各位看官大家好！新一期空間代謝組Q&A來了！在上一期中，我們介紹了空間代謝組學的數據處理方式（點擊閱讀）。這一期，我們將為大家解析空間代謝組學的常見分析內容和數據清洗策略。
*以下內容均基于SCILSTM Lab分析軟件實現。
Q1 主要分析內容有哪些？
1. 空間聚類分析(Segmentation)
空間聚類分析的本質是一張空間聚類分析的熱圖，通過聚類算法后，對有相似代謝模式的區域使用同一種顏色標注，清晰直觀的從分子層面對切片進行區域分型。完成整張切片分析后，還可以針對關注區域，進一步進行多次聚類分析，發現更多獨特區域。
深度空間代謝組學空間聚類分析熱圖
應用案例：
揭示腫瘤內部代謝存在異質性（藍色與白色區域）
Cancer Research（點擊閱讀）
2. 代謝物分子成像
針對單個代謝物分子進行分析，獲取其在空間分布和表達量的熱圖。在圖片中，顏色越紅代表該代謝物表達量越高，顏色越藍代表該代謝物表達量越低。
深度空間代謝組學代謝物分析成像圖
應用案例：
代謝物在不同進展的前列腺腫瘤中空間分布與含量有明顯差異
Molecular Cancer Research（點擊閱讀）
Q2 如何進行數據清洗以發現關鍵代謝物分子？
1. ROC分析
SCILSTM Lab集成機器學習算法，以目標區域中代謝物的濃度和分布情況進行ROC分析，輸出代謝物排名List，通常排名靠前的代謝物對差異的影響較大，可進一步通過分子成像圖進行確認。
代謝物ROC分析展示
2. 代謝物分子空間共定位
空間共定位分析是一種代謝物的空間相關性分析，選擇一種目標代謝物后，進行空間相關性計算，輸出與目標代謝物空間表達趨勢一致的代謝物List，可以幫助開展對該區域中代謝物表達模式和代謝網絡的分析工作。
代謝物空間共定位分析概念展示
3. 代謝物統計學差異分析及生物信息學分析
本部分分析內容與常規代謝組學一致，主要針對代謝物含量開展單維與多維統計學分析、KEGG通路分析、表達量相關性分析、聚類熱圖、代謝物分類等分析。在空間代謝組學中，該分析目標是指定區域或者切片，當選擇好目標區域后，通過算法整合區域中的代謝物含量后，開展后續分析。
深度空間代謝組學統計學差異分析展示
中科優品推薦
深度空間代謝組學：
· MALDI 2離子化策略—檢測更靈敏、覆蓋更全面；
· 離子淌度分離—離子利用更高效、鑒定更準確
