方法文章

利用 DeepSpaceDB 挖掘空间转录组数据集

1.4K 次观看

⸱

DOI：

10.3791/68892

⸱

2025年9月5日

 ,  ,  ,  ,  ,  , 
1Department of Integrative Bioanalytics, Institute of Development, Aging and Cancer, Tohoku University, 2Department of Life Science and Medical Bioscience, Graduate School of Advanced Science and Engineering, Waseda University, 3Department of Rehabilitation Medicine, Tohoku University Graduate School of Medicine, 4Institute for Life and Medical Sciences, Kyoto University, 5Inter-Organ Communication Research Team, Institute for Life and Medical Sciences, Kyoto University, 6Institute for Liberal Arts and Sciences, Kyoto University

本文内容

摘要

本文介绍了一种利用DeepSpaceDB的实验方案，DeepSpaceDB是一个用于空间转录组学的动态交互式数据库，提供分析工作流程和示例，以探索组织结构和疾病相关基因表达。

摘要

空间转录组学是一项快速发展的技术，能够在保留组织样本位置信息的同时捕获基因表达模式。该技术在生物研究和生物信息学中具有广泛的应用，使研究人员能够探究并追踪不同组织、条件和疾病状态下基因表达的空间变化。随着空间转录组数据分析日益受到关注，公开可用的数据集数量也在不断增加。然而，空间转录组学仍是一种高度专业化的实验技术，存在显著的技术和资金限制。为了促进对空间数据的访问，我们近期开发了DeepSpaceDB，这是一个用于空间转录组数据探索的全面且动态的数据库。本文通过若干示例详细介绍了该数据库的组成部分及其导航操作流程。首先，以小鼠脑组织样本的分析为例，展示了质量评估指标、空间可变基因与通路，以及海马体与下丘脑之间基因表达的差异。接着，通过比较小鼠肝脏中结直肠来源的转移区域与远端健康组织区域，进一步探讨了与免疫活性相关的差异表达基因的识别与注释。DeepSpaceDB凭借其先进的分析工具和交互功能，成为空间转录组学研究中的宝贵资源，有助于深入探索组织结构与疾病生物学。

引言

空间转录组学是一种新技术，可使研究人员在保留组织切片内空间信息的同时分析基因表达，从而以前所未有的分辨率研究组织结构、细胞异质性以及微环境的影响1,2。然而，尽管该技术具有巨大潜力，其应用和分析仍受到限制：空间转录组学的成本对许多实验室而言过高，且数据分析需要高级的生物信息学技能。

建立公共数据库是扩大这种新兴实验技术应用范围的一种途径。目前已创建多个空间转录组学数据库。最早的是SpatialDB，但它包含的样本数量有限，且未再更新3。SODB、SOAR和STOmicsDB数据库则收录了来自多种不同平台的大量样本，在数据存储方面发挥了重要作用4,5,6。然而，这些数据库的分析工具较为有限，且缺乏交互性。为解决这一问题，我们近期开发了DeepSpaceDB，这是一个经过人工审校、用户友好的公共空间转录组学数据资源库，旨在降低技术门槛并提升数据可及性7。本文介绍了该数据库中的若干工具，包括数据库检索、样本质量评估、可视化工具，以及对组织切片内交互式选定区域的比较分析。文章通过两个代表性实例——小鼠脑组织样本分析和结直肠癌肝转移小鼠肝脏样本分析，详细展示了这些工具在实际研究中的应用。借助这些功能，DeepSpaceDB使更广泛的研究人员无需自行生成数据或具备内部生物信息学分析能力，即可利用空间转录组学技术。关于DeepSpaceDB中数据收集、质量控制、处理流程以及所包含数据与功能的全面描述，详见Honcharuk等人的研究7。

方案

1. 示例1：小鼠脑组织样本的分析

注意：本节以小鼠脑组织样本的分析为例，介绍如何在 DeepSpaceDB 中使用其提供的各种功能和图表进行操作（数据库链接见材料表）。

  1. 样本选择
    1. 点击 数据库 标签，使用筛选器选择生物体 小鼠、器官 脑 和数据来源 zenodo。浏览检索结果中的样本，并选择样本 DSID001557。或者，使用搜索框在数据库中搜索 "DSID001557"，并选择该样本。
    2. 点击该样本，确认其描述为 2 × 106 个细胞溶于 100 µL 生理盐水中的自然杀伤细胞（每周静脉注射一次，共注射 5 次）。
  2. 质量分析
    1. 点击 质量 标签，以评估所选样本的质量。从 质量指标 下拉菜单中选择不同选项，如 检测到的基因（图 1A）、读段数（图 1B）和 线粒体基因比例 （图 1C），以可视化样本切片各位置点上的相应参数。
  3. 图像注释
    1. 进入 图像注释 标签，用于识别样本切片的不同区域。
    2. 将鼠标指针移至 样本切片 上。由大型语言模型（LLM）预测的注释将以网格形式显示在样本图像的部分区域，提供有关解剖结构及关联状态的信息8。
  4. 聚类分析
    1. 为更深入理解样本切片中的细胞类型聚类，进入 聚类 标签。系统将显示聚类的二维嵌入图，以及在样本切片各位置点上以颜色编码表示的聚类分布（图 1E）。
  5. 空间可变基因与通路
    1. 进入 基因 标签，查看样本中空间可变基因（SVG；即表达水平在组织不同位置存在差异的基因）9,10。这些 SVG 通过 singleCellHaystack 函数预测，该函数采用 Kullback-Leibler 散度度量（表中为 D_KL）来评估每个基因的表达模式与随机分布预期之间的差异程度（图 2）。具有低 p 值（表中为较大的负 log.p.adj 值）的基因被列为 SVG。
      注：基因表达数据使用 Seurat R（版本 5）软件包中的默认参数进行标准化11。实际操作中，每个位置点上每个基因的读段数除以该点的总读段数，再乘以缩放因子 10,000。随后，在加 1 后计算自然对数，以避免 log(0) 的问题。基因标签中显示的即为该标准化后的数据。
    2. 点击列表中排名靠前的部分基因，系统将生成该基因在组织切片上的空间表达图，各位置点根据表达水平进行颜色编码（图 2）。得分最高的基因表现出明显不同的空间表达模式。
    3. 继续进入 通路 标签，以检查基因集合（例如，参与同一生物学通路的基因）的活性，而非单个基因。空间可变通路的列表形式与上述 SVG 类似（图 3）。通路活性基于其相关基因的表达水平进行估算7,11。
      注：通路活性使用 Seurat R 软件包中的 addModuleScore 函数进行估算11。简而言之，该函数以一组基因（例如，参与同一通路的基因集合）作为输入，经过多个处理步骤后返回其平均表达水平。实际中，正值表示高于平均水平的活性，负值表示低于平均水平的活性。通路标签中显示的即为该模块评分数据。
    4. 点击列表中排名靠前的部分通路，系统将生成该通路在组织切片上的空间活性图，各位置点根据活性水平进行颜色编码。多个通路表现出明显不同的空间活性模式（图 3）。
  6. 样本内基因表达比较
    1. 进入 组织浏览器 标签，选择 手动选择 （若尚未选择）。随后，使用鼠标指针选择小鼠脑切片左侧海马区的位置点。点击“集合 1”，并选择 添加至集合。这将高亮显示右侧切片上所有已选位置点（图 4A）。
    2. 接着点击 集合 2，使用鼠标指针选择小鼠脑切片下丘脑区域的位置点。点击 添加至集合，这将高亮显示右侧切片上所有已选位置点（图 4A）。
    3. 完成位置点选择后，点击 比较基因表达 按钮。系统将生成一个表格，显示两个区域所选位置点的平均基因表达值，并提供散点图表示。将鼠标悬停在各个点上，可确认基因名称及两区域中基因的平均表达水平。
    4. 根据基因表达比较结果，识别差异表达基因，并返回 基因 标签，可视化其在样本切片上的表达分布（图 4B,C）。
      注：通过上述步骤，可利用 DeepSpaceDB 研究小鼠脑组织空间转录组样本的特征。

2. 示例2：鉴定并注释小鼠肝脏中结直肠转移区域与免疫活性相关的差异表达基因

注意：本节探讨样本内部的比较。通过两个不同样本，鉴定并注释结直肠来源的肝转移区域与肝组织切片内远端健康组织区域之间差异表达的基因。此外，在组织切片中进一步可视化展示与免疫活性相关特定失调基因的空间表达情况。

  1. 数据库导航与样本选择
    1. 点击 数据库 标签，使用筛选器选择生物体 小鼠、器官 肝脏 和条件 癌症。在结果样本中选择样本 DSID001005。点击该样本，并确认其描述为该样本来源于一只肝脏含有结直肠癌转移灶的小鼠。
    2. 转至 组织浏览器 标签并选择 手动选择。接着，使用鼠标光标选择肝样本 DSID001005 肿瘤区域（结直肠转移灶）中的点位，该区域根据 Epcam 标记物的阳性表达确定（图5A）。点击 集合1，然后选择 添加至集合。这将高亮显示右侧切片上所有已选中的点位（图5C）。
    3. 现在点击 集合2，使用鼠标光标选择肝样本远端非肿瘤区域的点位。点击 添加至集合，这将高亮显示右侧切片上所有已选中的点位（图5C）。
  2. 所选点位间基因表达的比较
    1. 完成点位选择后，点击 比较基因表达 按钮。系统将生成一个表格，显示两个区域所选点位的平均基因表达值，并附带散点图表示。将鼠标悬停在各个点位上，查看基因名称及两区域中基因的平均表达水平。
    2. 如需对基因表达数据进行更深入分析，请选择 下载CSV 选项。系统将生成该样本两个区域基因表达数据的逗号分隔值（CSV）文件。
    3. 对样本 "DSID001007" 重复步骤 2.1.1–2.1.3 和 2.2.1–2.2.2。确认其描述为另一张来源于含有结直肠癌转移灶的小鼠肝脏的切片。
  3. 使用R语言进行数据分析
    1. 确认上述步骤已生成两个CSV文件，分别来自样本 DSID001005 和 DSID001007。两个文件均包含两列，分别代表在各样本中所选的两个区域（肿瘤组织和非肿瘤组织）的平均基因表达值。
    2. 将CSV文件读入R，并合并以进行后续分析，每个条件包含两个重复（即：含结直肠癌转移灶的肿瘤区域，以及肝脏中的远端健康组织）。参见 补充材料 中的R脚本和数据文件。
    3. 在R（版本4.4.2）中使用limma包（版本3.62.2）12 对数据进行差异表达分析，将两个样本的结直肠转移灶区域归类为 癌症，将两个样本的远端健康区域归类为 对照。通过logFC > 0.5 且校正p值 < 0.05 的筛选条件获取上调基因；类似地，通过logFC < -0.5 且校正p值 < 0.05 的筛选条件获取下调基因。
      注：这些基因集合将在下一步用于识别受肿瘤影响的生物学通路（图6A、B）。
    4. 在R中使用clusterProfiler包（版本4.14.6）13 对上调和下调基因进行京都基因与基因组百科全书（KEGG）14 通路分析。基于q值 < 0.05 的严格筛选条件，识别与上调和下调基因显著相关的通路。重点关注与免疫学通路、免疫活性或相关特征相关的基因（图6B）。
  4. 基因特异性数据挖掘
    1. 接下来，在 空间可变基因 部分中搜索基因名称，以确认目标基因的空间表达模式。点击基因名称，生成该基因在整个组织切片上的空间表达图，点位按表达水平进行颜色编码（图7）。
    2. 识别在结直肠转移灶部位具有特定空间表达模式的基因，与远端健康肝组织进行对比。基因的功能相关性，或其在其他器官或条件下的表达情况，可在数据库中进一步探索。
    3. 选择 搜索 标签，并将物种设为 小鼠。点击 按基因搜索 选项，输入基因名称。系统将显示该基因在不同器官和条件下的分布概览，并可进一步分析。
      注：通过上述详细步骤，可利用DeepSpaceDB研究小鼠肝脏空间转录组样本中转移性与非转移性区域之间的基因表达模式。

结果

示例1展示了小鼠脑组织样本的分析过程，验证了读段数、空间可变基因与通路，以及海马体与皮层之间基因表达差异等参数。首先，根据多个质量指标评估了小鼠脑样本DSID001557的质量：“检测到的基因数”（图1A）、“读段数”（图1B）和“线粒体比例”（线粒体来源读段的百分比；图1C）。结果显示，脑组织左侧区域因检测到的基因数量较少且读段数较低，质量明显偏低。为了了解该样本相对于所有其他样本的相对质量，点击数据库中的样本相对质量标签，显示了每个点的读段数与检测基因数（均值）之间的关系图。对于正在分析的样本，每个点检测到的基因数量在3500至4000个之间（图1D）。进一步通过图像注释标签分析样本的解剖特征。需要说明的是，这些注释是通过将组织图像分割为较小部分，并由大语言模型（LLM）描述所观察到的特征而生成的8。这些注释仅为辅助样本解读的粗略参考，需谨慎使用。对于部分样本（尤其是人类乳腺癌样本），也可获得人类专家的注释。然而，考虑到Visium H&E图像的质量低于常规诊断所用图像，所提供的注释仅限科研用途。对于样本DSID001557，将光标移至切片上，可显示小鼠脑不同区域的注释，如海马区、皮层层、胶质增生的致密细胞层等。在了解样本切片基本解剖特征的基础上，进一步探索了细胞类型簇、空间可变基因及通路等详细特征。该小鼠脑样本共包含15个簇，以不同颜色编码形式分布在样本切片上（图1E）。与该样本相关的一些主要空间可变基因包括Nrgn、Slc17a7、Ly6h和Ddn（图2）。Nrgn在海马区呈现高表达，这与文献报道一致，表明Nrgn编码的蛋白（neurogranin，神经颗粒素）在介导突触可塑性和空间学习中发挥重要作用15。Slc17a7是编码囊泡谷氨酸转运蛋白的基因，对谷氨酰能神经元中的神经传递至关重要16；Ddn是编码一种调控突触后细胞骨架结构蛋白的基因17，两者在海马区也均呈现高表达。相比之下，Ly6h基因的表达定位于皮层区域，这与文献报道中Ly6h在皮层细胞膜中具有限制性突触功能的描述一致18。类似地，通路活性也在样本切片上进行了可视化展示（图3）。空间可变通路的激活情况与空间可变基因的功能角色相一致，表现为海马区突触可塑性和神经递质活性的调控，以及皮层区神经肽信号传导的激活。

最后，为了鉴定小鼠脑样本中海马区与下丘脑区域之间差异表达的基因，使用了Tissue Explorer选项卡。根据图像注释的指引，选中了与目标区域相关的位点（图4A）。从生成的散点图中发现，部分鉴定出的差异表达基因同时也是空间变异性最高的基因（如Nrgn、Slc17a7、Ddn），此外还包括其他一些基因，例如Pmch和Ttr。这些基因的表达情况在样本切片中进行了可视化展示。Pmch在下丘脑外侧区域特异性高表达（图4B；可与图4A中的绿色选中区域对比）。该基因编码黑色素浓缩激素的前体，参与能量稳态的维持19。相比之下，Ttr基因则在海马区特异性表达（图4C；可与图4A中的红色选中区域对比），这与其在学习和空间记忆中的功能作用一致20。通过利用该数据库对小鼠脑内不同区域进行样本内比较，我们能够基于空间基因表达模式和通路活性，揭示各脑区特有的功能特征。

在示例2中，利用数据库识别与肝脏中结直肠转移灶相关的免疫特征。通过为两个样本选择适当的点位：DSID001005（图5A-C）和DSID001007（图5D-F），在含有结直肠转移灶的肿瘤区域与远端健康肝组织之间进行了样本内比较。使用R对数据重新分析，每个条件包含两个重复。基于所选参数，在结直肠转移灶区域与健康肝组织之间的差异表达分析显示，138个基因下调，115个基因上调（图6A，B）。KEGG通路分析表明，下调基因富集于药物代谢和化学致癌等通路（图6C），而上调基因则表现出与白细胞跨内皮迁移、局灶性黏附及细胞周期等相关的特征（图6D）。聚焦于白细胞跨内皮迁移在免疫活性中的相关性，识别出该类别中排名靠前的基因，并在DeepSpaceDB中观察其空间表达情况。有趣的是，在白细胞跨内皮迁移类别下检测到的Cldn7、Cldn4和Actg1基因在样本的肿瘤区域（Epcam+位点）呈现上调，而在远端健康肝组织区域未见上调（图7）。这揭示了肝脏肿瘤部位所驱动的免疫活性特性，即存在白细胞的主动募集。综上所述，利用DeepSpaceDB进行样本内分析能够提取多种生物学见解。研究人员通过交互式工具和重新分析工作流程比较空间转录组数据，可生成并验证有关组织特异性基因表达和功能异质性的假设。

空间基因表达图谱与直方图；聚类分析；脑组织样本；基因计数；测序读段指标。
图 1：样本的质量评估。（A）检测到的基因数量，（B）测序读段数，以及（C）每个位点的线粒体来源读段百分比。（D）本样本中每个位点平均检测到的基因数量，与数据库中所有其他样本的分布进行比较。（E）组织切片上的位点聚类情况。请点击此处查看该图的放大版本。

显示 Nrgn、Slc17a7、Ly6h、Ddn 基因表达的热图；脑切片分析，颜色编码。
图 2：空间可变性最高基因的表达情况。（A）Nrgn，（B）Slc17a7，（C）Ly6h，以及（D）Ddn。请点击此处查看该图的放大版本。

大脑活动热图；A）神经肽信号传导，B）突触可塑性，C）神经递质转运。
图3：空间高度可变通路的活性。（A）神经肽信号传导，（B）突触可塑性的调控，（C）神经递质转运。请点击此处查看该图的放大版本。

组织基因表达热图；按区域聚类分析；Pmch、Ttr 比较；数据可视化。
图 4：小鼠大脑两个选定区域之间基因表达模式的比较。 （A）用于样本内比较的下丘脑和海马区域的点位选择。选定区域 1 以红色显示，区域 2 以绿色显示。差异表达基因（B）Pmch 和（C）Ttr 在下丘脑与海马区域之间的空间表达模式。请点击此处查看该图的放大版本。

空间转录组学图谱；Epcam表达、点簇、组织区域识别。
图5：两个转移性小鼠肝脏样本的特性。 对于样本DSID001005：(A) Epcam 标记物表达，(B) 点簇，以及(C) 用于样本内比较的癌变区域和远端区域中选定的区域。对于样本DSID001007：(D) Epcam 标记物表达，(E) 点簇，以及(F) 用于样本内比较的癌变区域和远端区域中选定的区域。在这两个样本中，肿瘤点位于以红色显示的区域，非肿瘤点位于以绿色显示的区域。请点击此处查看该图的放大版本。

基因表达分析工作流程图；包括可视化、数据标准化、KEGG分析。
图6：重新分析结果。（A）重新分析中使用的工作流程示意图。（B）表示癌变区域与远端区域之间差异表达基因的火山图。（C）上调基因和（D）下调基因的KEGG通路富集分析。请点击此处查看该图的放大版本。

基因表达热图，图A-F；分析Cldn7、Cldn4、Actg1的表达；实验结果。
图7：基因的空间表达。（A）Cldn7、（B）Cldn4 和（C）Actg1 在组织切片 DSID001005 中的空间表达。基因的空间表达。（D）Cldn7、（E）Cldn4 和（F）Actg1 在组织切片 DSID001007 中的表达。请点击此处查看该图的放大版本。

补充文件 1-4：肝转移示例的数据文件和 R 脚本。 请点击此处下载该文件。

讨论

本文介绍了两个全面的实验方案，详细阐述了如何在 DeepSpaceDB 中进行空间转录组学数据的导航、检索与分析。尽管大多数空间组学数据库侧重于整合来自多种平台生成的大量样本数据3,4,5,6，DeepSpaceDB 则专注于开发交互式工具，使用户能够深入且高效地探索空间转录组特征。为实现这一功能水平，当前版本仅专注于 Visium 平台。随着高分辨率平台的不断涌现，我们计划相应地扩展 DeepSpaceDB，开发出用户友好的新策略，用于此类数据的处理与整合。

DeepSpaceDB 使用户能够评估样本质量指标（例如基因计数、测序深度），并跨数据集进行比较。该数据库包含多层次的注释信息：涵盖整个数据库的无监督聚类及其分配的标签、基于大语言模型（LLM）从组织学图像中检测结构和病理特征的结果，以及针对不断增长的样本子集提供的专家级组织学注释。此外，用户可交互式地选择单个样本内或跨样本的感兴趣区域，以比较基因表达，从而支持对不同区域之间空间差异的研究，例如肿瘤与间质、病变与健康区域的对比。此类功能在其他数据库中通常较为缺乏3,4,5,6。其他可用功能还包括空间可变基因与通路、细胞类型预测以及聚类结果。综上所述，该数据库显著降低了探索空间转录组学数据的门槛。来自多种组织和条件的样本均可免费获取，用户可通过简单的点击操作进行浏览，无需具备高级生物信息学专业知识。然而，要准确解读表达模式并在“组织探索器”（Tissue Explorer）工具中选择感兴趣区域，可能仍需具备一定的标记基因和组织结构相关背景知识。

尽管本文未作介绍，用户仍可上传自己的样本，并应用许多相同的工具对其进行分析。该数据库还支持两种不同组织切片之间的样本间比较，例如可用于病变组织与健康对照组织之间的比较。最后，原始数据和处理后的数据以及所有衍生的分析结果均可下载，以支持下游工作流程和自定义分析。对于其中部分工具，数据库的教程页面上提供了简短的教学视频。

数据库仍有一些方面需要改进。其中之一是在组织切片的每个位置准确预测细胞类型及细胞类型组成。在 DeepSpaceDB 当前版本（1.0 版）中，我们使用一种称为稳健细胞类型分解（robust cell type decomposition, RCTD）的方法来预测每个 Visium 点的细胞类型组成21。RCTD 在最近的一项基准研究中表现相对良好22，其预测结果也在我们近期对荷瘤小鼠肝脏的研究中得到了实验验证23。然而，目前尚未对细胞类型预测的准确性进行全面评估。另一个相关问题是，RCTD 及其他细胞类型预测方法都需要一个带有注释细胞类型的参考数据集。通常，每个空间位置的细胞类型（或细胞类型组成）是通过与该参考数据集中基因表达模式的比较来预测的。但为每个 Visium 样本选择合适的参考数据并不总是直接可行的。参考数据可能缺少关键的细胞类型，或者相反，可能包含组织切片中并不存在的细胞类型24。此外，在同一种细胞类型中，细胞可能处于截然不同的状态，例如非活性与活化的免疫细胞25。 参考数据集中的细胞状态未必与空间样本中的细胞状态一致，而空间样本通常来源于患者疾病模型。这两个问题都可能导致预测结果不准确。我们希望在未来解决这一问题。

随着空间转录组学领域的快速发展，越来越多的计算工具被开发出来，用于分析空间数据的各个方面，包括细胞间相互作用、空间结构域以及空间可变基因的预测（例如参见26,27,28）。尽管工具数量的激增反映了该领域的活力，但也为本数据库中工具的筛选与整合带来了挑战。为了确保纳入最稳健且适用性广泛的分析方法，迫切需要开展系统性的基准研究，以评估各类工具在不同数据集和分析任务中的表现22,29,30。此类研究对于科学地选择和优先纳入数据库工具至关重要。

尽管其他空间转录组学数据库致力于收集来自多种不同平台的大量样本，DeepSpaceDB 选择了另一种策略：聚焦于少数几种主流平台，并开发交互性强且直观易用的工具，使用户能够轻松地深入探索数据。尽管当前版本 1.0 仅包含 Visium 平台的样本，但我们计划在未来更新中纳入其他平台的样本。

披露

作者无任何利益冲突需要披露。

致谢

作者感谢 Y. Harada 提供的秘书协助。本工作由 JST NBDC（资助编号 JPMJND2303，A.V.）和 AMED（资助编号 JP24gm2010003，A.V.）资助。本工作还得到了 JSPS KAKENHI（20H03451、24K02236 和 24KK0147；S.K.）、JST FOREST（JPMJFR2062；S.K.）以及 JST Moonshot（JPMJMS2011-61；S.K.）的支持。资助方在研究设计、数据收集与分析、发表决定或稿件撰写过程中均未发挥任何作用。

材料

本文使用的材料清单
姓名公司目录编号评论
clusterProfilerR 包 - 版本 4.14.6
DeepSpaceDB版本 > 1.0数据库链接：www.deepspacedb.com
limmaR 包 - 版本 3.62.2
R版本 4.4.2
RStudioPosit版本 2024.12

参考文献

  1. Tian, L., Chen, F., Macosko, E. Z. The expanding vistas of spatial transcriptomics. Nat Biotechnol. 41 (6), 773-782 (2023).
  2. Moses, L., Pachter, L. Museum of spatial transcriptomics. Nat Methods. 19 (5), 534-546 (2022).
  3. Fan, Z., Chen, R., Chen, X. SpatialDB: A database for spatially resolved transcriptomes. Nucleic Acids Res. 48 (D1), D233-D237 (2020).
  4. Yuan, Z., et al. SODB facilitates comprehensive exploration of spatial omics data. Nat Methods. 20 (3), 387-399 (2023).
  5. Xu, Z., et al. STOmicsDB: A comprehensive database for spatial transcriptomics data sharing, analysis and visualization. Nucleic Acids Res. 52 (D1), 1053-1061 (2024).
  6. Li, Y., et al. SOAR elucidates biological insights and empowers drug discovery through spatial transcriptomics. Sci Adv. 11 (24), 7450(2025).
  7. Honcharuk, V., et al. DeepSpaceDB: A spatial transcriptomics atlas for interactive in-depth analysis of tissues and tissue microenvironments. bioRxiv. , (2025).
  8. GPT-4 technical report. arXiv. , OpenAI. http://arxiv.org/abs/2303.08774 (2023).
  9. Vandenbon, A., Diez, D. A clustering-independent method for finding differentially expressed genes in single-cell transcriptome data. Nat Commun. 11 (1), 1-10 (2020).
  10. Vandenbon, A., Diez, D. A universal tool for predicting differentially active features in single-cell and spatial genomics data. Sci Rep. 13 (1), 1-14 (2023).
  11. Hao, Y., et al. Dictionary learning for integrative, multimodal, and scalable single-cell analysis. Nat Biotechnol. 42 (2), 293-304 (2024).
  12. Ritchie, M. E., et al. Limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Res. 43 (7), e47(2015).
  13. Yu, G., Wang, L. G., Han, Y., He, Q. Y. ClusterProfiler: An R package for comparing biological themes among gene clusters. OMICS. 16 (5), 284-287 (2012).
  14. Kanehisa, M., et al. KEGG for taxonomy-based analysis of pathways and genomes. Nucleic Acids Res. 51 (D1), D587-D592 (2023).
  15. Zhang, Y., et al. Association between NRGN gene polymorphism and resting-state hippocampal functional connectivity in schizophrenia. BMC Psychiatry. 19 (1), 108(2019).
  16. Sreedharan, S., et al. Glutamate, aspartate and nucleotide transporters in the SLC17 family form four main phylogenetic clusters: evolution and tissue expression. BMC Genomics. 11, 17(2010).
  17. Twine, N. A., Janitz, C., Wilkins, M. R., Janitz, M. Sequencing of hippocampal and cerebellar transcriptomes provides new insights into the complexity of gene regulation in the human brain. Neurosci Lett. 541, 263-268 (2013).
  18. Thomsen, M. S., et al. Expression of the Ly-6 family proteins Lynx1 and Ly6H in the rat brain is compartmentalized, cell-type specific, and developmentally regulated. Brain Struct Funct. 219 (6), 1923-1934 (2014).
  19. Li, N., Nattie, E., Li, A. The role of melanin concentrating hormone (MCH) in the central chemoreflex: A knockdown study by siRNA in the lateral hypothalamus in rats. PLoS ONE. 9 (8), e103585(2014).
  20. Iqbal, J. Transthyretin-a key gene involved in regulating learning and memory in brain, and providing neuroprotection in Alzheimer disease via neuronal synthesis of transthyretin protein. J. Behav. Brain Sci. 8 (2), 77-92 (2018).
  21. Cable, D. M., et al. Robust decomposition of cell type mixtures in spatial transcriptomics. Nat Biotechnol. 40 (4), 517-526 (2021).
  22. Li, B., et al. Benchmarking spatial and single-cell transcriptomics integration methods for transcript distribution prediction and cell type deconvolution. Nat Methods. 19 (6), 662-670 (2022).
  23. Vandenbon, A., et al. Murine breast cancers disorganize the liver transcriptome in a zonated manner. Commun Biol. 6 (1), 1-12 (2023).
  24. Ivich, A., et al. Missing cell types in single-cell references impact deconvolution of bulk data but are detectable. Genome Biol. 26 (1), 86(2025).
  25. Xia, B., Yanai, I. A periodic table of cell types. Development. 146 (12), dev169854(2019).
  26. Dong, K., Zhang, S. Deciphering spatial domains from spatially resolved transcriptomics with an adaptive graph attention auto-encoder. Nat Commun. 13 (1), 1739(2022).
  27. Zhu, J., et al. Mapping cellular interactions from spatially resolved transcriptomics data. Nat Methods. 21, 1830-1842 (2024).
  28. Dries, R., et al. Giotto: A toolbox for integrative analysis and visualization of spatial expression data. Genome Biol. 22 (1), 1-31 (2021).
  29. Yuan, Z., et al. Benchmarking spatial clustering methods with spatially resolved transcriptomics data. Nat Methods. 21 (4), 712-722 (2024).
  30. Chen, X., et al. Benchmarking algorithms for spatially variable gene identification in spatial transcriptomics. Bioinformatics. 41 (4), btaf131(2025).

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

DeepSpaceDB

相关文章