空间转录组学（Spatially Resolved Transcriptomics, SRT）技术近年来迅速发展，使研究人员能够在组织切片中高通量解析二维空间位置上的转录组信息。SRT 技术的空间分辨率决定了这些空间位置可对应于单个细胞或多个细胞。SRT 数据能够揭示基因的空间表达模式和组织的细胞组织结构，为理解生物组织的空间异质性提供了关键的分子层面信息【1】。类似于单细胞 RNA 测序（scRNA-seq）数据分析中识别的高变化基因（Highly Variable Genes, HVGs），SRT 数据分析的初始步骤通常涉及空间变化基因（Spatially Variable Genes, SVGs）的识别。SVG 可视为 HVG 在空间维度上的扩展，其表达水平呈现非随机的空间模式，可能反映组织结构及生物学功能。目前，已有 34 种经过同行评审发表的计算方法用于识别 SVG，但这些方法对 SVG 的定义尚无统一标准，导致不同方法识别的基因在生物学意义上存在差异。这种定义的不一致性可能导致计算方法的误用和误解，并影响不同方法的比较和评价的公平性。为填补这一空白，2025 年 1 月 29 日，加州大学洛杉矶分校（UCLA）的李婧翌教授团队在 Nature Communications 发表了题为 Categorization of 34 computational methods to detect spatially variable genes from spatially resolved transcriptomics data 的研究论文。在文章中，作者系统总结了这 34 篇同行评审的 SVG 识别方法（图2），并首次将 SVG 归纳为三大类别（图3）：整体SVG（overall SVG）、细胞类型特异性SVG（cell-type-specific SVG）和空间区域标记SVG（spatial-domain-marker SVG）。本综述首次探讨了这三类 SVG 的生物学意义，总结了其中 23 种方法所采用的统计假设检验，并讨论了现有方法的局限性及未来改进方向。34 种 SVG 识别方法的发表时间轴，其中颜色表示三类 SVG：整体 SVG（绿色）、细胞类型特异性 SVG（红色）和空间区域标记 SVG（紫色）。
三类 SVG 识别方法适用于不同的分析和研究目标（图 3）。整体 SVG（overall SVG）识别用于筛选具有显著空间信息的基因，并排除缺乏空间特征的基因，以支持后续分析，如空间区域识别（spatial domain identification）和功能基因模块解析（functional gene module analysis）。细胞类型特异性 SVG（cell-type-specific SVG）识别旨在揭示同一细胞类型内部的空间变化，以识别细胞类型的空间亚群或不同的空间状态。空间区域标记 SVG（spatial-domain-marker SVG）识别用于发现特定空间区域的标记基因，以便对该区域进行解释和注释。这些标记基因不仅有助于揭示空间区域的分子机制，还能用于在其他组织切片中识别相应的空间区域。SVG 分类的概念可视化：整体 SVG、细胞类型特异性 SVG 和空间区域标记 SVG。左侧示意图展示了包含两种细胞类型和三个空间区域的组织切片。右侧示意图依次展示了整体 SVG、细胞类型特异性 SVG 和空间区域标记 SVG 的示例基因，其表达水平以颜色深浅表示。
三类 SVG 之间的关系取决于识别方法，特别是所采用的零假设和备择假设（null and alternative hypotheses）。如果某种整体 SVG 识别方法的零假设为基因表达与空间位置无关，而备择假设为任何程度的偏离独立性，则该方法识别出的整体 SVG 理论上应包含细胞类型特异性 SVG 和空间区域标记 SVG。然而，如果该方法的备择假设是某种特定的空间表达模式，则其识别结果可能不包括某些细胞类型特异性 SVG 或空间区域标记 SVG。对于具备统计学背景的读者，作者在“基于频率统计假设检验的 SVG 识别方法的理论分析（Theoretical characterization of SVG detection methods that use frequentist hypothesis tests）”一节中，详细探讨了 23 种 SVG 识别方法的统计检验原理。根据零假设的类型，作者将这些方法归纳为三类：非独立性检验（dependence tests）、固定效应回归检验（regression fixed-effect tests）和随机效应回归检验（regression random-effect tests，又称方差分量检验 variance component tests）。截至目前，非独立性检验和随机效应回归检验仅用于整体 SVG 识别，而固定效应回归检验已被应用于所有三类 SVG 识别。此外，本文作者系统性分析了现有 SVG 识别方法在识别能力（power）、特异性（specificity）和可扩展性（scalability）方面的比较优势与权衡。作者还提出了两个未来研究方向，以推动 SVG 识别方法的发展：（1）优化方法以适应不同 SRT 技术和组织类型的差异，并扩展对多样本 SRT 数据的支持；（2）提高统计严谨性和方法验证框架，以确保识别结果的可靠性和可重复性。最后，作者总结了当前方法比较研究（benchmarking study）的局限性，并提出改进建议，以指导未来更全面和准确的比较研究。李婧翌教授（加州大学洛杉矶分校，UCLA）是该论文的通讯作者，博士研究生闫冠傲（加州大学洛杉矶分校，UCLA）是该论文的第一作者，硕士研究生花硕（斯坦福大学，Stanford University）是该论文的共同作者。https://www.nature.com/articles/s41467-025-56080-w制版人：十一
1. https://www.nature.com/articles/s41592-020-01033-y
BioART战略合作伙伴
（*排名不分先后）
转载须知
【非原创文章】本文著作权归文章作者所有，欢迎个人转发分享，未经作者的允许禁止转载，作者拥有所有法定权利，违者必究。
![]()
