现有的一些空间转录组降维聚类技术，诸如主成分分析（PCA）和非负矩阵分解（NMF），主要是在单细胞数据的基础上开发的，因此可能并不完全适用于空间转录组数据。这些常用的降维聚类方法往往缺乏对空间转录组特有的组织空间定位信息的应用，仅基于表达模式进行聚类。然而，生物组织中相邻位置的细胞组成和基因表达水平通常具有相似性。因此，在降维聚类过程中结合空间位置信息，将有助于实现更为贴近生物实际的空间聚类。

基于这一观点，SpatialPCA应运而生，作为一种专为空间转录组数据开发的降维聚类工具。该工具采用所谓的空间概率主成分分析（spatial probabilistic PCA），能够明确模拟组织位置之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将空间定位信息视为额外输入，通过核矩阵来模拟组织位置间的空间结构。基于该方法生成的降维主成分包含空间结构信息，因此被称为空间主成分。具体而言，该方法结合了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，并通过位置信息矩阵构建核矩阵，以明确潜在因子的空间结构信息。

在实际应用中，研究选取了人类背外侧前额叶皮层（DLPFC）的空间转录组数据，针对多种工具（包括SpatialPCA、BayesSpace、SpaGCN等）进行了平行测试。结果显示，SpatialPCA生成的空间聚类结果与生物实际结构最为接近，其预测精确性及空间结构连续性在多种工具中表现出色。此外，为了验证SpatialPCA的技术普适性，该技术还在使用Slide-seq和Slide-seq V2技术获取的小鼠脑组织空间转录组数据中进行了测试，结果均显示SpatialPCA的聚类结果与实际情况相符。

SpatialPCA不仅在技术上具备普适性，其在样本的适用性上也表现良好。在HER2阳性乳腺肿瘤样本的测试中，SpatialPCA同样展现出了更高的聚类精确性，符合现实情况。

由于SpatialPCA所计算的空间主成分同时包含了空间信息与基因表达信息，因此可以利用一些单细胞转录组分析工具进行下游分析。通过使用Slingshot对肿瘤组织的空间转录组数据进行轨迹推断，展示了一条从肿瘤区域指向肿瘤周围区域再到正常组织的轨迹，计算得出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，并凸显了其在癌症进展、肿瘤侵袭与转移中的重要性。

依据SpatialPCA的建模框架，研究者可以在新的空间位置推断基因表达水平，甚至通过低分辨率样本数据构建高分辨率的空间图谱。肿瘤组织的测试结果表明，SpatialPCA构建的高分辨率空间图谱展示了连续和平滑的特征，精确定位出不同组织区域的边界，同时细化了肿瘤与免疫区域之间的层次。由此可见，SpatialPCA在细微结构的分析中展现出了显著优势。

总的来说，SpatialPCA是一款适合进行空间转录组数据降维聚类的强大分析工具。如果您目前的空间数据分析效果不尽理想，不妨尝试使用尊龙凯时提供的SpatialPCA，相信您将获得更理想的研究结果。