Characterizing dynamic tissue architectures by identifying cell-type-specific spatiotemporal gene programs with stGP

Resumen Técnico: Caracterización de Arquitecturas Tisulares Dinámicas con stGP

Planteamiento del Problema
Los programas génicos celulares se despliegan a lo largo del tiempo biológico dentro de tejidos organizados espacialmente, donde un mismo tipo celular puede activar programas moleculares distintos dependiendo de su ubicación, etapa de desarrollo o nicho multicelular local. Si bien la transcriptómica espaciotemporal permite la medición in situ de estos procesos, el análisis de tales datos presenta un desafío significativo: la progresión temporal (por ejemplo, el envejecimiento o la recuperación de una lesión), la organización anatómica dentro de las secciones de tejido y la variación asociada al nicho local ocurren simultáneamente a través de distintas secciones de tejido, a menudo no alineadas. Los métodos existentes tienen dificultades para desentrañar si la actividad de un programa génico es impulsada por cambios temporales, estructura espacial o su interacción. Los enfoques actuales, como PCA, NMF y métodos con conciencia espacial como SpatialPCA, Popari o MEFISTO, a menudo no logran proporcionar un marco unificado que descomponga la actividad de los programas de tipos celulares en trayectorias temporales separables y efectos espaciales, preservando al mismo tiempo la identidad molecular interpretable (cargas génicas) de cada programa.

Metodología: El Marco stGP
Para abordar estos desafíos, los autores presentan los programas génicos espaciotemporales (stGP), un marco estadístico diseñado para estudios transcriptómicos espaciotemporales multiamuestra. stGP opera dentro de un tipo celular objetivo y modela la expresión génica como un pequeño número de programas génicos latentes.

• Estructura del Modelo: stGP representa la matriz de expresión $Y$ de una muestra como una descomposición en un efecto base, una matriz de incrustación celular espaciotemporal $H$ y una matriz de carga génica $W$.
  • Cargas Génicas ($W$): Definidas como vectores no negativos en un simplex, representan conjuntos de genes ponderados e interpretables compartidos entre todas las muestras. Esto asegura que la identidad molecular de un programa permanezca constante.
  • Incrustaciones Celulares ($H$): La actividad de cada célula para un programa específico se descompone en dos componentes:
    1. Efecto Temporal ($\alpha$): Un efecto a nivel de muestra compartido por todas las células de ese tipo de un individuo en una edad/etapa biológica específica. Se modela utilizando un prior de proceso gaussiano (GP) suavizado sobre la covariable temporal.
    2. Efecto Espacial ($b$): Un efecto heterogéneo a nivel de célula que varía dentro de una sección de tejido. Se modela utilizando un prior GP separado definido sobre distancias euclidianas pareadas dentro de la sección, lo que permite la variación espacial local sin requerir el registro entre secciones.
• Inferencia: El modelo estima las cargas génicas, las incrustaciones celulares y los componentes de varianza (cuantificando la contribución relativa de tiempo vs. espacio) utilizando un algoritmo de backfitting por bloques. El algoritmo alterna entre la actualización de las actividades de los programas, las cargas génicas en el simplex y los componentes de varianza mediante la maximización del log-verosimilitud marginal. El número de programas puede determinarse automáticamente durante la selección del modelo.
• Eficiencia Computacional: Al explotar la estructura de bloque diagonal de los kernels espaciales dentro de la sección y los términos de bajo rango temporal, stGP evita la complejidad $O(N^3)$ de la inversión estándar de GP, logrando una complejidad de $O(\sum N_t^2 + T^3)$ por actualización.

Resultados Clave
Los autores evaluaron stGP a través de simulaciones exhaustivas y tres conjuntos de datos transcriptómicos espaciotemporales del mundo real:

1. Estudios de Simulación: stGP superó a los métodos de referencia (PCA, NMF, SpatialPCA, Popari, STAMP, MEFISTO) en la recuperación de programas génicos latentes, detección de genes reales y reconstrucción de incrustaciones celulares. Crucialmente, stGP fue el único método capaz de recuperar con precisión programas impulsados puramente por efectos temporales o puramente por efectos espaciales, desentrajando correctamente las dos fuentes de variación.
2. Envejecimiento de la Corteza Prefrontal Dorsolateral Humana (DLPFC): Aplicado a datos de MERFISH de donantes con edades comprendidas entre los 15 y 87 años, stGP resolvió la arquitectura de las neuronas excitatorias específicas por capa en secciones no alineadas con mayor precisión que los métodos de referencia. Identificó estructuras laminares estables (L2/3, L4, L5/6) al tiempo que reveló la atenuación dependiente de la edad de estados transcripcionales específicos. Además, stGP descubrió un programa de oligodendrocitos (stGP4) asociado con un nicho multicelular compartido (MCN2) en la sustancia blanca profunda, mostrando que el envejecimiento remodela la actividad y el despliegue de los nichos preexistentes en lugar de crear otros completamente nuevos.
3. Envejecimiento del Cerebro de Ratón: En un conjunto de datos de MERFISH de cerebros de ratón, stGP identificó un programa microglial de vida tardía (stGP2) caracterizado por la presentación de antígenos MHC-I y genes de respuesta a interferón. Este programa mostró un aumento progresivo con la edad y se enriqueció espacialmente en los tractos de la sustancia blanca (cápsula callosa y comisura anterior). El análisis reveló que esta activación espacial estaba fuertmente acoplada a los vecindarios locales de células T, distinguiéndose de los efectos generales de la región anatómica.
4. Lesión-Reparación Renal en Ratón: Aplicado a un conjunto de datos de seguimiento temporal de Xenium tras una lesión de isquemia-reperfusión bilateral, stGP identificó programas inmunes y epiteliales reproducibles y específicos de cada etapa a través de réplicas bilaterales de riñón. Logró separar con éxito las respuestas agudas a la lesión de las transiciones posteriores de inflamación-a-reparación y la remodelación persistente de estroma-inmune, mapeando estos programas a vecindarios celulares y zonas de lesión específicos.

Significancia y Reivindicaciones
El artículo sostiene que stGP proporciona un marco efectivo y robusto para diseccionar la arquitectura tisular dinámica convirtiendo los datos transcriptómicos espaciotemporales en trayectorias temporales interpretables y modelos espacialmente resueltos. Su principal significancia radica en su capacidad para:

• Desacoplar la Variación: Separar explícitamente las respuestas temporales compartidas de las estructuras anatómicas estables y la remodelación espacial localizada.
• Preservar la Interpretabilidad: Mantener cargas génicas no negativas consistentes a través de las muestras, permitiendo que los programas se definan por firmas moleculares claras.
• Revelar la Dinámica Contextual: Descubrir cómo los programas de tipos celulares se coordinan a través del tiempo biológico y los microentornos espaciales, como la identificación de "puntos calientes de envejecimiento" o estados "acoplados al nicho" que son omitidos por métodos que tratan el tiempo y el espacio como un único factor confundido.

Los autores posicionan a stGP como una herramienta versátil para estudiar procesos biológicos donde el estado molecular, la organización espacial y el tiempo biológico están estrechamente entrelazados, ofreciendo información sobre la arquitectura tisular preservada frente a la remodelación dinámica.