责编 | 兮

2020年1月27日，美国密歇根大学、生物统计系周翔副教授课题组（https://www.xzlab.org；孙世权博士为第一作者，朱佳强为共同第一作者）在Nature Methods杂志上发表方法研究型长文“Statistical analysis of spatial expression patterns for spatially resolved transcriptomic studies”，提出了一种空间转录组数据模式表达基因识别的新方法SPARK。

该方法利用广义线性混合模型直接对空间转录组测序的原始数据（Counts）进行建模，通过惩罚拟似然（Penalized Quasi-Likelihood）、限制性最大似然估计方法(Restricted Maximum Likelihood, REML)对该模型进行求解，采用了一种新的统计量整合规则（Cauchy Combination Rule）来计算统计P值。相比近期提出的SpatialDE和trendsceek这两个方法，SPARK直接对测序原始数据建模（Count-Based），避免对counts数据标准化带来的信息损失；能有效地控制第一类错误（Type I Error），避免对假阳性模式表达基因的甄别; 具有较高的统计检验效能（Statistical Power），避免一些与性状相关的模式表达基因的丢失。SPARK所分析的空间转录组数据不依赖于测序技术本身，该模型能考虑细胞大小（Cell Size）对基因表达水平的影响，能控制在实验过程中不期望的混杂因素或批次效应（Cofounding Factors or Batch Effects）对模式表达基因识别的影响，是空间转录组测序数据一个快速、有效的分析工具。

本文通过设计大量的仿真实验(Simulations)评估SPARK模型与算法的有效性和优劣性，通过四个公开实例数据验证模型与算法的实用性。四个实例数据来自不同的物种、组织（小鼠嗅球，人类乳腺癌，小鼠下丘脑和小鼠海马），来自三种不同的空间转录组测序技术（Spatial Transcriptomics, seqFISH和MERFISH）。以人类乳腺癌为例，SPARK识别的差异表达基因是SpatialDE的三倍多，多识别的这些基因本文通过三种不同的方式验证其生物意义，验证结果显示其与人类乳腺癌疾病呈强相关性。例如基因ERBB2（P value = 2.9x10-6）, HLA-B（P value = 5.6x10-17）EEF1A1（P value = 3.0x10-17）等。

总之，本文提出了一个快速、有效的新方法SPARK，通过数值模拟和实例分析表明该方法可以很好地控制第一类错误且具有较高的统计功效。SPARK的R软件包可以从Zhou Lab网站https://www.xzlab.org/software.html 或 CRAN 下载、安装；R软件安装方法及示例数据分析详细说明文档见网站https://xzhoulab.github.io/SPARK ；本文测试的实例数据，实验分析代码可从网站https://github.com/xzhoulab/SPARK-Analysis 下载。

---

博士后招聘

另外，周翔老师课题组目前有一个博士后职位，该职位侧重于开发用于全基因组关联研究或功能基因组测序研究中的高维生物学数据的统计方法和计算工具。感兴趣的申请者可发简历（CV）至邮箱[email protected]。

一、招聘研究方向但不限于

1．单细胞测序数据的建模、分析与研究

2．亚硫酸氢盐测序，RNA-seq或其他功能基因组学测序研究中的差异表达分析

3．利用基因型或测序数据估计SNP遗传力和表型预测

4．利用基因型，基因表达和其它组学数据进行整合分析

二、应聘条件

1、具有统计学、应用数学、计算机、自动化、生物信息学等研究背景

2、以第一作者身份在国际重要学术刊物上发表过研究论文，并且具有较强的英文写作与阅读能力

3、具有良好的沟通能力和团队协作精神，努力勤奋，身心健康，乐观向上

原文链接：

https://www.nature.com/articles/s41592-019-0701-7