MoSAIC: Multi-Resolution Spatial Regression Analysis of Cellular Colocalizations in Cancer Imaging

Resumen Técnico: MoSAIC – Análisis de Regresión Espacial Multirresolución de Colocalizaciones Celulares en Imágenes de Cáncer

Enunciado del Problema
Las tecnologías de imagen multiplex jerárquica (HMI) generan mediciones de células individuales resolutivas espacialmente a través de múltiples campos de visión (FOV) dentro de especímenes de tumores de pacientes. Esta estructura de datos presenta desafíos analíticos únicos: (1) relaciones espaciales complejas entre células dentro de un solo FOV; (2) dependencias espaciales no ignorables entre FOV dentro del mismo tejido tumoral; y (3) altos grados de heterogeneidad tanto intra-paciente como inter-paciente. Los métodos existentes no abordan conjuntamente esta estructura multirresolución. Los enfoques basados en resúmenes (por ejemplo, K-cross de Ripley, DIMPLE) caracterizan la colocalización dentro de FOV individuales pero ignoran las dependencias espaciales inter-FOV, limitando la escalabilidad. Por el contrario, los enfoques basados en modelos estándar (por ejemplo, modelos de efectos mixtos, modelos autorregresivos condicionales) o bien ignoran las dependencias espaciales entre FOV o dependen de supuestos (por ejemplo, espacios de cuadrícula conformes) que no se cumplen para geometrías tumorales irregulares. En consecuencia, existe una falta de métodos capaces de desentrañar los efectos globales del gradiente tumoral, la variabilidad específica del paciente y la dependencia espacial para recuperar señales biológicas verdaderas en datos de HMI.

Metodología: El Modelo MoSAIC
Los autores proponen MoSAIC (Análisis de Regresión Espacial Multirresolución de colocalizaciones celulares), un modelo de regresión espacial bayesiano jerárquico diseñado específicamente para datos de HMI. El modelo descompone la variación conjunta de los resultados de colocalización celular en tres componentes:

1. Efectos Globales del Gradiente Tumoral ($g(X)$): Modelados utilizando funciones base basadas en splines penalizados para capturar relaciones potencialmente no lineales entre covariables (por ejemplo, niveles de expresión de biomarcadores que representan un gradiente de Transición Epitelial a Mesenquimal (EMT)) y el resultado. Esto permite una estimación flexible de tendencias a nivel de población.
2. Efectos Específicos del Paciente ($\mu_i$): Interceptos aleatorios para cada paciente para tener en cuenta la variabilidad inter-paciente que podría oscurecer los efectos del gradiente global.
3. Efectos Aleatorios Espaciales ($\psi$): Modelados utilizando Procesos Gaussianos (GP) para capturar la dependencia espacial entre FOV dentro de un solo paciente. El GP utiliza un kernel exponencial cuadrado con un parámetro de decaimiento espacial ($\phi$) para definir la correlación como una función de la distancia, asegurando la independencia entre diferentes pacientes.

El modelo se formula como:
$$y(s_{j(i)}) = g(x(s_{j(i)})) + \mu_i + \psi(s_{j(i)}) + \epsilon_{j(i)}$$
donde $y$ representa la métrica de colocalización, $x$ representa las covariables del gradiente tumoral y $\epsilon$ es el error de medición.

Estimación e Inferencia
MoSAIC emplea un algoritmo Metropolis adaptativo robusto para muestrear parámetros de varianza de la distribución posterior marginal. Para abordar problemas de pruebas múltiples inherentes a la estimación de funciones de covariables suavizadas, los autores utilizan bandas creíbles conjuntas para evaluar la significancia global. Además, el modelo facilita la descomposición de la varianza, calculando el Porcentaje de Varianza Explicada (PVE) para gradientes tumorales, diferencias entre pacientes, relaciones espaciales y error de medición.

Resultados Clave

• Estudios de Simulación: En tres escenarios (baja dependencia espacial, alta dependencia espacial y efectos no lineales), MoSAIC demostró un rendimiento superior en comparación con modelos no espaciales, Modelos Aditivos Generalizados (GAM) y modelos espaciales que utilizan efectos Autorregresivos Condicionales (CAR). MoSAIC logró consistentemente un WAIC más bajo (mejor ajuste del modelo), un Error Cuadrático Medio Predictivo (MSPE) más bajo y una cobertura predictiva más precisa (acercándose al 95% nominal). Las ganancias de rendimiento fueron más pronunciadas en configuraciones con fuerte dependencia espacial y efectos de covariables complejos.
• Aplicación en Carcinoma de Células Renales (CCR): Aplicado a una cohorte de 21 pacientes con CCR sarcomatoide (sCCR) y 354 FOV, MoSAIC investigó patrones de colocalización celular a través del gradiente EMT (definido por la expresión de PD-L1 y N-cadherina).
  • PD-L1: El aumento de la expresión de PD-L1 se asoció con un aumento en la colocalización macrófago-tumor y una relación no monótona con la colocalización linfocito T citotóxico-tumor (inicialmente aumentando y luego disminuyendo).
  • N-cadherina (NCAD): Una mayor expresión de NCAD (indicando un fenotipo más mesenquimal) se asoció con una disminución en la colocalización linfocito T citotóxico-tumor, lo que sugiere una reducción en la targeting inmune en regiones agresivas de sCCR.
  • Descomposición de la Varianza: El modelo explicó del 75% al 90% de la variabilidad total del resultado. Los efectos específicos del paciente representaron la mayor parte (29–54%), seguidos por los efectos aleatorios espaciales (11–30%), con PD-L1 y NCAD explicando porciones más pequeñas pero significativas (8–13% y <1–5%, respectivamente).

Significado y Afirmaciones
El artículo afirma que MoSAIC proporciona un marco interpretable y multirresolución para cuantificar efectos espaciales del gradiente tumoral en imágenes de cáncer. Al modelar explícitamente la naturaleza jerárquica de los datos de HMI, el método desentraña con éxito las tendencias biológicas globales del ruido específico del paciente y espacial. Los autores afirman que MoSAIC ofrece una opción metodológicamente fundamentada para analizar datos espaciales multirresolución, llenando una brecha crítica donde los métodos existentes o bien ignoran las dependencias espaciales o no logran acomodar la geometría irregular de los tejidos tumorales. La aplicación a datos de sCCR demuestra la capacidad del modelo para revelar patrones biológicamente significativos, como el compromiso inmune que varía espacialmente asociado con el gradiente EMT, lo cual puede informar estrategias de inmunoterapia. Los autores señalan que el método es computacionalmente eficiente, ajustando modelos en minutos en hardware estándar, y está disponible como software de código abierto.