小柯机器人

美国麻省理工学院和哈佛大学Broad研究所Aviv Regev，Sanja Vickovic和Denis Schapiro共同合作，近期取得重要工作进展。他们研究开发了用于空间组学的组织生成计算模拟和功效分析方法。相关研究成果2023年3月2日在线发表于《自然—方法学》杂志上。

据介绍，随着RNA和蛋白质的空间分辨多重谱变得更加突出，在设计和解释此类实验时，了解可用于测试特定假设的统计能力变得越来越重要。理想情况下，可以创建一个预言器，预测广义空间实验的采样要求。然而，未知数量的相关空间特征和空间数据分析的复杂性使这一工作具有挑战性。

研究人员列举了在设计适当的空间组学研究时应该考虑的多个感兴趣的参数。他们引入了一种用于可调谐计算模拟组织（IST）生成方法，并将其与空间分析数据集一起用于构建空间功效分析的探索性计算框架。

最后，研究人员证明，这一框架可以应用于不同的空间数据模式和感兴趣的组织。虽然研究人员是在空间功效分析的背景下演示IST，但这些模拟组织还有其他潜在的使用案例，包括空间方法基准测试和优化。

附：英文原文

Title: In silico tissue generation and power analysis for spatial omics

Author: Baker, Ethan A. G., Schapiro, Denis, Dumitrascu, Bianca, Vickovic, Sanja, Regev, Aviv

Issue&Volume: 2023-03-02

Abstract: As spatially resolved multiplex profiling of RNA and proteins becomes more prominent, it is increasingly important to understand the statistical power available to test specific hypotheses when designing and interpreting such experiments. Ideally, it would be possible to create an oracle that predicts sampling requirements for generalized spatial experiments. However, the unknown number of relevant spatial features and the complexity of spatial data analysis make this challenging. Here, we enumerate multiple parameters of interest that should be considered in the design of a properly powered spatial omics study. We introduce a method for tunable in silico tissue (IST) generation and use it with spatial profiling data sets to construct an exploratory computational framework for spatial power analysis. Finally, we demonstrate that our framework can be applied across diverse spatial data modalities and tissues of interest. While we demonstrate ISTs in the context of spatial power analysis, these simulated tissues have other potential use cases, including spatial method benchmarking and optimization.

DOI: 10.1038/s41592-023-01766-6

Source: https://www.nature.com/articles/s41592-023-01766-6

Nature Methods：《自然—方法学》，创刊于2004年。隶属于施普林格·自然出版集团，最新IF：47.99
官方网址：https://www.nature.com/nmeth/
投稿链接：https://mts-nmeth.nature.com/cgi-bin/main.plex