Adaptive spatial blocking for scalable clustering inference with applications to high-throughput spatial proteomics

Sintesi Tecnica: Blocking Spaziale Adattivo per l'Inferenza di Clustering Scalabile

Definizione del Problema
L'analisi dei pattern puntiformi spaziali, in particolare nell'ambito della proteomica spaziale ad alto rendimento, si affida pesantemente alla funzione $K$ di Ripley per valutare il clustering. Tuttavia, gli esistenti metodi basati sulla funzione $K$, incluso il recente framework $KAMP$ (Wrobel e Song, 2024), affrontano severi colli di bottiglia computazionali quando applicati a dataset su larga scala contenenti centinaia di migliaia o milioni di punti. I test di permutazione tradizionali richiedono calcoli di distanza $O(n^2)$, e anche l'approccio analitico basato sui momenti di $KAMP$, pur essendo più veloce, richiede ancora la memorizzazione delle distanze a coppie per tutti i punti, portando a un uso proibitivo della memoria e a una complessità computazionale quadratica ($O(n^2)$) all'aumentare delle dimensioni del campione. Le strategie di sottocampionamento come il diradamento indipendente (independent thinning) offrono una soluzione parziale, ma comportano una significativa perdita di informazioni spaziali e di potenza statistica, non risolvendo fondamentalmente la complessità quadratica.

Metodologia
Per affrontare queste sfide di scalabilità, gli autori propongono B-KAMP (Block-based KAMP), un framework di inferenza del clustering spaziale basato su un algoritmo di blocking spaziale adattivo.

1. Algoritmo di Blocking Spaziale Adattivo:
   Il nucleo del metodo è un algoritmo che partiziona una grande finestra di osservazione in una collezione di blocchi rettangolari disgiunti. L'algoritzza opera in tre fasi:

   • Rappresentazione a Griglia: Il dominio viene discretizzato in una griglia $R \times C$ dove ogni cella contiene al massimo $\sqrt{n}$ punti.
   • Identificazione dei Blocchi (Fasi I & II): Utilizzando un approccio basato su istogrammi ispirato al problema del "rettangolo più grande in un istogramma", l'algoritmo identifica iterativamente sottoregioni rettangolari che soddisfano specifici vincoli:
     • Dimensione Minima: I blocchi devono contenere almeno $\sqrt{m}$ punti di interesse (POI) e un numero sufficiente di punti di background per garantire una distribuzione di permutazione non degenere.
     • Rapporto d'Aspetto (Aspect Ratio): I blocchi sono vincolati da un rapporto d'aspetto massimo $\rho$ per garantire la stabilità statistica (evitando forme altamente allungate che introducono bias negli stimatori con correzione del bordo).
     • L'algoritmo privilegia la selezione di blocchi con i conteggi totali di punti più piccoli per massimizzare il numero di blocchi disgiunti e mantenere l'efficienza computazionale.
   • Complemento del Blocco (Fase III): Le celle residue della griglia non assegnate ai blocchi vengono iterativamente fuse con blocchi adiacenti, espandendo i confini del blocco verso il rettangolo di delimitazione minimo, a condizione che il blocco risultante rimanga disgiunto dagli altri e soddisfi il vincolo del rapporto d'aspetto. Ciò minimizza la perdita di copertura spaziale.

2. Statistica del Test Basata sui Blocchi:
   All'interno di ciascun blocco identificato $i$, il metodo calcola una statistica della funzione $K$ standardizzata $Z_i(r)$ utilizzando i momenti analitici derivati dal framework $KAMP$ sotto una distribuzione nulla di permutazione dei label condizionale.

   • La statistica globale del test $Z(r)$ è definita come una somma pesata delle statistiche a livello di blocco: $Z(r) = \sum w_i Z_i(r)$.
   • I pesi $w_i$ sono scelti proporzionalmente a $n_i/p_i$ (dove $n_i$ è il totale dei punti e $p_i$ è la prevalenza locale di POI nel blocco) per dare maggiore peso ai blocchi con segnali sparsi.
   • Sotto la permutazione nulla a blocchi condizionale, gli autori dimostrano che all'aumentare del numero di blocchi $b \to \infty$, la statistica globale $Z(r)$ converge in distribuzione a una distribuzione normale standard $\mathcal{N}(0,1)$ tramite il Teorema del Limite Centrale di Lyapunov. Ciò consente un calcolo rapido dei p-value senza ricorrere a repliche di permutazione empiriche.

3. Estensione all'Analisi Bivariata:
   Il framework è esteso per testare la colocalizzazione spaziale tra due tipi di punti (ad esempio, plasmacellule e macrofagi) utilizzando uno stimatore della funzione $K$ bivariata, con analoghe standardizzazioni e aggregazioni a livello di blocco.

Contributi Chiave

• Algoritmo Scalabile: Lo sviluppo di un algoritmo di blocking spaziale adattivo $O(RC)$ che identifica efficientemente blocchi rettangolari validi per pattern puntiformi su larga scala, evitando la complessità $O(n^2)$ dei calcoli a coppia dell'intera finestra.
• Framework Statistico: La formulazione di un test di clustering basato su blocchi che aggrega le evidenze locali attraverso una somma pesata, sfruttando l'asintotica normalità per un'inferenza rapida.
• Implementazione Pratica: La fornitura di una strategia di blocking general-purpose applicabile a vari metodi di clustering spaziale scalabili, con codice reso disponibile tramite GitHub.

Risultati

• Studi di Simulazione:

  • Efficienza Computazionale: B-KAMP scala linearmente con il numero di punti e rimane fattibile per dataset con fino a 100.000 punti. Al contrario, il $KAMP$ a finestra intera fallisce a causa dei vincoli di memoria per $n \ge 40.000$, e il $KAMP$ con diradamento ($KAMP_{0.25}$) rimane computazionalmente oneroso. B-KAMP è costantemente il metodo più veloce per grandi $n$.
  • Potenza Statistica: Sebbene i metodi a finestra intera generalmente raggiungano la massima potenza quando sono fattibili, B-KAMP dimostra una potenza competitiva, particolarmente ai raggi $r \approx 0.15$ (rispetto alla dimensione del blocco). Supera i metodi con forte diradamento ($KAMP_{0.25}$) e mantiene un controllo valido dell'errore di Tipo I.
  • Robustezza: Il metodo mostra prestazioni robuste attraverso diverse abbondanze di punti e risoluzioni della griglia.

• Applicazione su Dati Reali (Proteomica Spaziale):

  • Applicato a un dataset di tessuto intestinale umano sano (circa 2,6 milioni di cellule attraverso 65 immagini).
  • Il metodo ha rilevato con successo una forte aggregazione spaziale delle plasmacellule e una colocalizzazione significativa tra plasmacellule e macrofagi.
  • B-KAMP ha fornito evidenze statistiche più forti (p-value più bassi) rispetto ai baseline di $KAMP$ con diradamento per immagini grandi e si è scalato favorevolmente laddove i metodi a finestra intera superavano la memoria disponibile.

Significato e Rivendicazioni
Il paper sostiene che B-KAMP offre un equilibrio favorevole tra potenza statistica ed efficienza computazionale, abilitando un'inferenza rigorosa del clustering spaziale per dati di proteomica spaziale ad alto rendimento che prima erano computazionalmente proibitivi. Gli autori posizionano il metodo non come un sostituto delle procedure a finestra intera per piccoli dataset, ma come una necessaria alternativa scalabile per immagini su larga scala dove i metodi tradizionali falliscono.

Gli autori mantengono una posizione modesta riguardo ai limiti:

• Il metodo è un test a blocchi condizionale, il che significa che non utilizza le relazioni spaziali attraverso i confini dei blocchi, potenzialmente attenuando i pattern di clustering che si estendono su più blocchi e risultando in una certa perdita di potenza rispetto ai metodi a finestra intera.
• Le prestazioni dipendono dalla risoluzione iniziale della griglia e dalla natura "greedy" (ingorda) del passaggio di complemento del blocco (Fase III).
• Si suggerisce come lavoro futuro l'inclusione della selezione della griglia guidata dai dati, l'ottimizzazione globale per le forme dei blocchi e l'estensione ai dati spaziali 3D.