现有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），主要是基于单细胞数据而开发，因此它们不一定能够完全适用于空间转录组数据。这些传统的降维聚类方法往往仅依靠基因表达谱进行聚类，而没有考虑空间转录组所特有的组织空间定位信息。然而，在生物组织中，相邻的位置往往具有相似的细胞组成和基因表达水平。将空间位置信息纳入到降维聚类过程中有助于实现更符合生物实际状态的空间聚类。

针对这一问题，SpatialPCA应运而生，作为一种专门为空间转录组降维聚类设计的工具。该工具运用空间概率PCA（spatial probabilistic PCA），能够清晰地模拟组织位置之间的空间相关性结构，在降维后的数据中保留原始空间数据的相邻近似性。SpatialPCA将空间定位信息作为额外输入，使用核矩阵来模拟组织位置的空间结构。基于此方法所得到的降维主成分，因包含相关的空间结构信息，被称为空间主成分。

具体而言，SpatialPCA同时使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，同时依托位置信息矩阵构建核矩阵，从而明确潜在因子的空间结构相关信息。通过这一方法，SpatialPCA在模拟数据测试中展现出优越的检测性能，相较于其他空间聚类方法，无论是否采纳空间信息，均表现更佳。

为了验证SpatialPCA的有效性，研究人员还将其应用于人类背外侧前额叶皮层（DLPFC）的Visium空间转录组数据，并与多种其他工具（如BayesSpace、SpaGCN等）进行平行测试。测试结果显示，SpatialPCA生成的空间聚类结果最接近实际的生物结构，其预测的精确性和空间域结构的连续性在众多工具中也居于首位。为了确认SpatialPCA的技术通用性，研究者还在其他技术（如Slide-seq、Slide-seq V2）生成的小鼠脑组织空间转录组数据中进行了验证，结果同样显示SpatialPCA的聚类结果与实际情况高度一致。

在样本适用性方面，使用HER2阳性乳腺肿瘤样本的测试结果显示，SpatialPCA具有更杰出的聚类精确性，符合实际情况。此外，SpatialPCA所计算出的空间主成分包含了空间信息和基因表达信息，因此可以利用一些单细胞转录组分析工具进行后续分析。利用Slingshot对肿瘤组织的空间转录组数据进行了轨迹推断，显示出一条从肿瘤区域延伸至周围正常组织的轨迹，突显出相关基因在癌症进展中的重要性。

根据SpatialPCA的建模框架，研究人员还可以在新的空间位置上推断基因表达水平，甚至通过低分辨率的样本数据构建高分辨率的空间图谱。针对肿瘤组织的测试结果表明，SpatialPCA构建的高分辨率空间图谱展现出连续和平滑的特征，精确地定位了不同组织区域之间的边界，并细化了肿瘤和免疫区域之间的过渡区域，展示了SpatialPCA在细微结构分析方面的优势。

因此，SpatialPCA是一款非常适合用于空间转录组数据降维聚类的分析工具。如果您在处理空间数据的分群聚类时未能达到理想效果，不妨试试ag尊龙凯时的SpatialPCA，或许会带来意想不到的突破。