空间组学技术可以生成丰富但高度复杂的数据集。
2023年2月16日，腾讯人工智能实验室姚建华、复旦大学原致远及美国德州大学张奇伟共同通讯在Nature Methods（IF=48）在线发表题为“SODB facilitates comprehensive exploration of spatial omics data”的研究论文，该研究表明SODB有利于空间组学数据的全面探索。该研究介绍了空间组学数据库(SODB)，这是一个基于Web的平台，提供丰富的数据资源和一套交互式数据分析模块。SODB目前维护着>25空间组学技术的> 2400个实验，这些实验作为与各种计算包兼容的统一数据格式免费访问。
SODB还提供了多个交互式数据分析模块，特别是一个独特的模块，空间组学视图(SOView)。作者进行了全面的统计分析，并使用多个空间组学数据集说明了基本和高级分析模块的效用。该研究用大脑空间转录组数据证明了SOView的实用性，并恢复了已知的解剖结构。该研究进一步描述了相关标记基因的功能组织域，这些标记基因在使用以前的方法分析时被掩盖了。最后，该研究展示了SODB如何有效地促进计算方法的开发。
定量内源性空间背景下的分子剖面可以系统地了解组织组织。近年来，人们见证了各种空间技术的巨大进步，空间转录组学是最发达和应用最广泛的一类技术，可分为基于成像和基于下一代测序(NGS)。虽然能够实现全转录组分析，但经典的基于NGS的空间转录组学固有地存在有限的空间分辨率和低mRNA捕获率。基于成像的空间转录组学与基于NGS的方法具有一些互补优势，例如高空间分辨率和捕获率，但它们在要分析的目标基因数量和视野大小方面都受到限制。在这方面，最近的一些工作，如HDST22, Slide-seqV2和Stereo-seq，已经通过改进各种限制被引入作为潜在的替代方案。空间蛋白质组学(SRHP)是另一类重要的空间技术，主要通过基于抗体的多路成像技术来实现。此外，空间代谢组学、空间基因组学和空间多组学都是新兴的空间技术，越来越受到人们的关注。在文献中，上述所有能够实现多路分析的空间技术都被称为“空间组学”。由于这些技术进步，产生了大量的数据，以促进复杂生物空间生物学的全球研究。由于研究目的和来源不同，这些数据最初存放在不同的存储库平台上。一些数据保存在通用的数据库中，如Gene Expression Omnibus、Zenodo和figshare。大型联盟项目生成的其他数据存储在他们的Web服务器上，例如，人类肿瘤图谱网络(HTAN)用于不同人类癌症的三维(3D)图谱，免疫图谱构建和脑首创细胞普查网络(BICCN)脑细胞类型多组学图谱。商业公司生成的数据有时会作为样本数据集列在他们自己的网站上。这种异构的数据资源和表示方式对于普通研究人员来说，处理和利用工作量大，操作繁琐。SODB促进了计算方法的发展（图源自Nature Methods ）虽然已经提出了几个用于空间数据部署的数据库，并在线提供基本分析模块。然而，它们各自都有缺陷，如用户交互的限制、缺乏细胞类型/组织区域注释或缺乏新发布的数据类型/技术。重要的是，它们只专注于存储空间转录组学数据集，这意味着其他类型的空间组学技术，如空间蛋白质组学、代谢组学、基因组学和多组学数据被忽略了。SODB提供了多种类型的空间组学数据集，数据格式可下载且统一，可直接输入到许多主流分析包中。除了数据，SODB还提供了一套交互式数据探索模块。其中，SOView是SODB的一个关键特性，它可以用于整体组织结构的可视化，并识别一些微妙但重要的局部或亚组织结构。SODB将综合空间组学数据与交互式分析模块集成在一起，通过提供组织水平分子剖面和生物学途径的多面视图，将极大地帮助其用户获得更多的功能见解。
https://www.nature.com/articles/s41592-023-01773-7
