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

Résumé technique : MoSAIC – Analyse de régression spatiale multi-résolution des colocalisations cellulaires en imagerie du cancer

Énoncé du problème
Les technologies d'imagerie multiplex hiérarchique (HMI) génèrent des mesures cellulaires résolues spatialement à travers plusieurs champs de vision (FOV) au sein d'échantillons tumoraux de patients. Cette structure de données présente des défis analytiques uniques : (1) des relations spatiales complexes entre les cellules au sein d'un seul FOV ; (2) des dépendances spatiales non négligeables entre les FOV au sein d'un même tissu tumoral ; et (3) des degrés élevés d'hétérogénéité intra-patient et inter-patient. Les méthodes existantes échouent à traiter conjointement cette structure multi-résolution. Les approches basées sur des résumés (par exemple, K-cross de Ripley, DIMPLE) caractérisent la colocalisation au sein de FOV individuels mais ignorent les dépendances spatiales inter-FOV, limitant ainsi l'évolutivité. À l'inverse, les approches basées sur des modèles standards (par exemple, modèles à effets mixtes, modèles autorégressifs conditionnels) ignorent soit les dépendances spatiales entre les FOV, soit reposent sur des hypothèses (par exemple, des espaces de grille conformes) qui ne s'appliquent pas aux géométries tumorales irrégulières. Par conséquent, il existe un manque de méthodes capables de démêler les effets globaux de gradient tumoral, la variabilité spécifique aux patients et la dépendance spatiale afin de retrouver les signaux biologiques réels dans les données HMI.

Méthodologie : Le modèle MoSAIC
Les auteurs proposent MoSAIC (Analyse de régression spatiale multi-résolution des colocalisations cellulaires), un modèle de régression spatiale bayésien hiérarchique conçu spécifiquement pour les données HMI. Le modèle décompose la variation conjointe des résultats de colocalisation cellulaire en trois composantes :

1. Effets globaux de gradient tumoral ($g(X)$) : Modélisés à l'aide de fonctions de base basées sur des splines pénalisées pour capturer les relations potentiellement non linéaires entre les covariables (par exemple, les niveaux d'expression de biomarqueurs représentant un gradient de transition épithélio-mésenchymateuse (TEM)) et le résultat. Cela permet une estimation flexible des tendances au niveau de la population.
2. Effets spécifiques aux patients ($\mu_i$) : Des intercepts aléatoires pour chaque patient afin de tenir compte de la variabilité inter-patient qui pourrait masquer les effets de gradient global.
3. Effets spatiaux aléatoires ($\psi$) : Modélisés à l'aide de processus gaussiens (GP) pour capturer la dépendance spatiale entre les FOV au sein d'un même patient. Le GP utilise un noyau exponentiel carré avec un paramètre de décroissance spatiale ($\phi$) pour définir la corrélation en fonction de la distance, assurant l'indépendance entre différents patients.

Le modèle est formulé comme suit :
$$y(s_{j(i)}) = g(x(s_{j(i)})) + \mu_i + \psi(s_{j(i)}) + \epsilon_{j(i)}$$
où $y$ représente la métrique de colocalisation, $x$ représente les covariables de gradient tumoral, et $\epsilon$ est l'erreur de mesure.

Estimation et inférence
MoSAIC emploie un algorithme de Metropolis adaptatif robuste pour échantillonner les paramètres de variance à partir de la distribution marginale a posteriori. Pour traiter les problèmes de tests multiples inhérents à l'estimation de fonctions de covariables lissées, les auteurs utilisent des bandes de crédibilité conjointes pour évaluer la signification globale. De plus, le modèle facilite la décomposition de la variance, calculant le pourcentage de variance expliquée (PVE) pour les gradients tumoraux, les différences entre patients, les relations spatiales et l'erreur de mesure.

Résultats clés

• Études de simulation : Dans trois scénarios (faible dépendance spatiale, forte dépendance spatiale et effets non linéaires), MoSAIC a démontré des performances supérieures par rapport aux modèles non spatiaux, aux modèles additifs généralisés (GAM) et aux modèles spatiaux utilisant des effets autorégressifs conditionnels (CAR). MoSAIC a constamment obtenu un WAIC plus faible (meilleure adéquation du modèle), une erreur quadratique moyenne de prédiction (MSPE) plus faible et une couverture prédictive plus précise (approchant les 95 % nominales). Les gains de performance étaient les plus marqués dans des contextes de forte dépendance spatiale et d'effets de covariables complexes.
• Application au carcinome à cellules rénales (CCR) : Appliqué à une cohorte de 21 patients atteints de CCR sarcomatoïde (sCCR) et de 354 FOV, MoSAIC a examiné les motifs de colocalisation cellulaire à travers le gradient de TEM (défini par l'expression de PD-L1 et de N-cadhérine).
  • PD-L1 : Une expression accrue de PD-L1 était associée à une augmentation de la colocalisation macrophage-tumeur et à une relation non monotone avec la colocalisation lymphocyte T cytotoxique-tumeur (augmentation initiale puis diminution).
  • N-cadhérine (NCAD) : Une expression plus élevée de NCAD (indiquant un phénotype plus mésenchymateux) était associée à une diminution de la colocalisation lymphocyte T cytotoxique-tumeur, suggérant un ciblage immunitaire réduit dans les régions agressives de sCCR.
  • Décomposition de la variance : Le modèle a expliqué 75 à 90 % de la variabilité totale du résultat. Les effets spécifiques aux patients ont représenté la plus grande part (29–54 %), suivis des effets spatiaux aléatoires (11–30 %), PD-L1 et NCAD expliquant des portions plus petites mais significatives (8–13 % et <1–5 %, respectivement).

Signification et affirmations
L'article affirme que MoSAIC fournit un cadre interprétable et multi-résolution pour quantifier les effets de gradient tumoral spatiaux en imagerie du cancer. En modélisant explicitement la nature hiérarchique des données HMI, la méthode démêle avec succès les tendances biologiques globales du bruit spécifique aux patients et spatial. Les auteurs affirment que MoSAIC offre un choix méthodologiquement fondé pour l'analyse de données spatiales multi-résolution, comblant une lacune critique où les méthodes existantes ignorent soit les dépendances spatiales, soit ne parviennent pas à s'adapter à la géométrie irrégulière des tissus tumoraux. L'application aux données de sCCR démontre la capacité du modèle à révéler des motifs biologiquement significatifs, tels que l'engagement immunitaire variant spatialement associé au gradient de TEM, ce qui pourrait éclairer les stratégies d'immunothérapie. Les auteurs notent que la méthode est efficace sur le plan computationnel, ajustant les modèles en quelques minutes sur du matériel standard, et est disponible sous forme de logiciel open source.