工具包,帮助推广空间组学技术的应用。


《GigaScience》已发表空间组学论文

其中,发表在《GigaScience》上的一篇文章发布了空间组学表达填补算法工具——Efficient and Adaptive Gaussian smoothing(EAGS)[1],该工具可提升高分辨率空间转录组数据的数据质量;同时还发布了一种新的分析工具,命名为Siamese Graph Autoencoder(SGAE)[2],这是一种检测空间域的算法,SGAE在捕捉空间模式和生成高质量聚类方面优于其他方法。与目前的其他方法相比,研究人员能够更清晰地解析小鼠胚胎发育过程中的解剖结构,如大脑皮层结构或原肠胚形成。这项突破性的新技术拓宽了研究发现的界限。


《GigaByte》已发表空间组学论文

发表在《GigaByte》上的系列文章,解决了空间组学研究的主要限制因素:针对数据预处理的工作流系统。其中一篇文章发布了SAW,这是一种处理Stereo-seq数据的工具[3],该工具可以更好地评估大型空间转录组学数据集的数据质量。另一个是STCellbin工具[4],该工具使用细胞核染色图像作为桥梁,将细胞膜/壁染色图像与空间基因表达图关联。另一篇论文介绍了BatchEval工具[5],它帮助研究人员识别和消除批次效应,确保从多批次数据集中获得可靠和有意义的结论。除了用于改善数据处理流程的工具外,该专题还同时发布了一个新的分析工具——变邻域搜索(VNS)方法[6],该方法基于基因表达和空间坐标,可以更好地对细胞进行聚类。


《GigaByte》专题页面链接:

https://doi.org/10.46471/GIGABYTE_SERIES_0005 


《GigaScience》专题页面链接:

https://academic.oup.com/gigascience/pages/spatial-omics-methods-and-applications



*参考文献:

[1] Lv T et al. EAGS: efficient and adaptive Gaussian smoothing applied to high-resolved spatial transcriptomics. GigaScience 2024. doi:10.1093/gigascience/giad097

[2] Cao L et al. Deciphering spatial domains from spatially resolved transcriptomics with Siamese Graph Autoencoder. GigaScience 2024 doi:10.1093/gigascience/giae003

[3] Gong C et al. SAW: An efficient and accurate data analysis workflow for Stereo-seq spatial transcriptomics. GigaByte 2024 doi:10.46471/gigabyte111
Preprint: https://doi.org/10.1101/2023.08.20.554064  

[4] Kang Q et al. Generating single-cell gene expression profiles for high-resolution spatial transcriptomics based on cell boundary images. GigaByte 2024 doi:10.46471/gigabyte110

Preprint: https://doi.org/10.1101/2023.12.25.573324 

[5] Zhang C. et al. BatchEval Pipeline: Batch Effects Evaluation Workflow for Multi-batch Dataset Joint Analysis. GigaByte 2024 doi:10.46471/gigabyte108

Preprint: https://doi.org/10.1101/2023.10.08.561465

[6] Ivanovic M et al. A Novel Variable Neighborhood Search Approach for Cell Clustering for Spatial Transcriptomics. GigaByte 2024 doi:10.46471/gigabyte109
Preprint: https://doi.org/10.32388/0Z3EG4