目前常用的空间转录组降维聚类方法，例如主成分分析（PCA）和非负矩阵分解（NMF），大多是基于单细胞数据开发的，因此不一定完美适用于空间转录组数据。现有的降维聚类技术往往忽略了空间转录组特有的组织空间定位信息，仅依赖于表达谱进行聚类。然而，在生物组织中，相邻位置通常具有相似的细胞组成和基因表达水平。因此，将空间位置信息融入降维聚类过程，将会更有助于实现符合生物实际情况的空间聚类。

基于这种观点，SpatialPCA被开发为一种新型的空间转录组降维聚类工具。它采用了所谓的空间概率PCA方法，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将空间定位信息作为额外的输入，通过核矩阵模拟组织位置之间的空间结构。通过这种方法得到的降维主成分被称为空间主成分，因其包含了与空间结构相关的信息。

具体而言，SpatialPCA同时利用基因表达矩阵和位置信息矩阵，将基因表达矩阵构建为一个潜在因子的函数模型。同时，位置信息矩阵构建的核矩阵能够清晰反映潜在因子的空间结构相关信息。

在响应生物医疗需求的研究中，SpatialPCA在模拟数据测试中显示了极佳的检测性能。这一工具与其他现有空间聚类方法进行比较，包括考虑与不考虑空间信息的技术，均表现出更优的结果。

在真实数据测试中，研究人员选取了人类DLPFC的Visium空间转录组数据，进行了多种工具（例如SpatialPCA、BayesSpace、SpaGCN等）的平行测试。结果表明，SpatialPCA生成的空间聚类结果最接近实际的生物结构，其预测精确性和空间域结构连续性在多种工具中均表现为最高。此外，对小鼠脑组织空间转录组数据的测试也验证了SpatialPCA的普适性，其聚类结果与实际情况相符。

为了进一步确认SpatialPCA的样本适用性，研究者使用HER2阳性乳腺肿瘤样本进行测试，结果同样表明SpatialPCA在聚类精确性和实际表现上具有更明显的优势。

由于SpatialPCA计算出的空间主成分包含了空间与基因表达信息，因此可以结合一些单细胞转录组分析工具进行后续分析。例如，通过Slingshot对肿瘤组织的空间转录组数据进行轨迹推断，显示出肿瘤区域向周围正常组织的演变轨迹，突显了相关基因在癌症进展及转移中的重要性。

基于SpatialPCA的建模框架，可以在新的空间位置上推断基因表达水平，同时通过低分辨率样本数据构建高分辨率的空间图谱。对肿瘤组织的测试显示，SpatialPCA构建的高分辨率空间图谱具有连续和平滑的特征，精确识别了不同组织区域之间的边界，并细化了肿瘤及免疫区域的关系，体现其在精细结构方面的优势。

总之，SpatialPCA是一种针对空间转录组数据的降维聚类分析工具，适合生物医疗领域的各种应用。如果您手头的空间数据聚类效果不理想，不妨尝试人生就是博-尊龙凯时的SpatialPCA，或许能助您获得更出色的结果。