空间组学（spatial omics）是一门新兴的生物医学研究领域，致力于解析生物组织或细胞在空间尺度上的组学信息。传统的组学技术，如转录组学、蛋白组学和代谢组学，为我们提供了丰富的信息，但这些技术往往会丧失样本的空间信息。而空间组学旨在弥补这一缺陷，它可以揭示细胞和组织在空间布局上的异质性，为我们提供更为完整的生物学视角。当前，空间组学已经被广泛应用于临床医学、肿瘤学、药学和环境毒理学等领域。

由于空间组学数据中往往会出现信噪比差、空间分辨率低及缺乏数据集等问题，数据分析成为空间组学研究中的一项重要内容。如图1为空间组学数据分析的常见步骤。当前，针对空间组学的数据分析，我们组主要开设了下研究方向：

1. 空间分割。空间组学可以揭示组织中的不同细胞群体在生物组织中的空间分布，开发有效的空间分割方法准确定义组织边界对于了解组织功能、疾病进展和疾病治疗等至关重要。

2. 提高空间分辨率。空间组学方法受限于理论发展的滞后，难以达到预期的空间分辨率。结合空间组学与传统显微镜成像进行多模态研究，有望在单细胞乃至亚细胞的空间尺度上检测和定量特定的生物分子。

3. 批次矫正。空间组学数据中的批次效应会掩盖真正的生物学变化，并可能导致误导性的解释。有效的批次矫正对于确保数据一致性，提高数据解释性、复现性和避免误导性结论至关重要。

我们小组将致力于开发高效的空间组学数据分析算法，建立可靠的数据分析流程，并构建完善的空间组学数据分析软件，为拓宽空间组学的应用研究提供更为准确和高效的分析策略。

图1 常用的空间组学分析流程^[1]

[1] Dario Bressan, Giorgia Battistoni, Gregoru J. Hannon*. The dawn of spatial omics. Science, 381,499, 2023.