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

Sintesi Tecnica: MoSAIC – Analisi di Regressione Spaziale Multi-Risoluzione delle Colocalizzazioni Cellulari nell'Imaging Oncologico

Enunciato del Problema
Le tecnologie di imaging multiplex gerarchico (HMI) generano misurazioni a livello di singola cellula risolte spazialmente attraverso molteplici campi di vista (FOV) all'interno di campioni tumorali di pazienti. Questa struttura dei dati presenta sfide analitiche uniche: (1) relazioni spaziali complesse tra le cellule all'interno di un singolo FOV; (2) dipendenze spaziali non trascurabili tra i FOV all'interno dello stesso tessuto tumorale; e (3) alti gradi di eterogeneità sia intra-paziente che inter-paziente. I metodi esistenti non riescono ad affrontare congiuntamente questa struttura multi-risoluzione. Gli approcci basati su sintesi (ad esempio, K-cross di Ripley, DIMPLE) caratterizzano la colocalizzazione all'interno di singoli FOV ma ignorano le dipendenze spaziali inter-FOV, limitando la scalabilità. Al contrario, gli approcci basati su modelli standard (ad esempio, modelli ad effetti misti, modelli autorregressivi condizionali) o ignorano le dipendenze spaziali tra i FOV o si basano su ipotesi (ad esempio, spazi a griglia conformi) che non valgono per le geometrie tumorali irregolari. Di conseguenza, manca un metodo capace di districare gli effetti globali del gradiente tumorale, la variabilità specifica del paziente e la dipendenza spaziale per recuperare i veri segnali biologici nei dati HMI.

Metodologia: Il Modello MoSAIC
Gli autori propongono MoSAIC (Analisi di Regressione Spaziale Multi-Risoluzione delle colocalizzazioni cellulari), un modello di regressione spaziale bayesiano gerarchico progettato specificamente per i dati HMI. Il modello scompone la variazione congiunta degli esiti di colocalizzazione cellulare in tre componenti:

1. Effetti Globali del Gradiente Tumorale ($g(X)$): Modellati utilizzando funzioni di base basate su spline penalizzate per catturare relazioni potenzialmente non lineari tra le covariate (ad esempio, livelli di espressione di biomarcatori che rappresentano un gradiente di Transizione Epiteliale-Mesenchimale (EMT)) e l'esito. Ciò consente una stima flessibile delle tendenze a livello di popolazione.
2. Effetti Specifici del Paziente ($\mu_i$): Intercette casuali per ciascun paziente per tenere conto della variabilità inter-paziente che potrebbe oscurare gli effetti globali del gradiente.
3. Effetti Spaziali Casuali ($\psi$): Modellati utilizzando Processi Gaussiani (GP) per catturare la dipendenza spaziale tra i FOV all'interno di un singolo paziente. Il GP utilizza un kernel esponenziale quadrato con un parametro di decadimento spaziale ($\phi$) per definire la correlazione come funzione della distanza, garantendo l'indipendenza tra pazienti diversi.

Il modello è formulato come:
$$y(s_{j(i)}) = g(x(s_{j(i)})) + \mu_i + \psi(s_{j(i)}) + \epsilon_{j(i)}$$
dove $y$ rappresenta la metrica di colocalizzazione, $x$ rappresenta le covariate del gradiente tumorale e $\epsilon$ è l'errore di misura.

Stima e Inferenza
MoSAIC impiega un algoritmo Metropolis adattivo robusto per campionare i parametri di varianza dalla distribuzione a posteriori marginale. Per affrontare le problematiche di test multipli intrinseche nella stima di funzioni di covariate levigate, gli autori utilizzano bande di credibilità congiunte per valutare la significatività globale. Inoltre, il modello facilita la scomposizione della varianza, calcolando la Percentuale di Varianza Spiegata (PVE) per i gradienti tumorali, le differenze tra pazienti, le relazioni spaziali e l'errore di misura.

Risultati Chiave

• Studi di Simulazione: In tre scenari (bassa dipendenza spaziale, alta dipendenza spaziale ed effetti non lineari), MoSAIC ha dimostrato prestazioni superiori rispetto ai modelli non spaziali, ai Modelli Additivi Generalizzati (GAM) e ai modelli spaziali che utilizzano effetti autorregressivi condizionali (CAR). MoSAIC ha costantemente ottenuto un WAIC inferiore (migliore adattamento del modello), un Errore Quadratico Medio di Previsione (MSPE) inferiore e una copertura predittiva più accurata (avvicinandosi al 95% nominale). I guadagni di prestazioni sono stati più pronunciati in contesti con forte dipendenza spaziale ed effetti di covariate complessi.
• Applicazione al Carcinoma a Cellule Renali (RCC): Applicato a una coorte di 21 pazienti con RCC sarcomatoide (sRCC) e 354 FOV, MoSAIC ha indagato i pattern di colocalizzazione cellulare attraverso il gradiente EMT (definito dall'espressione di PD-L1 e N-caderina).
  • PD-L1: Un aumento dell'espressione di PD-L1 è stato associato a un aumento della colocalizzazione macrofago-tumore e a una relazione non monotona con la colocalizzazione linfocita T citotossico-tumore (inizialmente crescente, poi decrescente).
  • N-caderina (NCAD): Un'espressione più elevata di NCAD (che indica un fenotipo più mesenchimale) è stata associata a una diminuzione della colocalizzazione linfocita T citotossico-tumore, suggerendo un ridotto targeting immunitario nelle regioni aggressive di sRCC.
  • Scomposizione della Varianza: Il modello ha spiegato il 75–90% della variabilità totale dell'esito. Gli effetti specifici del paziente hanno rappresentato la quota maggiore (29–54%), seguiti dagli effetti spaziali casuali (11–30%), con PD-L1 e NCAD che spiegano porzioni minori ma significative (8–13% e <1–5%, rispettivamente).

Significato e Affermazioni
Il documento afferma che MoSAIC fornisce un framework interpretabile e multi-risoluzione per quantificare gli effetti globali del gradiente tumorale nell'imaging oncologico. Modellando esplicitamente la natura gerarchica dei dati HMI, il metodo districa con successo le tendenze biologiche globali dal rumore specifico del paziente e spaziale. Gli autori affermano che MoSAIC offre una scelta metodologicamente fondata per l'analisi di dati spaziali multi-risoluzione, colmando un vuoto critico in cui i metodi esistenti o ignorano le dipendenze spaziali o non riescono ad adattarsi alla geometria irregolare dei tessuti tumorali. L'applicazione ai dati sRCC dimostra la capacità del modello di rivelare pattern biologicamente significativi, come l'engagement immunitario variabile spazialmente associato al gradiente EMT, che potrebbe informare le strategie di immunoterapia. Gli autori notano che il metodo è computazionalmente efficiente, adattando i modelli in minuti su hardware standard, ed è disponibile come software open-source.