“空间组学方法和应用”专题文章发布-GigaScience&GigaByte

空间组学是一个新的研究领域，将大规模、数据丰富的生物和生物医学研究带入新的维度。这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。为使该领域持续发展，在空间组学技术方面，新算法、方法和工具的开发至关重要。为此，首批“空间组学方法与应用”专题文章于2月20日发表在GigaScience出版社的开放科学期刊《GigaScience》和《GigaByte》上。

“空间组学方法与应用”专题背景

由于处理巨大的多维数据集仍存在挑战，空间组学技术的巨大潜力也被制约。目前，虽然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这种新的空间信息的可用技术和计算工具。因此，至关重要的是要专门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，为了让社区能够充分利用这些工具，它们必须是开源的、易于使用的，并且能够处理实验中产生的巨大数据量。

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第一批文章。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和工具，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》已发表的空间组学论文

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]，该工具提高了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》已发表的空间组学论文

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。其中一篇文章开发了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。

欢迎投稿

这一跨期刊专题将在未来几个月继续发表大量文章，并持续接收类似的开源、可复制算法、工具和应用程序的投稿。《GigaScience》和《Gigabyte》均有自主数据库和专业的数据管理人员，可帮助作者共享其数据，助力发表开放科学文章。我们鼓励研究者不断补充空间组学数据工具的开发，不断推动这一新的、不断发展的领域的快速发展。欢迎研究者随时咨询和投稿！如有任何疑问请发邮件至编辑部邮箱：[e-mail]

《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

*本文内容来源于GigaScience微信公众号

让我知道你“在看”