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

Technische Samenvatting: MoSAIC – Multi-Resolution Ruimtelijke Regressieanalyse van Cellulaire Colocalisaties in Kankerbeeldvorming

Probleemstelling
Hiërarchische multiplex beeldvormingstechnologieën (HMI) genereren ruimtelijk opgeloste single-cell-metingen over meerdere gezichtsvelden (FOVs) binnen patiënttumorspecimens. Deze datastructuur stelt unieke analytische uitdagingen: (1) complexe ruimtelijke relaties tussen cellen binnen een enkel FOV; (2) niet-verwaarloosbare ruimtelijke afhankelijkheden tussen FOVs binnen hetzelfde tumorweefsel; en (3) hoge mate van zowel intra-patiënt als inter-patiënt heterogeniteit. Bestaande methoden slagen er niet in om deze multi-resolutiestructuur gezamenlijk aan te pakken. Samenvattingsgerichte benaderingen (bijvoorbeeld Ripley's K-cross, DIMPLE) karakteriseren colocalisatie binnen enkele FOVs, maar negeren inter-FOV ruimtelijke afhankelijkheden, wat de schaalbaarheid beperkt. Omgekeerd negeren standaard modelgebaseerde benaderingen (bijvoorbeeld mixed-effects modellen, Conditional Autoregressive modellen) óf ruimtelijke afhankelijkheden tussen FOVs óf ze vertrouwen op aannames (bijvoorbeeld conformabele roosterruimten) die niet opgaan voor irregulaire tumorgeometrieën. Bijgevolg ontbreken er methoden die in staat zijn om globale tumor-gradiënteffecten, patiëntspecifieke variabiliteit en ruimtelijke afhankelijkheid te ontrafelen om ware biologische signalen in HMI-data te herstellen.

Methodologie: Het MoSAIC-model
De auteurs stellen MoSAIC (Multi-Resolution Spatial regression Analysis of cell colocalizations) voor, een hiërarchisch Bayesiaans ruimtelijk regressiemodel dat specifiek is ontworpen voor HMI-data. Het model decomposeert de gezamenlijke variatie van cellulaire colocalisatie-uitkomsten in drie componenten:

1. Globale Tumor-Gradiënteffecten ($g(X)$): Gemodelleerd met behulp van gepenaliseerde spline-gebaseerde basisfuncties om potentieel niet-lineaire relaties tussen covariaten (bijvoorbeeld biomarker-expressieniveaus die een Epithelial-to-Mesenchymal Transition (EMT)-gradiënt vertegenwoordigen) en de uitkomst te vangen. Dit staat een flexibele schatting van populatieniveau-trends toe.
2. Patiëntspecifieke Effecten ($\mu_i$): Random intercepts voor elke patiënt om inter-patiënt variabiliteit te compenseren die globale gradiënteffecten zou kunnen verdoezelen.
3. Ruimtelijke Random Effecten ($\psi$): Gemodelleerd met behulp van Gaussische Processen (GP) om ruimtelijke afhankelijkheid tussen FOVs binnen een enkele patiënt te vangen. De GP maakt gebruik van een kwadratisch exponentieel kernel met een ruimtelijke afnameparameter ($\phi$) om correlatie als functie van afstand te definiëren, waardoor onafhankelijkheid tussen verschillende patiënten wordt gewaarborgd.

Het model wordt geformuleerd als:
$$y(s_{j(i)}) = g(x(s_{j(i)})) + \mu_i + \psi(s_{j(i)}) + \epsilon_{j(i)}$$
waarbij $y$ de colocalisatiemetrica voorstelt, $x$ de tumorgradiënt-covariaten voorstelt, en $\epsilon$ de meetfout is.

Schatting en Inferentie
MoSAIC maakt gebruik van een robuust adaptief Metropolis-algoritme om variantieparameters te bemonsteren uit de marginale posterior-verdeling. Om problemen met meervoudig toetsen die inherent zijn aan het schatten van gladde covariatenfuncties aan te pakken, gebruiken de auteurs gezamenlijke credible bands om globale significantie te beoordelen. Bovendien faciliteert het model variantiedecompositie, waarbij het Percentage Verklaarde Variantie (PVE) wordt berekend voor tumorgradiënten, patiëntverschillen, ruimtelijke relaties en meetfouten.

Belangrijkste Resultaten

• Simulatiestudies: In drie scenario's (lage ruimtelijke afhankelijkheid, hoge ruimtelijke afhankelijkheid en niet-lineaire effecten) toonde MoSAIC superieure prestaties in vergelijking met niet-ruimtelijke modellen, Generalized Additive Models (GAM) en ruimtelijke modellen met Conditional Autoregressive (CAR)-effecten. MoSAIC behaalde consequent lagere WAIC-waarden (betere modelpassing), lagere Mean Squared Predictive Error (MSPE) en nauwkeurigere predictieve dekking (naderend de nominale 95%). De prestatiewinsten waren het meest uitgesproken in situaties met sterke ruimtelijke afhankelijkheid en complexe covariaten-effecten.
• Toepassing op Renale Celd Carcinoom (RCC): Toegepast op een cohort van 21 patiënten met sarcomatoid RCC (sRCC) en 354 FOVs, onderzocht MoSAIC patronen van cellulaire colocalisatie over de EMT-gradiënt (gedefinieerd door PD-L1- en N-cadherine-expressie).
  • PD-L1: Verhoogde PD-L1-expressie was geassocieerd met verhoogde macrofaag-tumor colocalisatie en een niet-monotone relatie met cytotoxische T-cel-tumor colocalisatie (eerst toenemend, daarna afnemend).
  • N-cadherine (NCAD): Hogere NCAD-expressie (wat wijst op een meer mesenchymaal fenotype) was geassocieerd met afgenomen cytotoxische T-cel-tumor colocalisatie, wat suggereert dat er sprake is van verminderde immuunrichting in agressieve sRCC-regio's.
  • Variantiedecompositie: Het model verklaarde 75–90% van de totale uitkomstvariantie. Patiëntspecifieke effecten maakten het grootste aandeel uit (29–54%), gevolgd door ruimtelijke random effecten (11–30%), waarbij PD-L1 en NCAD kleinere maar significante delen verklaarden (respectievelijk 8–13% en <1–5%).

Betekenis en Claims
Het artikel claimt dat MoSAIC een interpreteerbaar, multi-resolutie kader biedt voor het kwantificeren van ruimtelijke tumor-gradiënteffecten in kankerbeeldvorming. Door de hiërarchische aard van HMI-data expliciet te modelleren, slaagt de methode erin globale biologische trends te ontrafelen van patiëntspecifieke en ruimtelijke ruis. De auteurs stellen dat MoSAIC een methodologisch onderbouwde keuze biedt voor het analyseren van multi-resolutie ruimtelijke data, en zo een kritisch gat opvult waar bestaande methoden óf ruimtelijke afhankelijkheden negeren óf falen om rekening te houden met de irregulaire geometrie van tumorweefsel. De toepassing op sRCC-data demonstreert het vermogen van het model om biologisch zinvolle patronen aan het licht te brengen, zoals de ruimtelijk variërende immuunbetrokkenheid die geassocieerd is met de EMT-gradiënt, wat immunotherapie-strategieën kan informeren. De auteurs merken op dat de methode computatie-efficiënt is, modellen in minuten past op standaard hardware, en beschikbaar is als open-source software.