将空间组学带入下一个维度
空间组学是一个新领域，它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领域产生了重大影响。空间组学技术是分析基于生物数据的空间信息的高通量方法。它使研究人员能够揭示细胞、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。为了使该领域的研究不断取得进展，空间组学技术的新算法、方法和工具至关重要。为了满足这些需求，新的空间组学系列的第一篇文章刚刚在 GigaScience Press 的开放科学期刊GigaScience和GigaByte上发表。
由于处理巨大的多维数据集的挑战，空间组学技术的巨大潜力正在受到阻碍。科学家们目前缺乏可用的技术和计算工具来使用这种新颖的空间信息，即使能够重复使用现有的单细胞数据分析算法。因此，拥有专门用于分析和解释空间组学数据的新的定制算法和工具至关重要。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，并且旨在处理这些实验中产生的大量数据。
为了开始为社区寻找多种新的空间组学分析方法建立一个场所，GigaScience Press 刚刚在GigaScience和GigaByte上发表了新的跨期刊主题系列的第一批文章。这些系列为新颖的空间组学算法、工具和应用程序提供了基础。开放的管道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，正在进行的系列文章通过简化分析并提供适应性强的开源工具工具包供其他人使用和构建，帮助推广和民主化该技术的使用。
其中一篇刚刚发表的文章发表在 GigaScience Press 的头条期刊GigaScience上，提供了一种名为 Siamese Graph Autoencoder (SGAE) [1] 的新分析工具，这是一种用于检测空间域的算法。SGAE 在捕获空间模式和生成高质量聚类方面优于其他方法。这使得研究人员能够比其他现有方法更清晰地解析小鼠胚胎发育过程中的大脑皮层结构或原肠胚形成等解剖结构。这项突破性的新技术突破了研究和发现的界限。
GigaByte杂志联合系列中发表的文章解决了空间组学研究采用的主要限制因素：数据预处理工作流程系统的可用性。其中一篇文章介绍了 SAW，这是一种处理立体序列数据的工具 [2]，它可以更好地评估大型空间转录组数据集的数据质量。另一篇论文提出了 BatchEval 工具 [3]，它可以帮助研究人员识别和消除批次效应，确保从集成数据集中获得可靠且有意义的见解。除了改进数据处理的工具之外，在这个新系列的发布中还发布了一些新的分析工具文章。其中包括介绍插补算法高效自适应高斯平滑 (EAGS) 工具 [4] 的文章，该工具可提高高分辨率空间转录组学中的数据质量;可变邻域搜索(VNS)方法[5]，该方法基于基因表达和空间坐标更好地聚类细胞;STCellbin 工具 [6]，它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对齐。
这个跨期刊主题系列将在未来几个月继续发表大量其他论文，并且仍然开放提交类似的开源、可复制的算法、工具和应用程序。GigaScience和Gigabyte都通过内部数据托管和管理支持来帮助作者分享开放科学文章。这鼓励其他人补充空间组学数据工具社区的发展，并继续推动这一新兴领域的快速科学研究进展。
版权声明：本文由用户上传，如有侵权请联系删除！