空间转录组能够在保留空间信息的前提下，检测基因表达量。然而当前的计算方法，并不能利用空间转录组提供的位置信息。同时受限于测序技术的检测分辨率，无法做到单细胞的分辨率。6月3日“自然生物技术”的论文Spatial transcriptomics at subspot resolution with BayesSpace，提出基于贝叶斯统计的聚类方法，可以利用位置信息提升聚类后的空间分辨率。

当前的空间转录平台10X Visium的分辨率是55微米，在该分辨率下，每个格子会包含1个到多至30个细胞，这样每个格子中的转录信息，就会是该区域所有细胞的平均值，但要想获得具有生物学意义的数据，就需要分辨率达到单细胞层次。

当前利用到位置信息的空间转录组聚类方法，有两种，一是基于隐式马尔可夫随机场（Giotto包），另一个是使用深度学习，结合组织病理学切片图片来提升聚类分辨率的stLearn。而BayesSpace借鉴了之前利用空间信息，对图像进行聚类的经验，通过设置先验概率，让聚类近的格子有更高的先验属于同一个聚类，由此利用空间信息。

BayesSpace如何利用空间信息：对于两个共享同一个边的格子，其聚类位于同一类的先验概率更高

BayesSpace的具体流程

上图展示了BayesSpace的工作流程，先对标准化后的转录矩阵，进行聚类，使相邻位置的数据能够更容易的聚在一起，之后利用空间信息，在更高的分辨率上修正聚类结果，最后基于更高精度的空间聚类，去预测基因表达量，并据此进行差异基因的寻找和分析。

对于使用者来说，BayesSpace作为一个R包，安装方便，可使用R的Bioconductor中的 SingleCellExperiment作为输入，并不需要格式转换，也不需提前选出标志基因，其需要调整的参数也很少，这让其使用方便。相比其它空间转录组聚类方法，其所需的计算时间和内存也位于同一数量级。在对12个背外侧前额叶皮层样本的Visium数据进行聚类时，其耗时对比如下图所示：

不同聚类方法的时间和内存消耗

使用评价聚类好坏的Adjust Rand Index指标，在已知真集（手动对组织信息进行注释）的数据集上，评价不同的聚类方法，其结果如下图

12个样本的聚类准确度散点图，可以看出BayesSpace的准确性最高

进一步的实验，使用BayesSpace得出的前15个主成分，作为其它方法的输出，以期得到更完整的对比，从中可以看出，这么做不会提神stLearn和Giotto的聚类性能。

使用BayesSpac算法得出的前15个主成分，不能提升其它空间聚类方法的准确性

下图对比了使用包含了空间信息的三种方法（第二行），以及不利用空间信息的聚类方法（第一行）在特定样本上聚类结果。

不同聚类方法对特定样本的聚类

第一行的方法，虽然分辨率更高，但是其中会出现聚类A的点零散的出现在聚类B中的情况，这是不符合生物学原理的（相近表达量的细胞聚在一起），而对于第二行的三种方法，BayesSpace的结果，看起来分辨率高于Biotto，也没有像StLearn’那样出现参差不齐的现象。

除了更好的聚类，BayesSpace还可以提升空间转录组聚类的分辨率，下图对黑色素瘤样本的原始聚类包含293个格子，经过BayesSpace提升分辨率后，可以看到更精细的空间结构，并能够据此更准确的找到不同组织的标志基因，从而使差异表达分析变得更具有生物学意义。该文还通过免疫组织化学验证了提升的分辨率是具有生物学意义的。

除此之外，BayesSpace还能够识别出肿瘤组织的的组织间异质性，识别出良性和恶性肿瘤的边界。总结来看，由于BayesSpace假设实验误差符合T分布，其对于实验误差造成的异常值更加鲁棒，该方法之后通过马式蒙特卡洛，进行模型的参数估计，相比基于最大似然法的Giotto，能够更完备的探索参数空间，从而得出更准确的聚类结果。

通过分辨率提升后，在Visuim平台的数据上，能够在每一个子方格中，平均包含3个细胞，这样的数据，除了能够找出之前没有被观测到的空间基因表达模式，对于下游的分析，包括差异基因表达，空间异质性分析，于单细胞数据的整合分析，都提供了便利。而使用BayesSpace方法给出的主成分，结合Dirichlet回归模型，还可以进一步提升分布率，或和其它诸如UMAP的聚类方法结合使用，该方法也可以对包含多个样本的数据进行聚类。