2023年11月，在Nucleic Acids Research上发表题为“Probabilistic cell/domain-type assignment of spatial transcriptomics data with SpatialAnno”的研究论文。该研究基于马尔可夫随机场和高维因子模型的联合建模，并整合先验的标记基因信息，开发了高效的空间标注方法SpatialAnno，不仅能以更高的精度执行空间细胞/域类型标注，而且还能估计细胞/域类型感知的嵌入，以方便下游分析，在各种组织类型和分辨率的SRT数据上具有普适性。
该研究通过高斯混合分布整合先验的标记基因信息、高维因子模型克服高维非标记基因信息的维数灾难问题，并利用马尔可夫随机场刻画细胞标签的空间分布特征。通过引入自适应的空间光滑参数，允许模型精确地刻画不同组织结构细胞类型的空间分布特征。
通过大量模拟实验和分析来自不同SRT技术、不同组织区域的实际数据集，该研究论证了SpatialAnno的优势：使用SpatialAnno对12个人类背外侧前额叶( DLPFC )样本的10x Visium数据集进行分析，展示改进后的空间标注精度;分析利用ST技术的小鼠嗅球( OB )数据集，说明SpatialAnno在利用无标识基因方面的有效性；利用小鼠海马的Slide-seqV1/2数据集，证明了SpatialAnno可以在近细胞分辨率上正确识别细胞类型分布;通过小鼠胚胎的seqFISH数据集验证了SpatialAnno估计低维嵌入的有效性。