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

Resumen Técnico: Bloqueo Espacial Adaptativo para la Inferencia de Agrupamiento Escalable

Planteamiento del Problema
El análisis de patrones de puntos espaciales, particularmente en la proteómica espacial de alto rendimiento, depende en gran medida de la función $K$ de Ripley para evaluar el agrupamiento (clustering). Sin embargo, los métodos existentes basados en $K$, incluido el marco $KAMP$ propuesto recientemente (Wrobel y Song, 2024), enfrentan cuellos de botella computacionales severos cuando se aplican a conjuntos de datos a gran escala que contienen cientos de miles o millones de puntos. Las pruebas de permutación tradicionales requieren cálculos de distancia de $O(n^2)$, e incluso el enfoque analítico basado en momentos de $KAMP$, aunque es más rápido, aún demanda el almacenamiento de distancias por pares para todos los puntos, lo que conduce a un uso prohibitivo de la memoria y una complejidad computacional cuadrática ($O(n^2)$) a medida que aumentan los tamaños de muestra. Las estrategias de submuestreo, como el adelgazamiento independiente (independent thinning), ofrecen una solución parcial pero resultan en una pérdida significativa de información espacial y potencia estadística, al no resolver fundamentalmente la complejidad cuadrática.

Metodología
Para abordar estos desafíos de escalabilidad, los autores proponen B-KAMP (Block-based KAMP), un marco de inferencia de agrupamiento espacial construido sobre un algoritmo de bloqueo espacial adaptativo.

1. Algoritmo de Bloqueo Espacial Adaptativo:
   El núcleo del método es un algoritmo que particiona una ventana de observación grande en una colección de bloques rectangulares disjuntos. El algoritmo opera en tres etapas:

   • Representación de Cuadrícula: El dominio se discretiza en una cuadrícula de $R \times C$ donde cada celda contiene como máximo $\sqrt{n}$ puntos.
   • Identificación de Bloques (Fases I y II): Utilizando un enfoque basado en histogramas inspirado en el problema del "rectángulo más grande en un histograma", el algoritmo identifica iterativamente subregiones rectangulares que satisfacen restricciones específicas:
     • Tamaño Mínimo: Los bloques deben contener al menos $\sqrt{m}$ puntos de interés (POIs) y una cantidad suficiente de puntos de fondo para asegurar una distribución de permutación no degenerada.
     • Relación de Aspecto: Los bloques están restringidos por una relación de aspecto máxima $\rho$ para asegurar la estabilidad estadística (evitando formas altamente elongadas que sesgan los estimadores con corrección de borde).
     • El algoritmo prioriza la selección de bloques con los conteos de puntos totales más pequeños para maximizar el número de bloques disjuntos y mantener la eficiencia computacional.
   • Complemento de Bloque (Fase III): Las celdas de la cuadrícula residuales no asignadas a los bloques se fusionan iterativamente en bloques adyacentes mediante la expansión de los límites de los bloques hacia el rectángulo delimitador mínimo, siempre que el bloque resultante permanezca disjunto de otros y cumpla con la restricción de la relación de aspecto. Esto minimiza la pérdida de cobertura espacial.

2. Estadístico de Prueba Basado en Bloques:
   Dentro de cada bloque identificado $i$, el método calcula un estadístico de la función $K$ estandarizado $Z_i(r)$ utilizando los momentos analíticos derivados del marco $KAMP$ bajo una distribución nula de permutación de etiquetas condicional.

   • El estadístico de prueba global $Z(r)$ se define como una suma ponderada de los estadísticos a nivel de bloque: $Z(r) = \sum w_i Z_i(r)$.
   • Los pesos $w_i$ se eligen proporcionales a $n_i/p_i$ (donde $n_i$ es el total de puntos y $p_i$ es la prevalencia local de POIs en el bloque) para dar mayor peso a los bloques con señales dispersas.
   • Bajo la permutación nula de bloque condicional, los autores demuestran que a medida que el número de bloques $b \to \infty$, el estadístico global $Z(r)$ converge en distribución a una distribución normal estándar $\mathcal{N}(0,1)$ a través del Teorema del Límite Central de Lyapunov. Esto permite el cálculo rápido de valores $p$ sin necesidad de réplicas de permutación empíricas.

3. Extensión al Análisis Bivariante:
   El marco se extiende para probar la colocalización espacial entre dos tipos de puntos (por ejemplo, células plasmáticas y macrófagos) utilizando un estimador de la función $K$ bivariante, con una estandarización y agregación de nivel de bloque análogas.

Contribuciones Clave

• Algoritmo Escalable: El desarrollo de un algoritmo de bloqueo espacial adaptativo $O(RC)$ que identifica eficientemente bloques rectangulares válidos para patrones de puntos a gran escala, evitando la complejidad de $O(n^2)$ de los cálculos de pares de ventana completa.
• Marco Estadístico: La formulación de una prueba de agrupamiento basada en bloques que agrega evidencia local a través de una suma ponderada, aprovechando la normalidad asintótica para una inferencia rápida.
• Implementación Práctica: La provisión de una estrategia de bloqueo de propósito general aplicable a varios métodos espaciales escalables, con el código disponible vía GitHub.

Resultados

• Estudios de Simulación:

  • Eficiencia Computacional: B-KAMP escala linealmente con el número de puntos y sigue siendo factible para conjuntos de datos con hasta 100,000 puntos. En contraste, el $KAMP$ de ventana completa falla debido a las restricciones de memoria en $n \ge 40,000$, y el $KAMP$ con adelgazamiento ($KAMP_{0.25}$) sigue siendo computacionalmente costoso. B-KAMP es consistentemente el método más rápido para $n$ grandes.
  • Potencia Estadística: Aunque los métodos de ventana completa generalmente alcanzan la mayor potencia cuando son factibles, B-KAMP demuestra una potencia competitiva, particularmente en radios $r \approx 0.15$ (relativo al tamaño del bloque). Supera a los métodos con fuerte adelgazamiento ($KAMP_{0.25}$) y mantiene un control válido del error de Tipo I.
  • Robustez: El método muestra un desempeño robusto a través de diversas abundancias de puntos y resoluciones de cuadrícula.

• Aplicación a Datos Reales (Proteómica Espacial):

  • Aplicado a un conjunto de datos de tejido intestinal humano sano (aprox. 2.6 millones de células a través de 65 imágenes).
  • El método detectó con éxito una fuerte agregación espacial de células plasmáticas y una colocalización significativa entre células plasmáticas y macrófagos.
  • B-KAMP proporcionó evidencia estadística más fuerte (valores $p$ más bajos) que los modelos base de $KAMP$ con adelgazamiento para imágenes grandes y escaló favorablemente donde los métodos de ventana completa excedieron la memoria disponible.

Significancia y Reivindicaciones
El artículo sostiene que B-KAMP ofrece un equilibrio favorable entre la potencia estadística y la eficiencia computacional, permitiendo la inferencia de agrupamiento espacial rigurosa para datos de proteómica espacial de alto rendimiento que anteriormente eran computacionalmente prohibitivos. Los autores posicionan el método no como un reemplazo de los procedimientos de ventana completa para conjuntos de datos pequeños, sino como una alternativa escalable necesaria para imágenes de gran escala donde los métodos tradicionales fallan.

Los autores mantienen una postura modesta respecto a las limitaciones:

• El método es una prueba de bloque condicional, lo que significa que no utiliza relaciones espaciales a través de los límites de los bloques, lo que potencialmente atenúa los patrones de agrupamiento que abarcan múltiples bloques y resulta en cierta pérdida de potencia en comparación con los métodos de ventana completa.
• El desempeño depende de la resolución inicial de la cuadrícula y la naturaleza codiciosa (greedy) del paso de complemento de bloque (Fase III).
• Se sugiere que el trabajo futuro incluya la selección de cuadrícula basada en datos, la optimización global de las formas de los bloques y extensiones a datos espaciales 3D.