Topological Data Analysis of Spatial Protein Expression in Multiplexed Spatial Proteomics Studies

Dit paper introduceert TOASTER, een methode voor topologische data-analyse die de associatie tussen continue ruimtelijke eiwitexpressie en patiëntuitkomsten test zonder afhankelijk te zijn van foutgevoelige celsegmentatie, waardoor de statistische power wordt verbeterd en toepassing mogelijk is op data met beeldtekorten.

De kern

De Topologische Data-analyse van Ruimtelijke Proteïne-expressie in Multiplexed Spatial Proteomics Studies
(Samenvatting in simpele taal met creatieve analogieën)

Stel je voor dat je een heel complexe stad op een foto ziet. In deze stad zijn de gebouwen de cellen in je lichaam, en de lichten in de ramen zijn de eiwitten (proteïnen) die die cellen maken.

Het oude probleem: De "Gebouwen tellen"-methode
Tot nu toe hebben wetenschappers deze foto's op een lastige manier geanalyseerd. Ze probeerden eerst elk individueel gebouw (cel) precies af te bakenen en te bepalen wat voor soort gebouw het was (bijvoorbeeld: "dit is een school" of "dit is een ziekenhuis"). Dit noemen ze segmentatie en phenotyping.

Het probleem? Dat is als proberen de contouren van wolken op een foto te tekenen. Soms raken gebouwen elkaar, soms zijn ze vervormd, en soms ontbreken stukken van de foto omdat er een vlek op de lens zat of omdat het weefsel tijdens het maken van de foto een beetje gescheurd is. Als je dan probeert te tellen hoeveel scholen er zijn, maak je veel fouten. En nog belangrijker: je kijkt alleen naar het type gebouw, maar negeert hoe fel het licht in de ramen brandt. Die lichtintensiteit vertelt misschien juist het belangrijkste verhaal!

De nieuwe oplossing: TOASTER
De auteurs van dit papier hebben een nieuwe methode bedacht, genaamd TOASTER. In plaats van te proberen de gebouwen af te bakenen, kijken ze gewoon naar het licht op de hele foto. Ze kijken naar de patronen van het licht, zonder zich zorgen te maken over waar de muren precies zitten.

Hoe werkt dat? Ze gebruiken een wiskundig trucje uit de "Topologische Data-analyse" (een manier om vormen te bestuderen).

De Analogie: Het waterpeil (De "Filtratie")
Stel je voor dat je deze stad onder water zet.

1. Je begint met een heel laag waterpeil. Je ziet alleen de allerhoogste torens (de felste lichten).
2. Je verhoogt het waterpeil langzaam.
3. Op een bepaald moment zie je een nieuw eilandje ontstaan (een groep fel lichten die nog niet verbonden was met de rest). Dit noemen ze een "geboorte" van een vorm.
4. Als je het water nog hoger zet, kunnen twee eilanden samenvloeien tot één groot eiland, of een gat in een eiland kan dichtslibben.

TOASTER houdt een logboek bij van al deze geboorten en verdwijningen. Ze maken een grafiek die laat zien: "Op dit waterpeil zijn er 5 nieuwe eilanden ontstaan, en op dat andere niveau zijn er 2 verdwenen." Dit noemen ze de "Topologische Gebeurtenisgeschiedenis".

Waarom is dit slim?

• Het is robuust: Als er een gat in de foto zit (bijvoorbeeld omdat een stukje weefsel ontbreekt), maakt dat niet uit. Het water stroomt gewoon door het gat. De methode negeert de gaten en kijkt alleen naar de patronen van het licht.
• Het is krachtiger: Omdat ze niet hoeven te gokken waar de muren van de cellen zitten, verliezen ze geen informatie. Ze kunnen zien of de lichten in een bepaalde regio van de stad sterker of zwakker branden dan in een andere regio, en of dat patroon samenhangt met of een patiënt geneest of niet.

De test: Kan het licht voorspellen of iemand herstelt?
De auteurs hebben deze methode getest op twee manieren:

1. Simulaties: Ze maakten nep-steden met computers. Ze zagen dat TOASTER veel beter kon voorspellen welke steden "ziek" waren dan de oude methoden, zelfs als de foto's beschadigd waren.
2. Echt onderzoek (Triple Negative Breast Cancer): Ze keken naar foto's van borstkankers bij patiënten die een nieuwe behandeling kregen (chemotherapie + immunotherapie).
   • Ze keken naar de patronen van eiwitten die T-cellen en B-cellen aanduiden (de "politie" en "soldaten" van het immuunsysteem).
   • Het resultaat: Bij patiënten die volledig herstelden (geen kanker meer), waren de patronen van het licht heel anders dan bij patiënten die terugvielen. De "eilanden" van licht waren meer geconcentreerd en vormden een ander soort landschap.

Conclusie
TOASTER is als een nieuwe bril voor wetenschappers. In plaats van te proberen de randen van de cellen te tekenen (wat vaak fout gaat), kijken ze naar de vorm en het patroon van het licht zelf. Hierdoor kunnen ze beter zien welke patronen in het weefsel leiden tot genezing, zelfs als de foto's niet perfect zijn. Het is een manier om de "ziel" van het weefsel te lezen zonder de "lichaamsdelen" eerst perfect te hoeven identificeren.

Technische samenvatting

Probleemstelling

Multiplexed spatial proteomics-platforms (zoals MIBI, IMC en multiplexed immunohistochemistry) genereren hoogwaardige beelden die de ruimtelijke expressie van eiwitten in weefsel vastleggen. De huidige standaardanalysepiplines vereisen een complexe voorverwerking die bestaat uit:

1. Segmentatie: Het voorspellen van de grenzen van individuele cellen.
2. Fenotypering: Het toewijzen van celtype-labels (bijv. T-cel, B-cel) op basis van eiwitexpressie binnen die grenzen.

Deze benadering heeft drie fundamentele nadelen:

• Foutgevoeligheid: Segmentatie en fenotypering zijn vatbaar voor fouten door overlappende cellen, variërende celmorfologieën of gesneden cellen.
• Informatieverlies: Eiwitexpressie buiten de voorspelde celgrenzen wordt vaak verworpen, waardoor waardevolle informatie over het weefsel verloren gaat.
• Afwijking van continue data: Bestaande methoden behandelen cellen als discrete punten met een "markering", waardoor de continue intensiteit van de eiwitexpressie wordt genegeerd.

Er is een behoefte aan een methode die de continue ruimtelijke eiwitexpressie direct analyseert zonder afhankelijk te zijn van imperfecte segmentatie, en die robuust is tegen gaten of scheuren in weefselstalen.

Methodologie: TOASTER

De auteurs stellen TOASTER (Test Of Association between Spatial protein expression and clinical Traits-of-intERest) voor. Dit is een methode die Topological Data Analysis (TDA) gebruikt om de associatie tussen continue ruimtelijke eiwitexpressie en patiëntuitkomsten (bijv. overleving, respons op therapie) te testen.

De kern van de methode bestaat uit de volgende stappen:

1. Topologische Karakterisering (Filtratie):

   • In plaats van cellen te tellen, wordt de eiwitintensiteit behandeld als een willekeurig veld (random field).
   • Er wordt een filtratie toegepast: de intensiteitstijdsdrempel ($t$) wordt stap voor stap verhoogd.
   • Univariate analyse: Er worden "geboortegebeurtenissen" van verbonden componenten (degree-0 homologie) en "sterftegebeurtenissen" van lussen (degree-1 homologie) gedetecteerd. Een pixel wordt geboren als een lokaal minimum dat niet aangrenzend is aan reeds geboren buren.
   • Bivariate analyse: Voor twee eiwitten wordt gezocht naar gedeelde lokale minima (waar beide eiwitten tegelijkertijd een lokaal minimum vormen). Dit vangt interacties of colocalisatie op.

2. Samenvatting via Topologische Gebeurtenisgeschiedenis:

   • De reeks van geboortes en sterftes wordt samengevat als een topologische gebeurtenisgeschiedenis.
   • Dit wordt gemodelleerd met een aangepaste Nelson-Aalen cumulatieve hazardfunctie ($\hat{A}(t)$). Deze functie beschrijft hoe de topologische structuur evolueert naarmate de drempelwaarde toeneemt.
   • De methode is inherent robuust voor gaten of scheuren in het beeld, omdat deze worden behandeld als ontbrekende pixels die de berekening van de risicogroep (at-risk set) aanpassen zonder de analyse te verstoren.

3. Associatietesten:
   Om te testen of deze topologische samenvattingen correleren met klinische uitkomsten, worden drie statistische benaderingen voorgesteld:

   • Functionele Data-analyse (FPCA): De krommen worden ontbonden in functionele hoofdcomponenten (FPCA-scores), die vervolgens als covariaten worden gebruikt in een Cox-proportionele hazardmodel (voor overleving) of logistische regressie (voor binaire uitkomsten).
   • Gridwise Testing: De krommen worden gediscretiseerd op een raster van punten. Op elk punt wordt een associatietest uitgevoerd (bijv. Wald-test of Wilcoxon), en de resulterende p-waarden worden gecombineerd via de Cauchy-combinatietest.
   • Kernel-associatietest: Een afstandsmatrix wordt berekend tussen de krommen van verschillende patiënten. Deze wordt omgezet in een kernel-matrix en getest op associatie met de uitkomst via een kernel-machine teststatistiek (gebaseerd op Martingale-residuen).

Belangrijkste Resultaten

1. Simulatiestudies:

• Kracht (Power): TOASTER toonde aanzienlijk hogere statistische kracht dan bestaande methoden (zoals DenVar en DIMPLE) bij het detecteren van associaties tussen ruimtelijke expressie en uitkomsten. Dit gold zowel voor univariate als bivariate analyses.
• Type I Fout: TOASTER controleerde de Type I-fout (vals-positieven) nauwkeurig op het nominale niveau (0,05), terwijl vergelijkbare methoden soms te conservatief waren.
• Robuustheid: De methode behield zijn kracht zelfs in scenario's met geïnduceerde gaten (missing data) in de beelden, wat een veelvoorkomend probleem is bij weefselverwerking.
• Uniek vs. Gedeeld: Bij bivariate analyse presteerde TOASTER bijzonder goed wanneer twee eiwitten onafhankelijk waren maar uit hetzelfde parametrische model kwamen, wat suggereert dat het de onderliggende topologische structuur van het veld goed onderscheidt.

2. Toepassing: Triple-Negative Breast Cancer (NeoTRIP-studie):

• De methode werd toegepast op Imaging Mass Cytometry (IMC)-data van patiënten met triple-negatieve borstkanker die behandeld werden met chemotherapie en immunotherapie.
• Vindst: De topologische structuur van de expressie van immuun-eiwitten (CD3, CD4, CD8, CD20) was significant geassocieerd met de respons op de behandeling (pathologische complete respons vs. recidief).
• Interpretatie: Patiënten die reageerden op de behandeling vertoonden minder "geboortes" van verbonden componenten tijdens de filtratie, wat suggereert dat de eiwitexpressie meer geconcentreerd was in dichte clusters.
• Sterkste associaties: De gedeelde expressie van CD3+CD4 en CD3+CD20 toonde de sterkste associaties met de behandelaantwoord.

Bijdragen en Significantie

1. Paradigmaverschuiving: TOASTER verschuift de focus van discrete cel-telling naar continue ruimtelijke analyse. Dit elimineert de afhankelijkheid van foutgevoelige segmentatie en fenotypering.
2. Behoud van Informatie: Door de continue intensiteit van eiwitten te gebruiken, wordt informatie die anders verloren zou gaan (bijv. expressie tussen cellen of in ongedefinieerde gebieden) behouden.
3. Robuustheid: De methode is specifiek ontworpen om om te gaan met artefacten zoals gaten en scheuren in weefselstalen, wat de praktische toepasbaarheid in klinische settings vergroot.
4. Statistische Innovatie: De integratie van TDA met survival-analyse technieken (Nelson-Aalen) en moderne kernel-testen biedt een nieuw raamwerk voor het analyseren van complexe ruimtelijke biomedische data.
5. Klinische Relevantie: De toepassing op borstkankerdata demonstreert dat topologische kenmerken van eiwitexpressie waardevolle biomerkers kunnen zijn voor het voorspellen van immunotherapie-respons, wat potentiële implicaties heeft voor gepersonaliseerde geneeskunde.

Samenvattend biedt TOASTER een krachtig, fouttolerant en statistisch onderbouwd alternatief voor bestaande ruimtelijke analysemethoden, waardoor diepere inzichten in de tumor-micro-omgeving mogelijk worden zonder de beperkingen van cel-segmentatie.