CGM第499期：对 34 种从空间转录组数据中检测空间可变基因的计算方法进行分类
空间可变基因的检测结果为何难以直接比较？报告梳理34种计算方法，区分整体、细胞类型特异和空间域标记三类目标，帮助读者根据科学问题理解检验假设与基准比较。
李婧翌
加州大学洛杉矶分校统计与数据科学系 · 教授
加州大学洛杉矶分校（UCLA）统计与数据科学系教授，同时兼任生物统计学、计算医学和人类遗传学系的教授。她在加州大学伯克利分校获得博士学位，在清华大学获得学士学位，并领导 UCLA 统计与生物学交汇研究组（Junction of Statistics and Biology）。李教授的研究重点是为生物医学数据开发可解释的统计方法，包括量化中心法则、从转录组数据中提取隐藏信息，以及通过合成阴性对照确保数据分析的统计严谨性。她的研究成果在计算生物学和统计学领域受到广泛认可，并获得多个重要奖项，包括NSF CAREER 奖、斯隆研究奖、ISCB Overton 奖和COPSS 新兴领导者奖。
在空间转录组数据的分析中，检测空间可变基因（SVGs）是一个重要的分析步骤。目前已有众多计算方法，但由于不同的 SVG 定义和检测方法，导致结果难以直接比较。本研究综述了 34 种方法，并将 SVG 分为三类：整体 SVG（overall SVG）、细胞类型特异性 SVG（cell-type-specific SVG）和空间域标记 SVG（spatial-domain-marker SVG）。文章阐述了这些方法的基本原理，总结了它们的应用，并归纳了各方法在 SVG 检测中对通用性与特异性权衡所采用的假设检验策略。此外，我们探讨了 SVG 检测的挑战，并提出了未来改进方向。本综述为方法开发者、基准测试者和用户提供了指导，并倡导基于不同类别的基准测试，以提高方法的可比性和适用性。
参考文献
- Guanao Yan, Shuo Harper Hua, Jingyi Jessica Li. Categorization of 34 computational methods to detect spatially variable genes from spatially resolved transcriptomics data. Nature Communications. 2025;16(1):1141. DOI: 10.1038/s41467-025-56080-w
评论（0）
登录后即可发表评论。
登录暂无评论，来发表第一条评论吧！