ISPAT-3D: Spatially Varying Conditional Volumetric Network Estimation for 3D Tumor Imaging

Resumen Técnico: ISPAT-3D

Planteamiento del Problema
La organización espacial del microambiente tumoral (TME, por sus siglas en inglés) es crítica para comprender la función inmunológica y la progresión de la enfermedad. Si bien las tecnologías de imagen multiplexadas de alta dimensión (por ejemplo, CyCIF, IMC, MIBI) ahora permiten la resolución a nivel de célula única en 3D, los métodos analíticos existentes para las redes de interacción de tipos celulares siguen siendo mayoritariamente bidimensionales. Los enfoques actuales tratan las secciones de tejido como dominios planos independientes, ignorando el eje de profundidad y la estructura volumétrica 3D inherente de los tumores sólidos. Además, estos métodos a menudo no logran contabilizar la autocorrelación espacial, lo que conduce a medidas de coocurrencia de pares infladas, y típicamente producen una red de resumen única que descarta la heterogeneidad espacial impulsada por los gradientes de densidad tumoral. En consecuencia, las estructuras de dependencia condicional entre tipos celulares que cambian a lo largo de los gradientes de densidad tumoral permanecen sin caracterizar.

Metodología
Los autores presentan ISPAT-3D (Informed Spatially Aware Patterns in 3D), un marco bayesiano jerárquico diseñado para recuperar redes de interacción de tipos celulares específicas de cada zona y espacialmente variables a partir de datos de imagen de cáncer multiplexados en 3D. El método opera en tres etapas secuenciales:

1. Regresión de Procesos Gaussianos (GP) Anisotrópicos Específicos de Zona:
   El volumen del tejido se particiona en zonas de intensidad tumoral basadas en la densidad local de células tumorales. Para cada tipo celular dentro de cada zona, se ajusta un GP anisotrópico a la superficie de intensidad observada. Crucialmente, el modelo emplea parámetros de escala de longitud (lengthscale) separados para el plano del tejido ($\ell_S$) y la dirección axial de profundidad ($\ell_Z$) para dar cuenta de la resolución anisotrópica de la obtención de secciones seriadas. Esta etapa descompone la intensidad observada en una tendencia espacial suave (estorbo o nuisance) y una señal residual. Los residuales espacialmente ajustados se pasan a la siguiente etapa, "desconfundiendo" efectivamente las tendencias espaciales globales para aislar las señales de interacción célula-célula.

2. Análisis de Factores Multiestudio (MSFA):
   Los residuales de las cinco zonas tumorales se tratan como datos de múltiples "estudios". Un modelo MSFA bayesiano descompone las matrices de covarianza entre tipos celulares en:

   • Un componente compartido ($\Phi\Phi^\top$) que representa patrones de interacción comunes en todas las zonas de densidad tumoral.
   • Componentes específicos de la zona ($\Lambda_q\Lambda_q^\top$) que capturan desviaciones únicas de niveles de densidad específicos.
   • Varianza idiosincrásica ($\Psi_q$).
     La inferencia se realiza mediante la Inferencia Variacional de Ascenso de Coordenadas (CAVI) para asegurar la tratabilidad computacional a la escala de millones de células.

3. Construcción de Redes:
   A partir de las matrices de carga estimadas, el marco construye redes de correlación parcial. La red compartida se deriva de $\Phi\Phi^\top$, mientras que las redes específicas de la zona se derivan de $\Phi\Phi^\top + \Lambda_q\Lambda_q^\top + \Psi_q$. Al invertir estas matrices de covarianza para obtener matrices de precisión, el método extrae correlaciones parciales que representan la colocalización condicional (bordes positivos) o la exclusión espacial (bordes negativos) entre tipos celulares, controlando por todos los demás tipos celulares en el sistema.

Contribuciones Clave

• Primera Estimación de Red Volumétrica 3D: ISPAT-3D se presenta como el primer método estadístico diseñado explícitamente para recuperar redes de interacción de tipos celulares que varían espacialmente y son específicas de cada zona a partir de datos de imagen de cáncer multiplexados en 3D.
• Desconfundado Espacial Anisotrópico: El uso de GP anisotrópicos permite la separación de tendencias espaciales suaves de las señales de interacción en 3D, abordando el efecto de confusión de la autocorrelación espacial que afecta a los análisis en 2D.
• Descomposición de Estructura Compartida vs. Específica de la Zona: El componente MSFA permite la estimación simultánea de la arquitectura global del TME y las perturbaciones locales impulsadas por la carga tumoral, una capacidad ausente en los métodos de resumen de zona única o de diapositiva completa.
• Escalabilidad: El marco utiliza la inferencia variacional y el submuestreo estratificado espacialmente (agregado mediante la transformada Fisher Z) para manejar conjuntos de datos que contienen cientos de millones de células, como el atlas CRC1.

Resultos
Los autores evaluaron ISPAT-3D a través de estudios de simulación y aplicaciones a dos conjuntos de datos del mundo real: un espécimen de cáncer colorrectal (CRC1) del atlas 3D CyCIF y un espécimen de carcinoma ductal de mama HER2-positivo (BC) de 3D IMC.

• Simulación: A través de varias especificaciones de kernel (Matérn-3/2 y RBF), recuentos de células y configuraciones de tamaño de clúster, ISPAT-3D demostró una alta precisión en la recuperación de estructuras de red tanto compartidas como específicas de la zona. Los coeficientes RV medios oscilaron entre 0.65 y 1.0, con un poder estadístico consistentemente superior a 0.85 y tasas de falso descubrimiento (FDR) controladas.
• Aplicación CRC1:
  • Red Compartida: Reveló una fuerte asociación condicional positiva entre Macrófagos y Estroma, y asociaciones negativas entre Células T y Células T reguladoras (Tregs).
  • Dinámicas Específicas de la Zona: Identificó un módulo de Células T que se intensifica con la carga tumoral. Notablemente, la asociación regulatoria dominante cambió de CD4+↔Treg en densidad intermedia a CD8+↔Treg en la densidad máxima, sugiriendo una transición hacia la supresión citotóxica en el núcleo tumoral.
  • Especificidad 3D: La comparación con una línea base 2D mostró que el desconfundado 3D recuperó interacciones significativas invisibles en 2D, como exclusiones condicionales fuertes entre células B y células T, y colocalizaciones entre células T CD8+ y Estroma.
• Aplicación de Cáncer de Mama (BC):
  • Red Compartida: Mostró un acoplamiento condicional casi perfecto entre los Fibroblastos Asociados al Cáncer (CAFs) y la capa mioepitelial, y fuertes asociaciones negativas entre células inmunes y subtipos tumorales.
  • Dinámicas Específicas de la Zona: Descubrió una colocalización CAF↔Endotelio que emerge específicamente en las cargas tumorales intermedias y altas (consistente con la remodelación angiogénica), y una asociación B cell↔CAF confinada a las zonas de alta densidad (consistente con la formación de estructuras linfoides terciarias).
  • Especificidad 3D: El análisis 3D reveló que las poblaciones inmunes están segregadas volumétricamente de los compartimentos tumorales, una señal que colapsó en una coocurrencia aparente en los análisis 2D. También detectó una reversión en las relaciones de células T CD4+↔Macrófago de positivas (baja carga) a negativas (alta carga), reflejando transiciones funcionales en el TME.

Significancia y Reivindicaciones
El artículo afirma que ISPAT-3D proporciona una "ventana cualitativamente diferente hacia la biología tumoral" al capturar interacciones espaciales condicionales volumétricas que son estructuralmente invisibles para los análisis de nivel de sección (2D). Los autores aseguran que su método recupera estructuras de interacción no solo como grafos de independencia condicional, sino también como gradientes que varían sistemáticamente con la densidad tumoral.

La significancia del trabajo radica en su capacidad para:

1. Resolver la Biología Específica de 3D: Demostrar que muchas interacciones biológicamente relevantes (por ejemplo, el acoplamiento CAF-endotelio, los patrones de exclusión inmunitaria) son artefactos de la geometría 3D y no pueden inferirse de cortes 2D.
2. Caracterizar la Heterogeneidad del TME: Ir más allá de los resúmenes estáticos de todo el tumor hacia mapas dinámicos y estratificados por densidad de la comunicación celular.
3. Vincular Metodología y Biología: Proporcionar un marco estadístico que respalda directamente la interpretación de las interacciones ligando-receptor y los nichos espaciales en datos multiplexados 3D.

Los autores mantienen la modestia respecto a las limitaciones, reconociendo que el método depende del submuestreo estratificado espacialmente debido a las restricciones computacionales de los procesos gaussianos en conjuntos de datos masivos, y que la implementación actual trata las zonas de forma independiente en la etapa de GP. Señalan que, aunque el método fue probado en escenarios $p < n$, es teóricamente aplicable a entornos de alta dimensión ($p > n$). El trabajo se posiciona como un paso fundacional hacia la comprensión de la arquitectura volumétrica del TME, con direcciones futuras que incluyen la inferencia causal y la aplicación a otros especímenes 3D.