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），大多是基于单细胞数据开发的，因此，有些方法可能不完全适用于空间转录组数据。这些常用的降维聚类方法通常忽略了空间转录组所特有的组织空间定位信息，仅根据表达谱进行聚类。然而，生物组织中的相邻位置往往具有相似的细胞组成和基因表达水平。因此，将空间位置信息结合到降维聚类过程中，将有助于实现更贴近生物实际状态的空间聚类。

基于以上理念，SpatialPCA作为一种空间转录组降维聚类工具应运而生。此工具采用所谓的空间概率PCA，通过模拟组织位置间的空间相关性结构，明确保留了降维后数据中的邻近特性。SpatialPCA将空间定位信息作为额外输入，利用核矩阵模拟组织位置之间的空间结构。所得到的降维主成分称为空间主成分，它融合了与空间结构相关的信息。

具体而言，SpatialPCA采用基因表达矩阵与位置信息矩阵的结合，将基因表达矩阵视为潜在因子的函数模型，并依据位置信息矩阵构建核矩阵，明确潜在因子的空间结构。通过该框架，SpatialPCA能够在不同的实验数据中进行测试与验证，其聚类结果在生物数据的精确性与连续性方面表现出色。

在实际应用中，研究人员使用人类DLPFC的Visium空间转录组数据，对多个工具进行平行测试，结果显示SpatialPCA生成的空间聚类结果最为接近实际生物结构，且在预测精确性和空间域结构的连续性方面表现优异。此外，SpatialPCA在其他技术生成的小鼠脑组织空间转录组数据中也显示出较高的聚类一致性。利用HER2阳性乳腺肿瘤样本进行测试，结果进一步证明了SpatialPCA的聚类精确性。

由于SpatialPCA所计算的空间主成分同时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。例如，通过Slingshot对肿瘤组织的空间转录组数据进行轨迹推断，显示出由肿瘤区域指向周围区域再到正常组织的轨迹。这些伪时间相关基因的富集表明其在肿瘤进展与转移中的重要性。

此外，基于SpatialPCA的建模框架，研究人员能够在新的空间位置上推断基因表达水平，并通过低分辨率样本构建高分辨率的空间图谱。对肿瘤组织的测试表明，SpatialPCA构建的高分辨率空间图谱展现出连续平滑的特征，精确定位了不同组织区域间的边界，为肿瘤周围区域的细致分析提供了可靠支持。这种在精细结构方面的优势，使得尊龙凯时的技术得以在生物医学研究中脱颖而出。

综上所述，SpatialPCA是一款旨在提升空间转录组数据降维聚类效果的分析工具。如果您当前的空间数据分群聚类不尽人意，不妨试一试尊龙凯时带来的SpatialPCA，期待您的研究取得新的突破。