解開空間變異基因：空間轉錄組學的統計視角

空間解析轉錄組學 (SRT) 的重要性

空間解析轉錄組學 (SRT) 正在改變基因組學，因為它可以在保留空間背景的情況下，高效測量基因表達。與單細胞 RNA 測序 (scRNA-seq) 不同，scRNA-seq 只捕捉轉錄組而不考慮空間位置，SRT 讓研究人員能夠將基因表達映射到組織中的精確位置，這樣可以深入了解組織的結構、細胞之間的互動以及空間協調的基因活動。隨著 SRT 數據量和複雜性的增加，需要開發穩健的統計和計算方法，這使得這個領域對數據科學家、統計學家和機器學習 (ML) 專業人士非常重要。像空間統計、基於圖形的模型和深度學習等技術已被應用於從這些數據中提取有意義的生物學見解。

空間變異基因 (SVG) 的檢測

SRT 分析中的一個關鍵步驟是檢測空間變異基因 (SVG)，這些基因的表達在不同空間位置上變化不隨機。識別 SVG 對於描述組織結構、功能基因模組和細胞異質性至關重要。然而，儘管 SVG 檢測的計算方法迅速發展，這些方法在定義和統計框架上差異很大，導致結果不一致和解釋上的挑戰。

在我們最近發表的《自然通訊 (Nature Communications)》評論文章中，我們系統性地檢查了 34 種經過同行評審的 SVG 檢測方法，並引入了一個分類框架，澄清不同 SVG 類型的生物學意義。這篇文章概述了我們的發現，重點介紹了三個主要類別的 SVG 及其檢測的統計原則。

SVG 的三個主要類別

SVG 檢測方法旨在揭示基因的空間表達反映生物學模式而非技術噪音。根據我們對 34 種經過同行評審的方法的回顧，我們將 SVG 分為三組：整體 SVG、細胞類型特異性 SVG 和空間域標記 SVG。

檢測這三個 SVG 類別的方法各有不同的目的。首先，整體 SVG 的檢測篩選出有用的基因以進行後續分析，包括識別空間域和功能基因模組。其次，細胞類型特異性 SVG 的檢測旨在揭示同一細胞類型內的空間變異，幫助識別細胞類型內的不同細胞亞群或狀態。第三，空間域標記 SVG 的檢測用於找到標記基因，以註解和解釋已檢測到的空間域。

SVG 檢測方法的統計原則

三個 SVG 類別之間的關係取決於檢測方法，特別是它們使用的虛無假設和替代假設。如果整體 SVG 檢測方法使用的虛無假設是非 SVG 的表達與空間位置獨立，而替代假設是任何偏離這種獨立性都表明存在 SVG，那麼理論上它的 SVG 應該包括細胞類型特異性 SVG 和空間域標記 SVG。

為了理解 SVG 是如何被檢測的，我們將統計方法分類為三種主要的假設檢驗類型：

• 依賴性檢驗 – 檢查基因的表達水平與空間位置之間的依賴性。
• 固定效應回歸檢驗 – 檢查某些或所有固定效應協變量（例如空間位置）是否對響應變量（即基因表達）的均值有貢獻。
• 隨機效應回歸檢驗（變異成分檢驗） – 檢查隨機效應協變量（例如空間位置）是否對響應變量的變異有貢獻。

在這些檢驗中，依賴性檢驗是最一般的假設檢驗。對於給定的基因，它決定基因的表達水平是否與空間位置獨立。

未來的挑戰

改善 SVG 檢測方法需要在檢測能力、特異性和可擴展性之間取得平衡，同時解決空間轉錄組學分析中的主要挑戰。未來的發展應該專注於將方法適應不同的 SRT 技術和組織類型，並擴展對多樣本 SRT 數據的支持，以增強生物學見解。此外，加強統計嚴謹性和驗證框架對於確保 SVG 檢測的可靠性至關重要。基準研究也需要改進，提供更清晰的評估指標和標準化數據集，以提供穩健的方法比較。

參考文獻

[1] Yan, G., Hua, S.H. & Li, J.J. (2025). Categorization of 34 computational methods to detect spatially variable genes from spatially resolved transcriptomics data. Nature Communication, 16, 1141. https://doi.org/10.1038/s41467-025-56080-w

[2] Cai, P., Robinson, M. D., & Tiberi, S. (2024). DESpace: spatially variable gene detection via differential expression testing of spatial clusters. Bioinformatics, 40(2). https://doi.org/10.1093/bioinformatics/btae027