細胞軌跡分析
該分析可用于解析細胞變化軌跡，指的是細胞沿著某個過程有特定化的變化終點，變化過程類似復雜樹狀分支變化過程。以不同的細胞亞群為分類可以得到以下結果：
結合已有認知，通過函數繪制擬時間軌跡圖，從而確定軌跡路線：
細胞間配體受體互作預測
細胞間的互作交流是實現組織功能的基礎。利用各細胞亞群間受體與配體的表達情況來對相互作用進行評分，以預測不同細胞間的配體受體互作交流情況。結果如圖：
細胞核心生物學功能富集
通過單細胞基因集分析方法，用不同功能基因集， 來實現對單細胞的細胞功能富集，并對細胞集群進行分析和可視化展示，結果如圖：
SCENIC分析尋找驅動基因
SCENIC分析（Single-Cell Regulatory Network Inference And Clustering）是對單細胞數據中的轉錄因子（Transcription Factors， TFs）進行研究，篩選得到調控強度顯著、處于核心作用的轉錄因子。在腫瘤學中，SCENIC分析可以幫助找到與腫瘤發生發展相關的關鍵“驅動基因（Driver）”，為探究其發病機制奠定基礎。
為了研究單細胞/空間轉錄組數據中與時空和疾病依賴的共表達模式，對所有來源數據用于統計模型計算。首先計算出所有基因對應所有 cell/spot 基因間的pearson 相關系數，得到相關性矩陣。接下來利用層級聚類對相關矩陣在基因間相似共表達模塊分組，并對模塊的核心基因及其功能進行分析。
單細胞轉錄組與空間轉錄組聯合分析
使用與空間轉錄組來源相同或者相近的單細胞轉錄組數據，對空間中每個Spot中的細胞類型進行推測，最后會推測出空間轉錄組中的每個Spot對應單細胞細胞類型。
示例：
單細胞轉錄組細胞分群結果如下圖所示：
使用與空間轉錄組來源相同或者相近的單細胞轉錄組數據，對空間中每個Spot中的細胞類型進行推測，最后會推測出空間轉錄組中的每個Spot對應單細胞細胞類型。
