1. 应用领域与背景
文献英文标题：PreTSA: a computationally efficient method for modeling temporal and spatial gene expression patterns in large-scale single-cell and spatial transcriptomics data；发表期刊：Genome Biology；影响因子：未公开；研究领域：单细胞与空间转录组数据分析
领域共识：单细胞与空间转录组技术的快速发展，为解析细胞异质性与组织空间架构提供了高分辨率工具，但大规模数据的高效分析是当前领域的核心挑战之一。领域发展关键节点：2009年单细胞RNA测序技术首次实现，开启单细胞转录组研究时代；2016年10x Genomics推出商业化单细胞捕获平台，推动数据规模进入万级细胞量级；2019年10x Visium空间转录组平台商业化，实现基因表达的空间定位；近年来，10x Visium HD、Xenium等技术的出现，使数据规模突破百万级细胞/spots。当前研究热点：聚焦于基因表达的时间动态（如细胞发育拟时间分析）和空间异质性（如组织区域特异性表达）解析，核心技术包括广义加性模型（GAM）、拟时间推断算法、空间可变基因识别方法等。未解决的核心问题：现有分析方法（如GAM、PseudotimeDE、nnSVG）在处理百万级大规模数据时，因需对每个基因单独进行复杂计算，导致计算效率极低，常出现超时或内存溢出，无法在合理时间内完成分析，成为大规模单细胞与空间转录组数据挖掘的关键瓶颈。结合领域现状，本研究针对大规模数据的高效分析需求，开发了PreTSA方法，通过共享设计矩阵的创新思路，大幅降低计算复杂度，同时保持分析结果的准确性，为百万级数据的时间和空间基因表达模式解析提供了可行方案。
2. 文献综述解析
作者将现有研究分为时间基因表达模式分析方法和空间基因表达模式分析方法两类，分类维度为技术应用的场景（时间动态/空间异质性）。
现有时间分析方法中，广义加性模型（GAM）是拟时间分析的核心模型，被Monocle、TSCAN、Slingshot等广泛采用，能平滑噪声并拟合基因表达的时间趋势；PseudotimeDE通过重采样和置换策略，提高时间可变基因（TVGs）识别的统计严谨性。空间分析方法中，SpatialDE、SPARK、SPARK-X、nnSVG等能识别空间可变基因（SVGs），其中SPARK-X具备一定的大规模数据处理能力，但无法拟合空间表达模式。现有方法的优势在于能准确捕捉基因表达的时间和空间模式，识别具有生物学意义的可变基因；局限性则突出表现为计算效率低下，例如nnSVG分析数千个基因需耗时一周，GAM处理百万级细胞需70小时以上，PseudotimeDE处理十万级细胞时一周内无法完成计算，且内存占用极高，难以应对当前百万级规模的数据集。
通过对比现有研究的未解决问题，本研究的创新价值凸显：PreTSA首次采用共享设计矩阵（hat矩阵）的策略，将每个基因的拟合计算转化为一次矩阵乘法操作，将计算复杂度从O(mn)降至O(n+m)（m为基因数，n为细胞数），大幅提升计算效率；同时提供PreTSA（无内部节点，最高效率）和PreTSA-K（自动选择节点数，平衡效率与准确性）两种模式，支持时间和空间数据的统一分析，填补了大规模单细胞与空间转录组数据高效解析的技术空白。
3. 研究思路总结与详细解析
本研究的核心目标是开发高效计算方法PreTSA，实现百万级单细胞与空间转录组数据中时间和空间基因表达模式的建模及可变基因的准确识别；核心科学问题为如何在保证分析结果准确性的前提下，突破现有方法的计算瓶颈，处理大规模数据集；技术路线遵循“方法设计→模拟数据验证→真实数据验证→生物学意义解读”的闭环逻辑，通过多维度验证证明PreTSA的性能优势。
3.1 PreTSA方法模型构建
实验目的：设计兼具计算效率与分析准确性的时间和空间基因表达模式建模方法，解决现有方法的计算瓶颈。
方法细节：针对时间基因表达模式，采用B样条拟合拟时间与基因表达的线性关系，构建共享所有基因的设计矩阵，通过预计算hat矩阵（X(X^T X)^{-1}X^T），将每个基因的拟合转化为基因表达矩阵与hat矩阵的乘法操作，无需对每个基因重复计算回归模型；针对空间基因表达模式，采用张量积B样条拟合二维空间位置与基因表达的关系，同样共享设计矩阵；提供两种分析模式：PreTSA默认设置内部节点数K=0，以最高效率完成分析；PreTSA-K通过最小化贝叶斯信息准则（BIC）自动为每个基因选择最优K值，平衡拟合准确性与计算效率；时间可变基因识别支持置换检验（统计严谨）和F检验（高效）两种方式，空间可变基因识别采用F检验。
结果解读：数学推导与模拟验证表明，共享设计矩阵的策略可将计算时间从与基因数和细胞数的乘积成正比，降至与基因数和细胞数的和成正比，大幅减少计算量和内存占用；PreTSA-K通过BIC选择的K值能有效捕捉基因表达的复杂模式，拟合结果与GAM高度一致；方法支持与现有单细胞分析框架（如Seurat、Monocle）集成，具备良好的兼容性。
产品关联：文献未提及具体实验产品，领域常规使用R语言及相关生物信息学包（如mgcv、Seurat等）。
3.2 模拟数据验证计算效率与准确性
实验目的：系统验证PreTSA在不同规模数据集下的计算效率，以及与现有方法的分析结果一致性。
方法细节：基于人类外周血单个核细胞（PBMC）单细胞转录组数据，生成包含1千至3百万细胞的模拟数据集，对比PreTSA、PreTSA-K与两种GAM实现（TSCAN-GAM、Monocle-GAM）的时间模式拟合时间，以及与PseudotimeDE的时间可变基因识别时间；基于人类心脏Visium空间转录组数据，生成包含1千至2百万spots的模拟数据集，对比PreTSA与GAM、SpatialDE、SPARK、SPARK-X、nnSVG的空间模式拟合及可变基因识别时间；采用scDesign3生成带真实标签的模拟数据，通过精确召回曲线下面积（AUPRC）评估方法的准确性；生成零模拟数据集（拟时间/空间位置随机置换），评估假阳性率。
结果解读：处理1百万细胞（n=1000000）时，两种GAM实现均需70小时以上，而PreTSA仅需2分钟，PreTSA-K耗时与PreTSA接近，仍远快于GAM；处理3百万细胞（n=3000000）时，GAM一周内无法完成计算，PreTSA仅需3分钟；识别时间可变基因时，PseudotimeDE处理10万细胞（n=100000）一周内无法完成，PreTSA仅需1.2小时；空间数据处理1百万spots（n=1000000）时，GAM需68.3小时，PreTSA仅需7分钟；在scDesign3模拟数据中，PreTSA的AUPRC与现有方法相当甚至更高，零模拟数据中假阳性率极低，表明方法在保证计算效率的同时，保持了分析结果的准确性。
产品关联：文献未提及具体实验产品，领域常规使用R语言及scDesign3、PRROC等生物信息学包。
3.3 真实单细胞转录组数据验证
实验目的：验证PreTSA在真实单细胞数据中的分析结果准确性与生物学意义。
方法细节：在人类PBMC单细胞转录组数据中，对比PreTSA-K与TSCAN-GAM的拟合曲线相关性，以及与PseudotimeDE的时间可变基因识别结果的一致性；在小鼠胰腺单细胞转录组数据（包含4条内分泌细胞发育分支）中，验证PreTSA的计算效率及结果的生物学合理性；采用topGO包对识别的时间可变基因进行基因本体（GO）富集分析，解析其功能意义。
结果解读：PBMC数据中，PreTSA-K与TSCAN-GAM拟合曲线的皮尔逊相关系数中位数超过0.9（针对拟合曲线标准差大于0.01的基因），时间可变基因的重叠率在top差异基因中约为80%，基因排名的皮尔逊相关系数达0.75；GO富集分析显示，识别的时间可变基因主要富集于记忆T细胞激活相关功能（如MHC蛋白复合物组装、白细胞介素-7应答），IL32、S100A4、RPL32等基因的拟合曲线符合已知的T细胞激活与静息过程的表达动态；小鼠胰腺数据中，PreTSA处理beta细胞分支仅需8分钟，而PseudotimeDE需7.3小时，识别的时间可变基因富集胰岛素代谢、信号肽加工等通路，Neurog3、Chga等基因的拟合曲线准确反映了内分泌细胞发育的表达模式。
产品关联：文献未提及具体实验产品，领域常规使用R语言及TSCAN、topGO等生物信息学包。
3.4 真实空间转录组数据验证
实验目的：验证PreTSA在不同技术平台空间转录组数据中的适用性、计算效率与结果准确性。
方法细节：在人类心脏Visium、小鼠嗅球HDST、人类结直肠癌Visium HD、人类肺癌Xenium四种不同技术平台的空间转录组数据中，对比PreTSA与现有方法的计算效率、拟合表面的相关性、可变基因识别结果的一致性；采用topGO包对识别的空间可变基因进行GO富集分析，解析其功能意义。
结果解读：所有空间数据中，PreTSA均能在分钟级完成分析（如Xenium数据仅需1分钟，Visium HD数据需30分钟），而其他方法要么超时要么因内存溢出无法完成；PreTSA-K与GAM拟合表面的皮尔逊相关系数中位数超过0.85（针对拟合表面标准差大于0.01的基因）；空间可变基因的重叠率在top差异基因中约为80%，基因排名的皮尔逊相关系数达0.74以上；GO富集分析显示，识别的空间可变基因与各组织的核心功能相关，如心脏数据富集肌节组织、心脏收缩调节功能，结直肠癌数据富集抗菌体液应答、胶原纤维组织功能；MYH7、ACTA1、MUC2、EPCAM等基因的拟合空间模式准确反映了其在组织中的特异性分布。
产品关联：文献未提及具体实验产品，领域常规使用R语言及Seurat、topGO等生物信息学包。
4. Biomarker研究及发现成果解析
本研究涉及的Biomarker包括时间可变基因（TVGs）和空间可变基因（SVGs）两类，时间可变基因的筛选与验证逻辑为：基于拟时间推断结果，通过PreTSA拟合基因表达的时间模式，采用置换检验或F检验识别具有统计学意义的可变基因，经模拟数据验证准确性后，在真实单细胞数据中验证其生物学功能；空间可变基因的筛选与验证逻辑为：基于空间位置信息，通过PreTSA拟合基因表达的空间模式，采用F检验识别具有统计学意义的可变基因，经模拟数据验证准确性后，在不同技术平台的真实空间数据中验证其空间分布与生物学意义。
时间可变基因来源于人类PBMC和小鼠胰腺的单细胞转录组数据，验证方法包括拟时间拟合曲线相关性分析、可变基因重叠率分析、GO富集分析；在PBMC数据中，识别的时间可变基因与记忆T细胞激活相关，其中IL32基因的拟合曲线呈线性上升趋势（与T细胞激活过程一致），S100A4基因表达随拟时间递增（与T细胞迁移功能相关），RPL32基因表达随拟时间递减（与静息记忆状态的核糖体生物合成降低一致）；统计学结果显示，PreTSA-K与TSCAN-GAM拟合曲线的皮尔逊相关系数中位数>0.9（文献未明确样本量，基于图表趋势推测），可变基因排名相关性达0.75（n=10509，P<0.05）。空间可变基因来源于人类心脏、小鼠嗅球、人类结直肠癌、人类肺癌的空间转录组数据，验证方法包括空间拟合表面相关性分析、可变基因重叠率分析、GO富集分析；在心脏数据中，MYH7基因在组织左侧的表达显著高于右侧（Wilcoxon秩和检验P<0.05，n=4247），拟合空间模式准确反映了该区域特异性；在结直肠癌数据中，MUC2基因在上皮杯状细胞区高表达，COL1A1基因在基质区高表达，CEACAM6基因在恶性腺体区高表达；统计学结果显示，PreTSA-K与GAM拟合表面的皮尔逊相关系数中位数>0.85（文献未明确样本量，基于图表趋势推测），可变基因排名相关性达0.74以上（n=11953，P<0.05）。
时间可变基因的功能关联主要集中于细胞发育与激活过程，如PBMC数据中的记忆T细胞激活、小鼠胰腺数据中的内分泌细胞发育，部分基因（如Neurog3）是细胞命运决定的关键调控因子；空间可变基因的功能关联与组织区域特异性功能一致，如心脏的心肌收缩、肺癌的上皮细胞恶性转化；创新性在于首次在百万级大规模数据中高效识别具有生物学意义的时间和空间可变基因，同时保持与现有方法一致的准确性，为大规模单细胞与空间转录组数据的Biomarker挖掘提供了可行工具；统计学结果方面，时间可变基因识别的AUPRC在scDesign3模拟数据中与现有方法相当（文献未明确具体数值，基于图表趋势推测），空间可变基因识别的AUPRC同样与现有方法相当，零模拟数据中假阳性率极低（FDR≤0.05的基因占比接近0）。