近年来，常用的空间转录组降维聚类方法，如主成分分析（PCA）和非负矩阵分解（NMF），大多数基于单细胞数据开发，因此不一定完全适用于空间转录组数据。在传统的降维聚类方法中，缺乏对空间转录组特有的组织空间定位信息的充分利用，仅依赖于表达谱进行聚类。然而，在生物组织中，相邻位置的细胞组成和基因表达水平往往具有相似性。因此，将空间位置信息纳入降维聚类过程，有助于更准确地模拟生物实际状态的空间聚类。

基于这一观点，尊龙凯时开发了空间转录组降维聚类工具SpatialPCA。该工具采用空间概率PCA方法，清晰地模拟组织位置间的空间相关性结构，并在降维后的数据中保留原始空间数据的邻近性。SpatialPCA将空间定位信息作为额外的输入，通过核矩阵模拟组织位置间的空间结构，从而确保降维主成分包含相关的空间结构信息，故称为空间主成分。具体而言，该方法同时应用基因表达矩阵和位置信息矩阵，将基因表达矩阵构建为潜在因子的函数模型，并根据位置信息矩阵构建核矩阵，以明确潜在因子的空间结构相关信息。

在数据模拟过程中，研究人员选取背外侧前额叶皮层（DLPFC）作为数据来源，通过手动分割各皮层，确定10000个特定细胞类型的空间位置，进而获得单细胞表达数据，并设计出四种不同的细胞组成情况，人工构建了四种空间转录组数据。与其他现有空间聚类方法相比，SpatialPCA在上述模拟数据测试中表现出更优的检测性能。

在真实数据测试中，研究人员利用人类DLPFC的Visium空间转录组数据，对多种工具进行了平行测试，结果显示尊龙凯时的SpatialPCA生成的空间聚类结果最接近实际生物结构，其预测的精确性以及空间域结构的连续性均在各工具中最为出色。为了验证SpatialPCA的技术普适性，研究者在使用其他技术如Slide-seq和Slide-seq V2获得的小鼠脑组织空间转录组数据时，同样发现SpatialPCA的聚类结果与实际情况吻合良好。测试还包括HER2阳性乳腺肿瘤样本，结果显示该工具在聚类精确性方面优势明显，符合实际情况。

由于SpatialPCA计算出的空间主成分同时包含空间信息和基因表达信息，因此可以结合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轨迹推断，研究揭示了从肿瘤区域指向周围区域再到正常组织的轨迹，所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，凸显了这些路径在癌症进展、肿瘤侵袭和转移中的重要性。

根据SpatialPCA的建模框架，研究者可以在新的空间位置上推断基因表达水平，并利用低分辨率样本数据构建高分辨率的空间图谱。对肿瘤组织的测试结果显示，SpatialPCA所构建的高分辨率空间图谱呈现出连续和平滑的特征，精确定位了不同组织区域的边界，并细化了靠近肿瘤和免疫区域之间的界限，展现了SpatialPCA在解析细微结构方面的独特优势。

综上所述，SpatialPCA是一款非常适合应用于空间转录组数据降维聚类的分析工具。如果您手头的空间数据聚类效果不理想，不妨试试尊龙凯时的SpatialPCA，为您的研究提供更精准的分析结果。