Differential co-localisation analysis of multi-sample and multi-condition experiments with spatialFDA

El marco de trabajo spatialFDA, disponible como un paquete de R en Bioconductor, combina estadística espacial y análisis de datos funcionales para cuantificar y probar eficazmente las diferencias en la co-localización celular entre múltiples condiciones en datos de ómica espacial, demostrando su utilidad tanto en simulaciones como en estudios biológicos reales como la diabetes tipo 1.

Lo esencial

Imagina que tu cuerpo es una ciudad gigante y las células son sus habitantes. En el pasado, los científicos podían contar cuántos habitantes había en cada barrio (por ejemplo, cuántos "policías" o cuántos "médicos" había), pero no podían ver dónde estaban exactamente ni con quién se estaban juntando.

Recientemente, la tecnología ha avanzado tanto que ahora podemos ver un mapa detallado de la ciudad, sabiendo la ubicación exacta de cada célula. Pero aquí surge un problema: ¿Cómo analizamos si en una enfermedad (como la diabetes) los habitantes han cambiado su forma de relacionarse? ¿Se están agrupando más? ¿Se están alejando?

Aquí es donde entra spatialFDA, la herramienta que presenta este artículo. Vamos a explicarlo con una analogía sencilla.

1. El Problema: La "Fiesta" de las Células

Imagina que tienes muchas fotos de una fiesta (cada foto es una muestra de tejido). En algunas fotos, los invitados (células) están bailando muy cerca unos de otros; en otras, están dispersos.

• El enfoque antiguo: Los científicos anteriores tomaban una foto, calculaban un solo número (por ejemplo, "el promedio de distancia entre invitados") y comparaban ese número entre las fiestas.
  • El fallo: Si dos fiestas tienen el mismo "promedio de distancia", pero en una hay un grupo pequeño muy pegado y en la otra hay grupos grandes dispersos, el promedio no te dice la diferencia real. Es como decir que dos ciudades tienen el mismo clima porque la temperatura promedio es la misma, ignorando que una tiene nevadas y la otra tormentas.

2. La Solución: spatialFDA (El "Analista de Patrones")

Los autores crearon spatialFDA, que es como un detective muy inteligente que no se conforma con un solo número.

• La analogía de la "Música": Imagina que la forma en que se agrupan las células es como una canción.
  • Los métodos antiguos tomaban la canción y la convertían en un solo volumen (un número).
  • spatialFDA escucha la canción completa. Analiza cómo cambia la "música" de la agrupación a medida que te alejas o te acercas a una célula.
  • ¿Se juntan mucho a 10 micrómetros de distancia? ¿Se separan a 50? spatialFDA ve toda la curva, no solo un punto.

3. ¿Por qué es tan especial? (El "Multicapa")

En los experimentos reales, no tienes una sola foto; tienes muchas fotos de la misma persona (diferentes partes del tejido) y de muchas personas diferentes.

• El desafío: Es como intentar escuchar si dos bandas de música suenan diferente, pero tienes grabaciones de diferentes salas de conciertos, con diferentes micrófonos y diferentes audiencias.
• La magia de spatialFDA: Esta herramienta es capaz de separar el ruido. Entiende que las variaciones entre las fotos de la misma persona no deben confundirse con las diferencias reales entre las personas. Usa un modelo estadístico avanzado (llamado "modelo mixto funcional") que actúa como un filtro de audio de alta gama, eliminando el ruido de fondo para escuchar la verdadera diferencia en la "música" de las células.

4. El Caso Real: La Diabetes Tipo 1

Para probar su invento, los autores lo usaron en un estudio sobre la Diabetes Tipo 1.

• La historia: En esta enfermedad, el sistema inmune ataca a las células que producen insulina (las células beta).
• Lo que descubrieron: Usando spatialFDA, pudieron ver que, al inicio de la enfermedad, las células inmunes (los "atacantes") se agrupaban mucho más cerca de las células del páncreas de lo normal.
• La ventaja: Otros métodos no hubieran visto esto tan claramente porque se hubieran perdido en los promedios. spatialFDA les permitió decir: "¡Miren! A una distancia de 20 micrómetros, las células se están juntando mucho más en los pacientes enfermos que en los sanos".

En Resumen

spatialFDA es una nueva herramienta de software (gratis y de código abierto) que permite a los científicos:

1. No simplificar en exceso: En lugar de reducir la complejidad de la vida celular a un solo número, analiza la forma completa de cómo se organizan las células.
2. Ser precisos: Maneja datos complejos de muchas muestras sin confundirse.
3. Descubrir secretos: Ayuda a entender enfermedades como la diabetes viendo cómo las células cambian su "baile" y su proximidad en diferentes etapas de la enfermedad.

Es como pasar de mirar un mapa estático de una ciudad a ver una película en movimiento que te cuenta exactamente cómo y cuándo los vecinos cambian su forma de relacionarse.

Resumen técnico

Resumen Técnico: Análisis de Co-localización Diferencial con spatialFDA

1. El Problema

El avance de las tecnologías de ómicas espaciales (proteómica, transcriptómica y epigenómica espacial) ha generado una explosión de datos que registran la ubicación molecular de células en su contexto nativo. Una pregunta biológica clave es la co-localización celular diferencial (CCoL): cuantificar cómo el agrupamiento o espaciado de tipos celulares cambia entre diferentes condiciones experimentales (ej. tejido sano vs. enfermo).

Los desafíos actuales en el análisis de estos datos incluyen:

• Jerarquía de variabilidad: Los experimentos suelen tener múltiples campos de visión (FOV) por muestra y múltiples muestras por condición. Ignorar esta estructura anidada (muestras no independientes) lleva a resultados excesivamente optimistas.
• Pérdida de información al escalar: Los métodos existentes a menudo comprimen las métricas espaciales (que son funciones del radio $r$) en un único número escalar (como el "área entre curvas" o ABC). Esta compresión puede ocultar diferencias específicas en ciertas escalas espaciales, reduciendo la sensibilidad.
• Limitaciones de métodos anteriores: Herramientas como spicyR o smoppix (basadas en escalares) pueden perder potencia al no modelar la variabilidad anidada adecuadamente o al perder información de escala. Métodos funcionales como SpaceANOVA o mxfda a menudo carecen de la flexibilidad para modelar efectos aleatorios complejos o sufren de tasas de falsos descubrimientos (FDR) infladas.

2. Metodología: spatialFDA

El artículo presenta spatialFDA, un paquete de R de código abierto para Bioconductor que aborda estos problemas mediante la integración de estadística espacial y análisis de datos funcionales (FDA).

• Enfoque Funcional: En lugar de reducir las métricas espaciales a un escalar, spatialFDA trata las métricas (como las funciones de Ripley's $K$, Besag's $L$ o la función de vecino más cercano $G$) como funciones completas sobre un dominio de radio $r$.
• Modelado Estadístico: Utiliza Modelos Aditivos Mixtos Funcionales Generalizados (fGAMM).
  • Respuesta: Las métricas espaciales calculadas para cada FOV.
  • Covariables: Condiciones experimentales, efectos aleatorios para muestras y FOVs anidados.
  • Ventaja: Permite definir capas de variabilidad (ej. múltiples FOV por paciente) y retiene la información de la escala espacial.
• Inferencia:
  • Realiza pruebas globales (F-test) para detectar diferencias en la función completa entre condiciones.
  • Proporciona coeficientes funcionales interpretables que muestran dónde (en qué radio) ocurren las diferencias.
  • Implementa estimadores de covarianza tipo "sandwich" (robustos por conglomerados) para corregir la autocorrelación y la heterocedasticidad en los residuos a lo largo del dominio $r$, mejorando la calibración de los valores p.
• Preprocesamiento: Las células se aproximan a puntos (centroides) con etiquetas de tipo celular. Se calculan métricas espaciales corregidas por efectos de borde para cada FOV.

3. Contribuciones Clave

1. Nuevo Marco de Trabajo: Unificación de la estadística de patrones puntuales con modelos mixtos funcionales para manejar diseños experimentales complejos (multi-muestra, multi-condición).
2. Herramienta de Software: spatialFDA está disponible como paquete Bioconductor, integrable en flujos de trabajo existentes de análisis espacial.
3. Superioridad en Simulación: Demostración de que mantener la estructura funcional de los datos mejora la sensibilidad y el control de errores en comparación con métodos escalares o funcionales sin efectos mixtos adecuados.
4. Validación Biológica: Aplicación exitosa en un estudio de caso real sobre diabetes tipo 1, recuperando hallazgos biológicos conocidos y ofreciendo nuevos matices espaciales.

4. Resultados

A. Estudios de Simulación:
Se realizaron dos estudios de simulación comparando spatialFDA con métodos competidores (spicyR, smoppix, SpaceANOVA, mxfda) y una línea base no espacial.

• Calibración: spatialFDA (especialmente la variante basada en la función $L$, spatialFDA.L) mostró la calibración más conservadora y consistente, manteniendo una tasa de falsos descubrimientos (FDR) controlada cerca del nivel nominal (10%).
• Potencia: Retuvo una tasa de verdaderos positivos (TPR) aceptable, superando a los métodos escalares que sacrifican sensibilidad por control de errores.
• Efecto de la Estructura de Datos: Los métodos que no modelaban la variabilidad anidada (ej. SpaceANOVA.Uni, spicyR.LM) mostraron una mala calibración (FDR inflado).
• Escalas Espaciales: En la simulación de Canete et al., spatialFDA.L mostró un rendimiento estable a través de diferentes escalas de interacción, mientras que spatialFDA.G fue superior para interacciones de corto alcance (<50 µm). Los métodos escalares dependían críticamente de la elección correcta del rango de integración.

B. Estudio de Caso: Diabetes Tipo 1 (T1D):
Se analizó un conjunto de datos de proteómica espacial (IMC) de páncreas de donantes no diabéticos, con inicio de T1D y T1D de larga duración.

• Hallazgos: El modelo confirmó la pérdida progresiva de células $\beta$ (insulina) y un aumento en la co-localización de células inmunitarias (linfocitos T) con las células de los islotes pancreáticos en la fase de inicio de la enfermedad.
• Detalle Espacial: El análisis funcional reveló que el aumento de co-localización entre células $\delta$ y células T helper (Th) era más pronunciado a distancias cortas (10-50 µm) en la fase de inicio, un matiz que se perdería al reducir los datos a un escalar.
• Distinción Intensidad vs. Co-localización: El estudio demostró que los cambios en la co-localización pueden ocurrir independientemente de los cambios en la intensidad (proporción) de las células, validando la necesidad de analizar ambos aspectos por separado.

5. Significado e Impacto

El artículo establece un nuevo estándar para el análisis de co-localización diferencial en ómicas espaciales.

• Precisión Biológica: Al no comprimir la información espacial, spatialFDA permite a los investigadores descubrir dónde (a qué escala) ocurren los cambios biológicos, lo cual es crucial para entender mecanismos como la invasión tumoral o la respuesta inmune.
• Robustez Estadística: La capacidad de manejar estructuras de datos complejas (múltiples FOV por muestra) con modelos mixtos funcionales evita conclusiones falsas derivadas de la pseudorreplicación.
• Accesibilidad: Al estar disponible en Bioconductor, democratiza el uso de métodos estadísticos avanzados (FDA y modelos mixtos) para la comunidad de biología espacial, facilitando la integración en flujos de trabajo estándar.

En conclusión, spatialFDA ofrece una solución robusta y sensible para cuantificar la reorganización espacial de tejidos, superando las limitaciones de los enfoques anteriores y proporcionando una herramienta esencial para la interpretación de datos espaciales de alta dimensión.