Adaptive spatial blocking for scalable clustering inference with applications to high-throughput spatial proteomics

Technische Zusammenfassung: Adaptive räumliche Blockbildung für skalierbare Clustering-Inferenz

Problemstellung
Die Analyse räumlicher Punktmuster, insbesondere in der Hochdurchsatz-Spatial-Proteomik, stützt sich stark auf die Ripley-$K$-Funktion, um Clustering zu bewerten. Bestehende $K$-basierte Methoden, einschließlich des kürzlich vorgeschlagenen $KAMP$-Frameworks (Wrobel und Song, 2024), stehen jedoch vor massiven computergestützten Engpässen, wenn sie auf groß angelegten Datensätzen mit Hunderttausenden bis Millionen von Punkten angewendet werden. Traditionelle Permutationstests erfordern $O(n^2)$ Distanzberechnungen, und selbst der analytische momentenbasierte $KAMP$-Ansatz ist zwar schneller, erfordert aber dennoch das Speichern von paarweisen Distanzen für alle Punkte, was zu einem prohibitiven Speicherverbrauch und einer quadratischen Komplexität ($O(n^2)$) führt, sobald die Stichprobengrößen zunehmen. Subsampling-Strategien wie das unabhängige Thinning bieten eine Teillösung, führen jedoch zu einem signifikanten Verlust an räumlicher Information und statistischer Power und lösen das Problem der quadratischen Komplexität nicht grundlegend.

Methodik
Um diese Skalierbarkeitsprobleme anzugehen, schlagen die Autoren B-KAMP (Block-based KAMP) vor, ein Framework zur räumlichen Clustering-Inferenz, das auf einem adaptiven räumlichen Blockbildungsalgorithmus basiert.

1. Adaptiver räumlicher Blockbildungsalgorithmus:
   Der Kern der Methode ist ein Algorithmus, der ein großes Beobachtungsfenster in eine Sammlung disjunkter rechteckiger Blöcke unterteilt. Der Algorithmus operiert in drei Stufen:

   • Gitterrepräsentation: Das Gebiet wird in ein $R \times C$ Gitter diskretisiert, wobei jede Zelle höchstens $\sqrt{n}$ Punkte enthält.
   • Blockidentifikation (Phasen I & II): Unter Verwendung eines histogrammbasierten Ansatzatzes, der vom Problem des „größten Rechtecks in einem Histogramm“ inspiriert ist, identifiziert der Algorithmus iterativ rechteckige Subregionen, die spezifische Bedingungen erfüllen:
     • Mindestgröße: Blöcke müssen mindestens $\sqrt{m}$ Points of Interest (POIs) und eine ausreichende Anzahl an Hintergrundpunkten enthalten, um eine nicht-degenere Permutationsverteilung zu gewährleisten.
     • Aspektverhältnis: Die Blöcke sind durch ein maximales Aspektverhältnis $\rho$ begrenzt, um die statistische Stabilität zu gewährleisten (Vermeidung stark gelängter Formen, die randkorrigierte Schätzer verzerren könnten).
     • Der Algorithм priorisiert die Auswahl von Blöcken mit den geringsten Gesamtpunktzahlen, um die Anzahl der disjunkten Blöcke zu maximieren und die Recheneffizienz aufrechtzuerhalten.
   • Blockkomplement (Phase III): Verbleibende Gitterzellen, die keinerem Block zugewiesen wurden, werden iterativ in benachbarte Blöcke integriert, indem die Blockgrenzen zum minimalen Begrenzungsrechteck erweitert werden, sofern der resultierende Block disjunkt zu anderen bleibt und die Aspektverhältnis-Beschränkungen erfüllt. Dies minimiert den Verlust der räumlichen Abdeckung.

2. Blockbasierter Teststatistik:
   Innerhalb jedes identifizierten Blocks $i$ berechnet die Methode eine standardisierte $K$-Funktionsstatistik $Z_i(r)$ unter Verwendung der analytischen Momente, die aus dem $KAMP$-Framework unter einer bedingten Label-Permutations-Nullverteilung abgeleitet wurden.

   • Die globale Teststatistik $Z(r)$ ist definiert als eine gewichtete Summe der blockweisen Statistiken: $Z(r) = \sum w_i Z_i(r)$.
   • Die Gewichte $w_i$ werden proportional zu $n_i/p_i$ gewählt (wobei $n_i$ die Gesamtzahl der Punkte und $p_i$ die lokale Prävalenz der POIs im Block ist), um Blöcke mit spärlichen Signalen stärker zu gewichten.
   • Unter der bedingten blockweisen Permutations-Nullhypothese beweisen die Autoren, dass $Z(r)$, wenn die Anzahl der Blöcke $b \to \infty$ geht, mittels des Lyapunov-Zentralen Grenzwertsatzes gegen eine Standardnormalverteilung $\mathcal{N}(0,1)$ konvergiert. Dies ermöglicht eine schnelle $p$-Wert-Berechnung ohne empirische Permutationsreplikate.

3. Erweiterung auf bivariate Analyse:
   Das Framework wird erweitert, um die räumliche Kolokalisation zwischen zwei Punkttypen (z. B. Plasmazellen und Makrophagen) unter Verwendung eines bivariaten $K$-Funktionsschätzers zu testen, mit analoger blockweiser Standardisierung und Aggregation.

Kernbeiträge

• Skalierbarer Algorithmus: Die Entwicklung eines $O(RC)$ adaptiven räumlichen Blockbildungsalgorithmus, der effizient gültige rechteckige Blöcke für groß angelegte Punktmuster identifiziert und so die $O(n^2)$ Komplexität vollständiger Fenster-Paarberechnungen vermeidet.
• Statistisches Framework: Die Formulierung eines blockbasierten Clustering-Tests, der lokale Evidenz durch eine gewichtete Summe aggregiert und die asymptotische Normalität für eine schnelle Inferenz nutzt.
• Praktische Implementierung: Die Bereitstellung einer allgemeinen Blockierungsstrategie, die für verschiedene skalierbare räumliche Methoden anwendbar ist, wobei der Code über GitHub zur Verfügung gestellt wird.

Ergebnisse

• Simulationsstudien:

  • Recheneffizienz: B-KAMP skaliert linear mit der Anzahl der Punkte und bleibt für Datensätze mit bis zu 100.000 Punkten praktikabel. Im Gegensatz dazu scheitert das vollständige Fenster-KAMP aufgrund von Speicherbeschränkungen bei $n \ge 40.000$, und thinned KAMP ($KAMP_{0.25}$) bleibt rechenintensiv. B-KAMP ist konsistent die schnellste Methode für große $n$.
  • Statistische Power: Während Full-Window-Methoden im Idealfall die höchste Power erreichen, zeigt B-KAMP eine wettbewerbsfähige Power, insbesondere bei Radien $r \approx 0.15$ (relativ zur Blockgröße). Es übertrifft stark gedünnte Methoden ($KAMP_{0.25}$) und gewährleistet eine valide Kontrolle der Typ-I-Fehlerrate.
  • Robustheit: Die Methode zeigt eine robuste Leistung über variierende Punktabundanzen und Gitterauflösungen hinweg.

• Reale Datenanwendung (Spatial Proteomics):

  • Anwendung auf einen Datensatz von gesundem menschlichem Darmgewebe (ca. 2,6 Millionen Zellen über 65 Bilder).
  • Die Methode detektierte erfolgreich eine starke räumliche Aggregation von Plasmazellen sowie eine signifikante Kolokalisation zwischen Plasmazellen und Makrophagen.
  • B-KAMP lieferte stärkere statistische Evidenz (niedrigere $p$-Werte) als die thinned $KAMP$-Baselines für große Bilder und skalierte vorteilhaft dort, wo Full-Window-Methoden den verfügbaren Speicher überschritten.

Bedeutung und Ansprüche
Das Paper behauptet, dass B-KAMP ein günstiges Gleichgewicht zwischen statistischer Power und Recheneffizienz bietet und somit eine rigorose räumliche Clustering-Inferenz für hochdurchsatz-orientierte Spatial-Proteomics-Daten ermöglicht, die zuvor computergestützt nicht realisierbar war. Die Autoren positionieren die Methode nicht als Ersatz für Full-Window-Verfahren bei kleinen Datensätzen, sondern als notwendige skalierbare Alternative für groß angelegte Bilder, bei denen traditionelle Methoden versagen.

Die Autoren nehmen eine moderate Haltung bezüglich der Limitationen ein:

• Die Methode ist ein bedingter blockweiser Test, was bedeutet, dass sie keine räumlichen Beziehungen über Blockgrenzen hinweg nutzt, was potenziell Clustering-Muster, die über mehrere Blöcke reichen, abschwächt und zu einem gewissen Verlust an Power im Vergleich zu Full-Window-Methoden führen kann.
• Die Leistung hängt von der initialen Gitterauflösung und der gierigen Natur des Blockkomplement-Schritts (Phase III) ab.
• Zukünftige Arbeiten sollen eine datengesteuerte Gitterwahl, globale Optimierung der Blockformen und Erweiterungen auf 3D-Spatial-Daten umfassen.