📊 statistics

JASPER: Joint Bayesian Analysis of Spatial Expression via Regression

JASPER is een Bayesiaans raamwerk dat door middel van regressie met ruimtelijke basisfuncties inter-gene correlaties meeneemt om de detectie van ruimtelijk variërende genen in transcriptomics-data te verbeteren en zo de statistische en biologische interpretatie van complexe biologische systemen te versterken.

Oorspronkelijke auteurs: Pritam Dey, Rajarshi Guhaniyogi, Yang Ni, Bani K. Mallick

Gepubliceerd 2026-04-22

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Pritam Dey, Rajarshi Guhaniyogi, Yang Ni, Bani K. Mallick

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

🧬 JASPER: De "Super-Vertaler" voor Genen in Ruimte

Stel je voor dat je een enorme stad hebt (een stukje weefsel in je lichaam, zoals een borsttumor). In deze stad wonen miljarden kleine inwoners: de cellen. Elke cel heeft een eigen bibliotheek met instructieboeken (genen) die vertellen wat ze moeten doen.

Vroeger konden wetenschappers alleen kijken naar de gemiddelde hoeveelheid instructies in de hele stad. Ze wisten niet waar in de stad bepaalde instructies werden gebruikt.
Vandaag de dag hebben we nieuwe technologieën (zoals SRT of "ruimtelijke transcriptomics") die ons een kaart geven. We kunnen nu precies zien: "Ah, dit specifieke boekje wordt alleen gelezen in de hoek van de stad, niet in het centrum."

Het probleem is echter: Hoe vind je de juiste boeken op de kaart?

🚧 Het Probleem: De "Eén voor Eén" Benadering

Bestaande methoden om deze "ruimtelijke boeken" (genen) te vinden, werken als een detective die één voor één elke straat afloopt.

Ze kijken naar Gen A: "Is dit boekje hier en daar anders?" -> Ja/Nee.
Dan kijken ze naar Gen B: "Is dit boekje hier en daar anders?" -> Ja/Nee.

De fout hier: Genen praten met elkaar! Ze werken samen in teams. Als Gen A een boekje leest, doet Gen B dat vaak ook. Bestaande methoden negeren dit gesprek. Ze kijken alsof elke gen een eenzame wandelaar is. Dit leidt tot veel fouten:

Ze missen belangrijke genen die alleen samen met anderen opvallen.
Ze denken dat onbelangrijke genen belangrijk zijn (vals positief).
Ze gebruiken een starre "kaart" (wiskundige formule) die niet past bij de complexe straten van de stad. Als de stad een kronkelend pad heeft, past hun rechte lijn niet.

🚀 De Oplossing: JASPER (De Groepsdetective)

De auteurs van dit paper hebben JASPER bedacht. JASPER is geen detective die één voor één loopt, maar een slimme groepsanalyser die alles tegelijk bekijkt.

Hier is hoe JASPER werkt, in drie simpele stappen:

1. De "Groepsdynamiek" (Samenwerking)
In plaats van elke gen apart te bekijken, kijkt JASPER naar alle genen tegelijk.

Analogie: Stel je voor dat je een orkest hoort. Als je luistert naar één viool, hoor je misschien niets bijzonders. Maar als je luistert naar het hele orkest, zie je dat de viool, de cello en de fluit perfect op elkaar inspelen. JASPER hoort die harmonie. Als genen samenwerken, helpt JASPER ze elkaar te vinden, waardoor ze veel preciezer zijn dan de methoden die alleen naar één instrument kijken.

2. Geen Starre Kaarten, maar Vrij Bewegen (Flexibiliteit)
Bestaande methoden gebruiken een vooraf ingestelde "kaart" (een wiskundige formule) om patronen te zoeken.

Analogie: Het is alsof je probeert een kronkelend riviertje te tekenen met alleen rechte linialen. Het lukt niet goed.
JASPER gebruikt spatiale basisfuncties. Dit is alsof je een stuk knettergum hebt. Je kunt dit knettergum in elke vorm duwen die je nodig hebt: kronkels, bollen, of zigzags. JASPER past zijn "knettergum" perfect aan de vorm van de genenpatronen aan, zonder vast te zitten aan starre regels.

3. Het Tellen van de "Stemmen" (Geen voorafgaande aanpassing)
Veel andere methoden moeten eerst de data "schonen" of "normaliseren" voordat ze beginnen.

Analogie: Het is alsof je een gesprek moet vertalen, maar eerst alle woorden moet herschrijven naar een standaardformaat voordat je begint. Hierdoor gaat soms de nuance verloren.
JASPER luistert naar de ruwe stemmen (de oorspronkelijke aantallen). Het is slim genoeg om te begrijpen dat als er in één straat meer mensen zijn, er ook meer stemmen zijn, zonder dat het gesprek verstoord wordt.

🏆 Wat hebben ze ontdekt? (De Resultaten)

De auteurs hebben JASPER getest op echte data, zoals een borstkanker-studie.

Resultaat: JASPER vond veel meer belangrijke genen dan de oude methoden.
Waarom is dit belangrijk? De genen die JASPER vond, bleken echt belangrijk te zijn voor kanker. Ze hadden te maken met hoe kankercellen zich vasthechten en verplaatsen (metastasen).
De "Test": Ze keken ook naar andere datasets (zoals de hersenen van een muis). Overal waar JASPER werd gebruikt, vond het meer waardevolle patronen en minder fouten.

💡 De Conclusie in één zin

JASPER is als een super-intelligente, flexibele groepsanalyser die luistert naar het gesprek tussen alle genen in je lichaam, in plaats van ze één voor één te ondervragen. Hierdoor vinden we de echte "schurken" en "helden" in de biologie veel sneller en nauwkeuriger.

Dit maakt het een krachtig gereedschap voor artsen en onderzoekers om ziektes beter te begrijpen en betere behandelingen te vinden.

Probleemstelling

Ruimtelijk opgeloste transcriptomics (Spatially Resolved Transcriptomics, SRT) is een snel ontwikkelende technologie die het mogelijk maakt om genexpressie te meten binnen de ruimtelijke context van weefsel. Een cruciale stap in de analyse van deze data is het identificeren van ruimtelijk variërende genen (SVGs).

Bestaande methoden voor het detecteren van SVGs hebben echter twee belangrijke beperkingen:

Gebrek aan rekening houden met inter-gene correlaties: De meeste huidige methoden analyseren genen één voor één (screening per gen). Ze negeren echter de co-expressie van genen (het feit dat de expressie van het ene gen gereguleerd kan worden door andere genen). Dit leidt tot een verhoogde kans op zowel vals-positieve als vals-negatieve resultaten.
Afhankelijkheid van vooraf gedefinieerde ruimtelijke kernels: Veel prominente methoden (zoals SpatialDE en SPARK) vertrouwen op Gaussische processen met specifieke covariantie-kernels (bijv. Matern of squared-exponential). Deze kernels gaan vaak uit van stationariteit, wat in complexe biologische systemen (zoals kankergewassen met niet-convexe domeinen) vaak niet het geval is. Een verkeerde keuze van de kernel kan de statistische power aanzienlijk verminderen.

Methodologie: JASPER

De auteurs introduceren JASPER (Joint Bayesian Analysis of SPatial Expression via Regression), een volledig Bayesiaans raamwerk dat de bovengenoemde beperkingen adresseert.

Kerncomponenten van het model:

Gecombineerde modellering van genen: In plaats van genen individueel te testen, modelleert JASPER meerdere genen simultaan. Dit maakt het mogelijk om informatie te "lenen" over genen met sterke co-expressiepatronen, waardoor de detectie van ruimtelijke variatie nauwkeuriger wordt.
Ruimtelijke basisfunctie-regressie: JASPER vermijdt het gebruik van vooraf gedefinieerde covariantie-kernels. In plaats daarvan gebruikt het een regressieframework met ruimtelijke basisfuncties (specifiek kubische B-splines in dit paper). Dit biedt een flexibele manier om diverse en complexe ruimtelijke patronen te modelleren zonder de restricties van stationariteit.
Modellering van expressietellingen: De methode modelleert de ruwe genexpressietellingen direct met een Negatief Binomiale verdeling. Dit is superieur aan Poisson-modellen omdat het rekening houdt met overdispersie en nul-inflatie, wat veelvoorkomend is in SRT-data. Hierdoor is voor-normalisatie (zoals TMM) niet strikt noodzakelijk, wat artefacten voorkomt die door normalisatie kunnen worden geïntroduceerd.
Bayesiaanse variabeleselectie (Spike-and-Slab):
- De selectie van SVGs gebeurt via een multivariate spike-and-slab prior op de regressiecoëfficiënten ( $\beta_j$ ) voor elk gen.
- Een indicatorvariabele $\gamma_j$ bepaalt of een gen een SVG is ( $\gamma_j=1$ ) of niet ( $\gamma_j=0$ ).
- Als $\gamma_j=0$ , is de coëfficiënt $\beta_j$ gelijk aan 0 (geen ruimtelijk effect). Als $\gamma_j=1$ , volgt $\beta_j$ een multivariate normale verdeling.
- De covariantiematrix $\Sigma$ in het model vangt de co-expressiepatronen tussen de genen op.
Inferentie: De achtergrondverdeling wordt benaderd via een Gibbs-sampler met data-augmentatie (Polson et al., 2013) voor de latente Gaussische variabelen. Genen worden geselecteerd op basis van hun Posterior Probability of Inclusion (PPI), waarbij een drempel wordt gekozen om de verwachte False Discovery Rate (peFDR) onder de 0.05 te houden.

Belangrijkste Bijdragen

Gecombineerde analyse: JASPER is de eerste SVG-detectiemethode die expliciet rekening houdt met de correlatiestructuur tussen genen door middel van een gezamenlijk Bayesiaans model.
Kernel-onafhankelijkheid: Door gebruik te maken van ruimtelijke basisfuncties in plaats van vaste kernels, is de methode robuust tegen misspecificatie van ruimtelijke patronen (bijv. niet-stationaire patronen).
Directe modellering van tellingen: Het vermijden van pre-normalisatie en het gebruik van een Negatief Binomiale verdeling behoudt de natuurlijke statistische eigenschappen van de data.
Scalabiliteit: Voor datasets met een zeer groot aantal genen of locaties wordt een vereenvoudigde "JASPER-normalized" versie voorgesteld die werkt op genormaliseerde data met een Gaussische veronderstelling.

Resultaten

Simulatiestudies:

Co-expressie: JASPER presteerde significant beter dan concurrenten (SPARK en SpatialDE), vooral wanneer de ruimtelijke effecten klein waren en de genen sterk gecorreleerd waren. De gezamenlijke modellering verlaagde de vals-positieve en vals-negatieve rates aanzienlijk.
Kernel-robustheid: In een simulatie met een periodieke exponentiële sinus-kern (waarbij bestaande methoden met vaste kernels faalden), behaalde JASPER een True Positive Rate van 93,5%, vergeleken met 43,2% voor SpatialDE en 63,5% voor SOMDE.
Sparsiteit: De nauwkeurigheid van JASPER nam toe naarmate het aantal SVGs in de dataset groter werd, dankzij het kunnen lenen van informatie over de onderliggende correlatiepatronen.

Toepassing op Real-World Data:
De methode werd getest op drie datasets:

Menselijk borstkanker (10x Visium):
- JASPER identificeerde 672 SVGs.
- Biologische relevantie: De door JASPER uniek geïdentificeerde genen toonden een hogere overlap met bekende kankergen-databases (Harmonizome en COSMIC) en een hogere ruimtelijke autocorrelatie (Moran's I = 0,61 vs 0,41/0,34 bij concurrenten).
- Genen: Genen zoals COX6C en EFNA1 werden uniek door JASPER gedetecteerd en zijn bekend om hun rol in hormoonresponsieve borstkanker en metastase.
- Enrichment: Gen-Set Enrichment Analysis (GSEA) toonde aan dat JASPER veel meer biologisch significante termen (GO-terms) en pathways (zoals "ECM-receptor interaction") identificeerde die relevant zijn voor borstkanker.
Muizen visuele cortex (STARmap):
- JASPER detecteerde 53 SVGs (vs 45 en 22 bij concurrenten) en vond alle 13 genen die in de originele studie als ruimtelijk bekend stonden (concurrenten vonden er 11 en 3).
- JASPER detecteerde ook genen met complexe patronen (zoals Gad1) die door andere methoden werden gemist.
Muizen olfactorische bulbus (ST):
- JASPER identificeerde 713 genen en vond alle 10 in de originele studie genoemde genen, terwijl SPARK en SpatialDE er respectievelijk 8 en 4 vonden.
- Een hogere percentage van de gedetecteerde genen bleek gerelateerd aan olfactorische gebieden in de Harmonizome database.

Significantie

JASPER vertegenwoordigt een belangrijke doorbraak in de analyse van ruimtelijke transcriptomics-data. Door de beperkingen van bestaande "gene-by-gene" screening en starre kernel-aannames te overwinnen, biedt het:

Hogere statistische power: Betere detectie van zwakke ruimtelijke signalen door gebruik te maken van gen-correlaties.
Verbeterde biologische interpretatie: De geïdentificeerde genen zijn sterker gelinkt aan bekende biologische pathways en ziektemechanismen.
Robuustheid: De methode is minder gevoelig voor de keuze van modelparameters en werkt goed op complexe, niet-stationaire weefselstructuren.

De auteurs concluderen dat JASPER een krachtig hulpmiddel is voor het onthullen van ruimtelijke genexpressiepatronen in complexe biologische systemen en potentieel kan bijdragen aan het identificeren van nieuwe therapeutische doelen en biomarkers.