Differential co-localisation analysis of multi-sample and multi-condition experiments with spatialFDA

Il framework spatialFDA, disponibile come pacchetto R open source su Bioconductor, combina statistica spaziale e analisi di dati funzionali per quantificare e testare le differenze nel co-localizzazione cellulare tra diverse condizioni in esperimenti di omica spaziale, dimostrando la sua efficacia sia in simulazioni che nell'analisi del diabete di tipo 1.

L'essenziale

🏘️ spatialFDA: Il nuovo detective che studia come le cellule si "incontrano" nella città del corpo

Immagina il nostro corpo non come un mucchio di cellule sparse, ma come una grande e complessa città. In questa città ci sono diversi quartieri (i tessuti) e diversi tipi di abitanti (le cellule): ci sono i "vigili del fuoco" (cellule immunitarie), i "costruttori" (cellule che producono insulina), i "passeggeri" e così via.

Per molto tempo, gli scienziati hanno potuto solo contare quanti abitanti c'erano in un quartiere. Ma la vera magia della vita non sta solo nel numero di persone, ma nel come si muovono e si incontrano.

• I vigili del fuoco stanno vicini ai costruttori per proteggerli?
• O si allontanano perché c'è un problema?

Questo fenomeno si chiama co-localizzazione (CCoL). È come chiedersi: "Le persone di tipo A tendono a stare vicino alle persone di tipo B più di quanto farebbero per caso?".

🕵️‍♂️ Il problema: Come misurare l'amicizia in una città che cambia?

Quando una malattia colpisce (come il diabete di tipo 1), la città cambia. I "costruttori" (le cellule beta che fanno l'insulina) vengono attaccati e distrutti. Ma prima di scomparire, come si comportano gli altri abitanti? Si avvicinano per aiutare o per attaccare?

Il problema è che le città sono grandi e complesse. Abbiamo molte foto della città (chiamate FOV, o campi visivi) prese da diversi pazienti e in momenti diversi.
I vecchi metodi di analisi facevano una cosa semplice: prendevano una foto, calcolavano una media e dicevano "Ok, qui c'è più amicizia". Ma questo era come dire che una città è tranquilla solo perché in media c'è poco traffico, ignorando i picchi di caos in certi orari o in certi quartieri. Inoltre, se avevi 10 foto dello stesso paziente, i vecchi metodi trattavano ogni foto come se fosse una persona diversa, confondendo i risultati.

🚀 La soluzione: spatialFDA (Il nuovo super-strumento)

Gli autori di questo articolo (Martin Emons e il suo team) hanno creato un nuovo strumento chiamato spatialFDA.

Immagina che i vecchi metodi fossero come fotografare una festa e contare solo quante persone ci sono.
spatialFDA, invece, è come avere un film in alta definizione che registra non solo quante persone ci sono, ma come si muovono nel tempo e nello spazio, distinguendo tra i vari gruppi di amici.

Ecco come funziona, con tre metafore semplici:

1. Non riduci tutto a un numero (La differenza tra una foto e un film):
   I vecchi metodi prendevano la "distanza tra amici" e la schiacciavano in un unico numero (come dire: "La festa è stata bella"). spatialFDA mantiene il film intero. Guarda come cambia la vicinanza tra le cellule man mano che ti allontani dal centro. È come guardare un grafico che mostra le relazioni a 1 metro, a 10 metri, a 50 metri, invece di dare una media confusa.

2. Capisce la gerarchia (Il quartiere, la casa e l'abitante):
   In un esperimento reale, hai molti pazienti, e ogni paziente ha molte "foto" della sua città. spatialFDA sa che le foto dello stesso paziente sono correlate (come le stanze della stessa casa). Usa un modello statistico avanzato (chiamato mixed effects) che dice: "Ok, queste foto sono dello stesso paziente, quindi le considero insieme, ma confronto i pazienti tra loro". Questo evita di fare errori e di credere a cose che non sono vere.

3. È flessibile come l'argilla:
   Può adattarsi a qualsiasi tipo di domanda. Vuoi vedere se le cellule immunitarie si avvicinano a quelle del pancreas solo a breve distanza (come un abbraccio)? O a lunga distanza (come un'onda)? spatialFDA ti risponde per ogni distanza specifica.

🧪 Cosa hanno scoperto? (La storia del Diabete)

Hanno usato questo strumento su un caso reale: il diabete di tipo 1.
Sapevamo che il sistema immunitario attacca le cellule che producono insulina. Ma con spatialFDA hanno visto i dettagli:

• Nelle fasi iniziali della malattia, le cellule immunitarie (i "soldati") si avvicinano molto alle cellule del pancreas (i "costruttori"), quasi come se le stessero accerchiando.
• Questo accerchiamento è molto forte a breve distanza (10-50 micron), proprio come un assedio.
• Man mano che la malattia avanza e le cellule del pancreas muoiono, questo "assedio" spaziale cambia.

In pratica, spatialFDA ha confermato ciò che sapevamo, ma ha aggiunto i dettagli spaziali che prima erano invisibili, mostrando dove e quanto forte è l'attacco.

🏆 Perché è importante?

Prima, per studiare queste cose, dovevamo "schiacciare" la realtà in numeri semplici, perdendo informazioni preziose.
spatialFDA è come passare da una mappa cartacea statica a un GPS interattivo in 3D.

• È aperto e gratuito (per tutti gli scienziati).
• È preciso (non si lascia ingannare dalle casualità).
• Ci aiuta a capire le malattie non solo come "mancanza di cellule", ma come un cambiamento nella loro organizzazione sociale.

In sintesi: spatialFDA ci aiuta a leggere la "geografia" della salute e della malattia, scoprendo che il modo in cui le cellule si tengono per mano (o si evitano) è la chiave per capire cosa sta succedendo dentro di noi.

Sommario tecnico

Titolo: Analisi della co-localizzazione differenziale in esperimenti multi-campione e multi-condizione con spatialFDA

1. Il Problema

I recenti avanzamenti nelle tecnologie di "spatial omics" (proteomica spaziale, trascrittomica spaziale, epigenomica spaziale) hanno generato un'enorme quantità di dati che registrano la posizione spaziale di trascritti e proteine. Una domanda biologica cruciale è l'analisi della co-localizzazione cellulare differenziale (CCoL), ovvero la quantificazione di come il raggruppamento o la spaziatura di uno o più tipi cellulari cambi tra diverse condizioni sperimentali (es. sano vs malato).

Le sfide principali nell'analisi attuale includono:

• Gestione della variabilità: Gli esperimenti moderni spesso coinvolgono più campioni, più condizioni e più campi visivi (FOV) per campione. I metodi esistenti faticano a modellare correttamente questa gerarchia di variabilità (es. FOV non indipendenti all'interno dello stesso campione), portando a risultati eccessivamente ottimistici.
• Perdita di informazione spaziale: Molti approcci attuali riducono le metriche spaziali (che sono funzioni continue del raggio $r$) a un singolo numero scalare (ad esempio, calcolando l'area tra le curve o "Area Between Curves" - ABC). Questa compressione può portare a una perdita di sensibilità, poiché funzioni molto diverse possono avere lo stesso valore ABC.
• Limitazioni dei metodi esistenti: Metodi come spicyR e smoppix usano approcci scalari con modelli misti, mentre SpaceANOVA e mxfda usano approcci funzionali ma mancano di flessibilità nella modellazione di variabilità nidificata o di strutture di covarianza complesse.

2. Metodologia: spatialFDA

Gli autori presentano spatialFDA, un pacchetto R open-source (Bioconductor) che integra la statistica spaziale con l'analisi di dati funzionali (FDA).

• Approccio Funzionale: Invece di ridurre le metriche spaziali a uno scalare, spatialFDA tratta le metriche spaziali (come le funzioni di Ripley $K$, Besag $L$ o la funzione di distanza del vicino più prossimo $G$) come funzioni continue del raggio $r$.
• Modelli Additivi Generalizzati Funzionali Misti (fGAMM): Il cuore del metodo è l'uso di modelli fGAMM per confrontare l'intera funzione tra gruppi (es. caso vs controllo).
  • Il modello stima una funzione di intercetta globale (riferimento) e coefficienti funzionali che rappresentano le differenze tra le condizioni.
  • Gestione della variabilità nidificata: Il framework permette di specificare strutture di covarianza flessibili, trattando i FOV come misure ripetute all'interno di campioni, gestendo così correttamente la dipendenza dei dati.
• Inferenza Statistica:
  • Viene utilizzato un test F globale per valutare se esiste una differenza significativa tra le funzioni su tutto il dominio del raggio.
  • Per affrontare l'autocorrelazione e l'eteroschedasticità dei residui lungo il dominio $r$, vengono applicati stimatori robusti della matrice di covarianza (sandwich estimators).
  • Le funzioni grezze vengono pre-processate rimuovendo la parte iniziale a zero (dovuta al diametro cellulare) e filtrando i raggi inferiori alla distanza media tra i vicini più prossimi.

3. Contributi Chiave

• Framework Unificato: spatialFDA è il primo metodo che combina modelli misti (per gestire la struttura multi-livello dei dati) con l'analisi di dati funzionali (per mantenere la risoluzione spaziale completa).
• Pacchetto Bioconductor: Fornisce un'implementazione accessibile e integrata nei flussi di lavoro esistenti di analisi spaziale.
• Interpretabilità Spaziale: Fornisce coefficienti di modello che possono essere interpretati a diverse scale spaziali (raggi), rivelando dove (a quale distanza) avviene la co-localizzazione differenziale, non solo se esiste.

4. Risultati

Gli autori hanno valutato spatialFDA attraverso due studi di simulazione e un caso di studio biologico reale.

• Studio di Simulazione 1 (Baker et al. adattato):

  • Confronto contro metodi scalari (spicyR, smoppix) e funzionali (SpaceANOVA, mxfda).
  • Risultato: spatialFDA mostra una calibrazione conservativa e robusta, controllando il tasso di falsi positivi (FDR) meglio della maggior parte dei concorrenti, specialmente in scenari con variabilità nidificata complessa. I metodi scalari senza modelli misti sono risultati mal calibrati, mentre i metodi funzionali senza effetti misti (SpaceANOVA) hanno mostrato un FDR inflazionato.
  • spatialFDA.L (basato sulla funzione L) ha mostrato la migliore sensibilità (TPR) mantenendo un buon controllo dell'errore.

• Studio di Simulazione 2 (Canete et al. adattato):

  • Valutazione della capacità di rilevare cambiamenti di CCoL a diverse scale spaziali.
  • Risultato: spatialFDA.L ha mostrato prestazioni stabili su tutte le scale, mentre spatialFDA.G (basato sulla funzione G) è stato più performante per interazioni a corto raggio. I metodi basati su ABC (spicyR) hanno mostrato una sensibilità dipendente dalla scelta del raggio di integrazione.

• Caso di Studio: Diabete di Tipo 1 (T1D):

  • Applicazione su dati di citometria di massa per imaging (IMC) di pancreas umani (non diabetici, esordio T1D, T1D a lungo termine).
  • Risultati: Il metodo ha recuperato conoscenze biologiche note, come la progressiva distruzione delle cellule $\beta$ e l'aumento della co-localizzazione tra cellule immunitarie e cellule delle isole pancreatiche nell'esordio della malattia.
  • Insight: Ha rivelato che l'aumento della co-localizzazione tra cellule T helper (Th) e cellule $\delta$ è più pronunciato a brevi distanze (10-50 µm) nell'esordio del T1D rispetto ai controlli, un dettaglio che sarebbe perso con approcci scalari.

5. Significato e Implicazioni

• Precisione Biologica: spatialFDA permette di distinguere tra cambiamenti nella proporzione delle cellule (intensità) e cambiamenti nella loro organizzazione spaziale (co-localizzazione), due aspetti spesso confusi.
• Risoluzione Spaziale: Mantenendo l'informazione sulla scala spaziale, il metodo offre nuovi insight sui meccanismi biologici, permettendo di capire a quale distanza fisica avvengono le interazioni cellulari critiche.
• Robustezza Statistica: La capacità di gestire dati multi-livello (FOV nidificati in campioni) rende l'analisi statisticamente valida per esperimenti complessi, riducendo il rischio di conclusioni errate dovute a falsi positivi.
• Accessibilità: Essendo un pacchetto Bioconductor, facilita l'adozione da parte della comunità scientifica per l'analisi di dati di spatial omics di nuova generazione.

In sintesi, spatialFDA rappresenta un avanzamento significativo nell'analisi statistica dei dati spaziali, offrendo un equilibrio ottimale tra sensibilità, controllo degli errori e mantenimento della risoluzione spaziale necessaria per comprendere la biologia dei tessuti.