A Robust Nonparametric Framework for Detecting Repeated Spatial Patterns

Titolo: Un Framework Non Parametrico Robusto per la Rilevazione di Pattern Spaziali Ripetuti

1. Il Problema

Nella statistica spaziale moderna, una sfida fondamentale è l'identificazione di cluster spazialmente contigui e, in particolare, di Pattern Spaziali Ripetuti (RSP - Repeated Spatial Patterns). Gli RSP sono caratterizzati da distribuzioni sottostanti simili ma si manifestano in località geografiche distanti e disgiunte.

• Limiti degli approcci esistenti: I metodi di clustering spaziale tradizionali (come il clustering gerarchico vincolato o le statistiche di scansione) sono progettati per garantire la contiguità spaziale. Tuttavia, tendono a sovrasegmentare i dati, trattando regioni spazialmente separate ma statisticamente simili come cluster distinti, fallendo così nel riconoscere che esse appartengono allo stesso processo sottostante.
• Contesto applicativo: Questo problema è critico nell'ambito dell'omics spaziale (es. proteomica spaziale, trascrittomica), dove i tessuti biologici possono presentare microambienti tumorali (TME) o regioni di espressione genica simili che si ripetono in aree diverse del campione, spesso con forme irregolari e dipendenze spaziali complesse.

2. Metodologia Proposta: repSpat

Gli autori propongono repSpat, un framework non parametrico in due fasi che combina il clustering vincolato con un passo di riassegnazione post-clustering basato sulla statistica Maximum Mean Discrepancy (MMD).

Il processo si articola in quattro passaggi principali:

1. Clustering Vincolato (Constrained Clustering):

   • Viene applicato un Clustering Gerarchico Agglomerativo Vincolato (CAHC).
   • Questo passo garantisce che i cluster iniziali siano spazialmente contigui.
   • Viene utilizzata una matrice di dissimilarità basata sugli attributi (es. distanza euclidea per dati continui, distanza di Jaccard per dati binari) e vincoli di contiguità definiti tramite una struttura di $m$-vicini più prossimi.
   • I parametri (dimensione del vicinato $m$ e numero di cluster $G$) sono ottimizzati massimizzando un punteggio di silhouette informato spazialmente, che tiene conto della coesione interna e della separazione esterna solo tra cluster adiacenti.

2. Test di Invarianza Spaziale (Pairwise Comparison):

   • Una volta ottenuti i cluster iniziali, si confrontano le distribuzioni di ogni coppia di cluster $(g, h)$ utilizzando la statistica MMD quadrato ($MMD^2$).
   • L'MMD misura la distanza tra le distribuzioni di probabilità in uno spazio di Hilbert a kernel riproducente (RKHS).
   • Viene testata l'ipotesi nulla $H_0: P(g) = P(h)$ contro l'alternativa $H_A: P(g) \neq P(h)$.
   • Il framework utilizza kernel flessibili (Gaussiano, Laplaciano, Inverse Multiquadratic - IMQ) adattabili a diversi tipi di dati (continui, categorici, binari).

3. Permutazione a Blocchi (Block Permutation):

   • Per stimare la distribuzione nulla della statistica $MMD^2$ in presenza di dipendenza spaziale (violando l'assunzione di indipendenza delle osservazioni), viene proposta una strategia di permutazione a blocchi.
   • I cluster vengono suddivisi in blocchi basati sulla similarità degli attributi (tramite k-means o taglio del dendrogramma).
   • L'intero blocco viene permutato tra i due cluster da confrontare. Questo preserva la struttura locale e la dipendenza spaziale interna, permettendo un'inferenza valida anche sotto condizioni di mixing spaziale.

4. Riassegnazione dei Cluster:

   • Vengono eseguiti test di ipotesi multipli con correzione del FDR (Benjamini-Hochberg).
   • Viene costruita un grafo dove i nodi sono i cluster e gli archi collegano coppie di cluster per cui non è stato possibile rifiutare l'ipotesi nulla (cioè, hanno distribuzioni simili).
   • I cluster che formano sottografi completamente connessi (clique) vengono fusi e riassegnati a un'unica etichetta, identificando così gli RSP.

3. Contributi Chiave

• Framework Ibrido: Integrazione innovativa tra clustering vincolato (per la contiguità) e test di similarità di distribuzione non parametrico (per la rilevanza statistica a distanza).
• Inferenza Robusta: Sviluppo di una procedura di permutazione a blocchi specifica per dati spaziali che mantiene la struttura di dipendenza locale, garantendo la validità dei test statistici senza assumere modelli parametrici specifici (es. Gaussiani).
• Consistenza Asintotica: Dimostrazione teorica che la statistica $MMD^2$ è asintoticamente consistente sotto condizioni di mixing spaziale senza modello (model-free), anche in presenza di dipendenza spaziale.
• Flessibilità dei Dati: Il metodo è applicabile a dati continui, binari e categorici, rendendolo ideale per l'analisi multimodale nell'omics spaziale.

4. Risultati

Gli autori hanno valutato il framework attraverso studi di simulazione e un'applicazione su dati reali:

• Studi di Simulazione:

  • Sono stati generati dataset con diverse dimensioni ($n$), dimensionalità degli attributi ($p$) e forza di autocorrelazione spaziale ($\eta$).
  • Performance: repSpat ha mostrato un tasso di falsi positivi (FPR) e falsi negativi (FNR) mediano pari a zero in quasi tutte le configurazioni, con un punteggio F1 di 1.
  • Confronto: Rispetto all'algoritmo Banksy (un metodo di riferimento per l'omics spaziale), repSpat ha ottenuto un Adjusted Rand Index (ARI) significativamente superiore (mediana di 1 contro 0.75-0.83 di Banksy), dimostrando una capacità superiore nel recuperare la struttura di clustering vera, specialmente quando i cluster hanno forme irregolari o sono spazialmente disgiunti.
  • Robustezza: Il metodo ha mantenuto alte prestazioni anche in presenza di rumore (feature irrilevanti) e forti autocorrelazioni spaziali.

• Applicazione su Dati Reali (Proteomica Spaziale):

  • Il framework è stato applicato a dati di imaging MIBI-TOF su pazienti con carcinoma mammario triplo negativo (TNBC).
  • Analizzando 39 campioni di tessuto, repSpat ha identificato con successo microambienti tumorali (TME) ripetuti che erano stati frammentati dal clustering iniziale.
  • L'uso di dati binarizzati (soglia di intensità dei marcatori) ha migliorato ulteriormente la rilevazione degli RSP, riducendo il rumore e permettendo di identificare popolazioni di cellule tumorali simili in regioni distanti del tessuto.

5. Significato e Impatto

Il lavoro rappresenta un avanzamento metodologico significativo per l'analisi spaziale, in particolare nel campo emergente delle spatial omics.

• Superamento della sovrasegmentazione: Risolve il problema critico per cui le regioni biologicamente simili ma spazialmente separate vengono erroneamente trattate come entità distinte.
• Generalizzabilità: Offrendo una soluzione non parametrica, repSpat è applicabile a una vasta gamma di discipline, dalla climatologia all'epidemiologia, fino alla biologia dei tessuti.
• Fondamento Teorico Solido: La dimostrazione di consistenza sotto condizioni di mixing spaziale fornisce una base teorica rigorosa per l'uso di test di distanza di distribuzione in contesti spaziali dipendenti.

In sintesi, repSpat fornisce uno strumento flessibile e robusto per scoprire pattern ricorrenti in dati spaziali complessi, permettendo agli scienziati di identificare processi sottostanti comuni che si manifestano in diverse località geografiche o biologiche.