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

기술 요약: MoSAIC – 암 영상 내 세포 공국립에 대한 다중 해상도 공간 회귀 분석

문제 제기
계층적 멀티플렉스 영상 (HMI) 기술은 환자 종양 표본 내 여러 시야 (FOV) 에 걸쳐 공간적으로 분해된 단일 세포 측정을 생성합니다. 이러한 데이터 구조는 고유한 분석적 도전을 제시합니다: (1) 단일 FOV 내 세포 간의 복잡한 공간적 관계; (2) 동일한 종양 조직 내 FOV 간에 무시할 수 없는 공간적 의존성; (3) 환자 내 및 환자 간 높은 수준의 이질성. 기존 방법들은 이러한 다중 해상도 구조를 공동으로 해결하지 못합니다. 요약 기반 접근법 (예: Ripley's K-cross, DIMPLE) 은 단일 FOV 내의 공국립을 특징짓지만 FOV 간 공간적 의존성을 무시하여 확장성을 제한합니다. 반면, 표준 모델 기반 접근법 (예: 혼합 효과 모델, 조건부 자기회귀 모델) 은 FOV 간의 공간적 의존성을 무시하거나, 불규칙한 종양 기하학에 적용되지 않는 가정 (예: 호환 가능한 그리드 공간) 에 의존합니다. 결과적으로, HMI 데이터에서 진정한 생물학적 신호를 복원하기 위해 전종양 경사 효과, 환자별 변이, 그리고 공간적 의존성을 분리할 수 있는 방법의 부재가 존재합니다.

방법론: MoSAIC 모델
저자들은 HMI 데이터에 특화되도록 설계된 계층적 베이지안 공간 회귀 모델인 MoSAIC(세포 공국립에 대한 다중 해상도 공간 회귀 분석) 을 제안합니다. 이 모델은 세포 공국립 결과의 결합 변이를 세 가지 구성 요소로 분해합니다:

1. 전종양 경사 효과 ($g(X)$): 공변량 (예: 상피 - 간엽 전이 (EMT) 경사를 나타내는 생체표지자 발현 수준) 과 결과 간의 잠재적 비선형 관계를 포착하기 위해 페널티 스플라인 기반 기저 함수를 사용하여 모델링됩니다. 이를 통해 인구 수준의 경향성을 유연하게 추정할 수 있습니다.
2. 환자별 효과 ($\mu_i$): 전역 경사 효과를 가릴 수 있는 환자 간 변이를 설명하기 위해 각 환자에 대한 무작위 절편을 포함합니다.
3. 공간 무작위 효과 ($\psi$): 단일 환자 내 FOV 간의 공간적 의존성을 포착하기 위해 가우시안 프로세스 (GP) 를 사용하여 모델링됩니다. GP 는 거리의 함수로서 상관관계를 정의하는 공간 감쇠 매개변수 ($\phi$) 를 가진 제곱 지수 커널을 활용하여 서로 다른 환자 간의 독립성을 보장합니다.

모델은 다음과 같이 공식화됩니다:
$$y(s_{j(i)}) = g(x(s_{j(i)})) + \mu_i + \psi(s_{j(i)}) + \epsilon_{j(i)}$$
여기서 $y$는 공국립 지표를, $x$는 종양 경사 공변량을, $\epsilon$은 측정 오차를 나타냅니다.

추정 및 추론
MoSAIC 은 주변 사후 분포에서 분산 매개변수를 샘플링하기 위해 강력한 적응형 메트로폴리스 알고리즘을 사용합니다. 평활화된 공변량 함수를 추정하는 데 내재된 다중 검정 문제를 해결하기 위해 저자들은 전역적 유의성을 평가하기 위해 결합 신뢰 대역을 활용합니다. 또한, 이 모델은 종양 경사, 환자 차이, 공간적 관계, 그리고 측정 오차에 대한 설명된 분산 비율 (PVE) 을 계산하여 분산 분해를 용이하게 합니다.

주요 결과

• 시뮬레이션 연구: 세 가지 시나리오 (낮은 공간적 의존성, 높은 공간적 의존성, 비선형 효과) 에서 MoSAIC 은 비공간 모델, 일반화 가법 모델 (GAM), 그리고 조건부 자기회귀 (CAR) 효과를 사용한 공간 모델보다 우수한 성능을 보여주었습니다. MoSAIC 은 일관되게 더 낮은 WAIC(더 나은 모델 적합도), 더 낮은 평균 제곱 예측 오차 (MSPE), 그리고 명목상 95% 에 근접하는 더 정확한 예측 커버리지를 달성했습니다. 성능 향상은 강한 공간적 의존성과 복잡한 공변량 효과가 있는 설정에서 가장 두드러졌습니다.
• 신장 세포 암종 (RCC) 적용: 육종형 RCC(sRCC) 를 가진 21 명의 환자 코호트와 354 개의 FOV 에 적용된 MoSAIC 은 PD-L1 과 N-cadherin 발현으로 정의된 EMT 경사 전반에 걸친 세포 공국립 패턴을 조사했습니다.
  • PD-L1: 증가된 PD-L1 발현은 대식세포 - 종양 공국립의 증가와 세포독성 T- 종양 공국립 간의 비단조적 관계 (초기 증가 후 감소) 와 연관되었습니다.
  • N-cadherin (NCAD): 더 높은 NCAD 발현 (더 간엽적 표현형을 나타냄) 은 세포독성 T- 종양 공국립의 감소와 연관되었으며, 이는 공격적인 sRCC 영역에서 면역 표적화가 감소했음을 시사합니다.
  • 분산 분해: 이 모델은 총 결과 변이의 7590% 를 설명했습니다. 환자별 효과가 가장 큰 비중 (2954%) 을 차지했으며, 이어 공간 무작위 효과 (1130%) 가 뒤를 이었습니다. PD-L1 과 NCAD 는 각각 813% 와 1% 미만~5% 로 작지만 유의미한 부분을 설명했습니다.

의의 및 주장
이 논문은 MoSAIC 이 암 영상에서 공간적 종양 경사 효과를 정량화하기 위한 해석 가능한 다중 해상도 프레임워크를 제공한다고 주장합니다. HMI 데이터의 계층적 성격을 명시적으로 모델링함으로써, 이 방법은 전역적 생물학적 경향을 환자별 및 공간적 잡음으로부터 성공적으로 분리합니다. 저자들은 MoSAIC 이 기존 방법들이 공간적 의존성을 무시하거나 종양 조직의 불규칙한 기하학을 수용하지 못하는 중요한 공백을 메우며, 다중 해상도 공간 데이터를 분석하기 위한 방법론적으로 원칙적인 선택을 제공한다고 주장합니다. sRCC 데이터에 대한 적용은 EMT 경사와 관련된 공간적으로 변하는 면역 참여와 같은 생물학적으로 의미 있는 패턴을 드러내는 모델의 능력을 보여주며, 이는 면역요법 전략에 정보를 제공할 수 있습니다. 저자들은 이 방법이 표준 하드웨어에서 몇 분 내에 모델을 적합시킬 정도로 계산적으로 효율적이며 오픈 소스 소프트웨어로 제공된다고 언급합니다.