空间转录组分析

我们首先需要对数据进行规范化，以考虑数据点之间测序深度的差异。对于空间数据集来说，分子数/点的差异可能是巨大的，特别是在整个组织的细胞密度存在差异的情况下，这需要有效的标准化。然后，我们可以使用对RNA表达数据进行降维和聚类，如下图所示，

Step 1. 亚群特征基因分析

（1）Spots群差异表达基因筛选：筛选某一spots群与剩余所有spots群之间的差异表达基因；

（2）Spots群差异表达基因功能富集分析：对筛选得到的各spots群差异表达基因进行GO、KEGG、DO和Reactome富集分析；

（3）Spots群Marker基因分析：选择各spots群表达上调基因前20作为候选Marker基因，从聚类热图、tSNE表达分布图、小提琴图和气泡图判别其作为Marker基因的有效性和特异性。

（3）Spots亚群结果空间映射

Step 2. 空间特征基因分析

不依赖spot分群结果和组织区域鉴定结果，可以更充分地挖掘与空间位置相关的变异基因。

（1）空间差异表达分析；

（2）空间差异基因功能富集分析：对筛选得到的各空间差异表达基因进行GO、KEGG、DO和Reactome富集分析；

（3）空间特征基因筛选；

（4）空间特征基因分布；

Step 3.  空间转录组与单细胞测序关联

 通过空间转录组的亚群分析，我们可以得到各个组织区域的特征基因；通过单细胞转录组的亚群上调基因分析，我们可以得到各个类型细胞的特征基因；通过细胞组成图谱，我们可以得到各个类型细胞在各组织区域的分布特征。结合这三个方向，我们就可以找到一个或多个核心基因。