Spatially Varying Graphical Models for Cell-Cell Interaction Networks in Multiplexed Tissue Imaging

Deze paper introduceert GP-GHS, een Bayesiaans framework dat gebruikmaakt van Hilbert-ruimte-Gaussian-processen en een groepshorseshoe-prior om ruimtelijk variërende cellulaire interactienetwerken uit multiplex weefselbeeldvorming te reconstrueren, waardoor een nauwkeurige identificatie van subtype-specifieke immunosuppressieve netwerken in colorectale kanker mogelijk wordt.

De kern

Stel je voor dat een tumor niet zomaar een hoopje kankercellen is, maar een levende, bruisende stad. In deze stad wonen verschillende soorten "inwoners": soldaten (immuuncellen), bouwvakkers (weefselcellen), en de "boeven" (kankercellen). De manier waarop deze groepen met elkaar praten en samenwerken, bepaalt of de stad gezond blijft of dat de boeven de overhand krijgen.

Deze nieuwe wetenschappelijke studie, getiteld GP-GHS, is als een superkrachtige, slimme detective die deze stad in kaart brengt. Hier is hoe het werkt, vertaald naar alledaags taal:

1. Het Probleem: De oude kaarten waren onvolledig

Vroeger hadden wetenschappers twee manieren om te kijken naar deze cellen:

• Manier A (De teller): "Ik zie veel soldaten en veel bouwvakkers in dezelfde buurt, dus ze moeten vrienden zijn." Dit is fout, want misschien zijn ze gewoon allebei aangetrokken door een derde groep (zoals de politie), en praten ze zelf nooit met elkaar.
• Manier B (De globale kaart): "In heel de stad is er een gemiddelde vriendschap tussen soldaten en bouwvakkers." Dit is ook fout, want in de stadskern (de tumor) zijn ze misschien vijanden, terwijl ze aan de rand (de invasieve rand) juist hand in hand werken. De oude methoden zagen deze verschillen niet.

Ze hadden een kaart nodig die twee dingen tegelijk deed:

1. Zien wie écht met wie praat (niet alleen wie dicht bij elkaar woont).
2. Zien dat deze relaties veranderen naarmate je door de stad loopt (soms zijn ze vrienden, soms niet).

2. De Oplossing: GP-GHS (De Slimme Detective)

De auteurs hebben een nieuw systeem bedacht, GP-GHS, dat werkt als een slimme detective met een speciale bril.

• De Brillen (Gaussian Processes): In plaats van te kijken naar één statisch beeld, kijkt de detective naar een continu stroombeeld. Hij ziet niet alleen dat twee cellen contact hebben, maar waar en hoe sterk dat contact is. Het is alsof je een video hebt van de stad in plaats van een foto.
• De Groepsbeslissing (Group Horseshoe): Dit is het meest creatieve deel. Stel je voor dat de detective een lijst heeft met 100 mogelijke vriendschappen.
  • Een oude methode zou elke vriendschap apart bekijken. "Is dit contact? Ja/Nee. Is dat contact? Ja/Nee." Hierdoor raakt hij in de war en ziet hij dingen die er niet zijn (ruis).
  • GP-GHS kijkt naar de hele groep van contacten die één celtype aangaat. Het zegt: "Ofwel is deze hele groep contacten echt (de cel is sociaal), ofwel is het helemaal niets (de cel is een eenzame wolf)."
  • De Analogie: Het is alsof je een luidspreker hebt met 20 knoppen (de verschillende contactpunten). Als je de hoofdschakelaar (de 'groep') uitzet, gaan alle knoppen tegelijk uit. Je hoeft niet te twijfelen over elke knop apart. Dit voorkomt dat de detective halve waarheden ziet en zorgt voor een heel scherp beeld.

3. De Praktijk: De Tumor-Stad in Kleur

De auteurs hebben dit systeem getest op echte data van darmkankerpatiënten. Ze keken naar 140 foto's van tumoren van 35 patiënten. Ze deelden de patiënten in twee groepen in:

• Groep 1 (CLR): Een stad waar de immuuncellen in kleine, georganiseerde groepjes zitten (als een dorpje).
• Groep 2 (DII): Een stad waar de immuuncellen overal verspreid zijn, een grote, chaotische menigte.

Wat ontdekten ze?
Met hun nieuwe detective-systeem zagen ze iets dat de oude methoden misten:
In de chaotische stad (Groep 2) was er een super-sterke, onderdrukkende alliantie rondom de T-reg cellen (een soort "politieagenten" die de soldaten rustig houden).

• In Groep 1 waren deze agenten vrijwel onzichtbaar of niet actief.
• In Groep 2 hielden deze agenten echter iedereen vast: ze zaten dicht bij de soldaten, de bouwvakkers, en zelfs de boeven. Ze vormden een ondoordringbaar schild dat de aanval van het immuunsysteem stopte.

Dit is cruciaal, want het verklaart waarom sommige patiënten slechter doen dan anderen: hun tumorstad heeft een heel ander "systeem" van onderdrukking.

4. Waarom is dit belangrijk?

Vroeger was het alsof je probeerde te begrijpen hoe een stad werkt door alleen naar het gemiddelde aantal auto's te kijken. Nu kunnen we zien:

• Wie echt met wie praat.
• Hoe die gesprekken veranderen als je van de ene wijk naar de andere gaat.
• Welke groepen de macht hebben in welke situatie.

Samenvattend:
Deze studie introduceert een slimme nieuwe manier om te kijken naar kankerweefsel. Het is alsof we zijn gegaan van het kijken naar een statische foto van een drukke markt, naar het hebben van een live-video met geluid, waarbij we precies kunnen horen wie met wie praat en waar die gesprekken plaatsvinden. Dit helpt artsen om beter te begrijpen waarom kanker zich soms verbergt en hoe we die "onderdrukkende netwerken" in de tumor kunnen doorbreken.

Technische samenvatting

Probleemstelling

Multiplexed tissue imaging-platforms (zoals CODEX) maken het mogelijk om tientallen celtypen met single-cell ruimtelijke resolutie in intact weefsel te visualiseren. Hoewel bestaande methoden (zoals Squidpy of Giotto) ruimtelijke co-voorkomens kunnen analyseren, hebben ze twee fundamentele beperkingen:

1. Gebrek aan conditionele inferentie: Ze baseren zich op marginale paarsgewijze statistieken. Een co-voorkomen tussen twee celtypen kan vals-positief zijn als beide onafhankelijk worden aangetrokken door een derde celtype (bijv. stroma), zonder dat er een directe interactie is.
2. Gebrek aan ruimtelijke heterogeniteit: Bestaande grafische modellen schatten vaak één globale interactiecoëfficiënt per celtype-paar. Dit negeert het feit dat interacties in het tumor micro-omgeving (TME) sterk kunnen variëren afhankelijk van de locatie (bijv. tumorcore vs. invasieve rand).

Er ontbreekt dus een methode die tegelijkertijd een spaarzame conditionele onafhankelijkheidsgrafiek schat en toestaat dat de sterkte van deze interacties continu varieert over het weefsel, terwijl ze een coherent "alles-of-niets" besluit neemt over het bestaan van een rand (edge).

Methodologie: GP-GHS

De auteurs stellen GP-GHS voor, een Bayesiaans raamwerk voor nodewise regressie dat drie kerncomponenten combineert:

1. Nodewise Ruimtelijke Regressie:
   Voor elk celtype $s$ wordt een regressiemodel opgesteld waarbij de expressie wordt voorspeld door alle andere celtypen $s'$. In tegenstelling tot standaard lasso-methoden, zijn de regressiecoëfficiënten $\beta_{s'}(l)$ geen scalairen, maar functies van de ruimtelijke locatie $l$.

2. Hilbert Space Gaussian Process (HSGP) Benadering:
   Om de computationele kosten van exacte Gaussian Process (GP) inferentie (die $O(n^3)$ is) te reduceren, wordt elke ruimtelijke coëfficiënt benaderd als een lineaire combinatie van spectrale basisfuncties (eigenfuncties van de Laplaciaan). Dit reduceert de complexiteit naar $O(nm^2)$, waarbij $m$ het aantal basisfuncties is. De Matérn-kernel (met $\nu=3/2$) wordt gebruikt om gladheid binnen weefselcompartimenten te modelleren, maar scherpe overgangen aan grenzen toe te staan.

3. Groep-Horseshoe Prior (Group Horseshoe):
   Dit is de cruciale innovatie. De spectrale basiscoëfficiënten die bij één kandidaat-rand (edge) horen, worden niet onafhankelijk gestraft. In plaats daarvan delen ze één lokaal shrinkage-parameter $\lambda_j$.

   • Groepsbeslissing: Als $\lambda_j \to 0$, wordt het hele spectrale blok (en dus de volledige interactiefunctie over het hele weefsel) naar nul geshrunk. Dit betekent dat de rand afwezig is.
   • Ruimtelijke gladheid: Als $\lambda_j$ groot is, wordt de ruimtelijke structuur bepaald door de spectrale prior (HSGP).
   • Scheiding van rollen: De groep-prior regelt het bestaan van de rand, terwijl de spectrale prior de ruimtelijke gladheid regelt geconditioneerd op het bestaan.

4. Posterieure Inferentie:
   Er wordt gebruik gemaakt van een gesloten vorm block Gibbs-sampler. De $p$ nodewise regressies worden parallel verwerkt. Een symmetrisch ongerichte graaf wordt hersteld via de AND-regel: een rand is alleen aanwezig als zowel de regressie van $s$ op $s'$ als van $s'$ op $s$ een actieve functie aangeven.

Belangrijkste Resultaten

1. Simulatiestudies:
GP-GHS werd vergeleken met vijf concurrenten (o.a. Graphical Lasso, Nodewise Lasso, standaard Horseshoe, en Exact GP).

• Superieure Prestatie: GP-GHS domineerde alle concurrenten op F1-score en Matthews Correlation Coefficient (MCC) over alle niveaus van spaarzaamheid.
• Kritieke Rol van Groep-Prior: De ablatiestudie toonde aan dat het vervangen van de groep-Horseshoe door een standaard (scalar) Horseshoe prior leidde tot een complete mislukking (F1 < 0,05). Dit bewijst dat onafhankelijke shrinkage van basiscoëfficiënten niet werkt voor het herstel van ruimtelijke structuren; de groepsprior is essentieel om coherentie te behouden.
• FDR-beheersing: In tegenstelling tot Exact GP (dat een hoge False Discovery Rate had in spaarzame scenario's door gebrek aan globale regularisatie), hield GP-GHS de FDR onder controle dankzij de globale shrinkage-parameter $\tau$.
• Schaalbaarheid: Dankzij de HSGP-benadering is GP-GHS computationeel haalbaar voor datasets met honderden ruimtelijke locaties, terwijl Exact GP onpraktisch duur werd.

2. Toepassing op Colorectaal Kanker (CRC) Data:
De methode werd toegepast op een dataset van 140 CODEX-beelden van 35 patiënten, ingedeeld in twee pathologische subtypen: Crohn's-like reaction (CLR) en diffuse inflammatory infiltrate (DII).

• Differentiële Analyse: Er werden 13 significant verschillende interacties geïdentificeerd (FDR < 0,05) tussen de twee subtypen.
• Biologische Bevinding: Alle significante verschillen toonden een versterkte interactie in het DII-subtype.
  • Er werd een Treg-gecentreerd immuunsuppressief netwerk ontdekt dat specifiek versterkt is in DII. Tregs vertoonden sterkere ruimtelijke co-localisatie met bijna alle andere celtypen (macrofagen, CD8+ T-cellen, vasculatuur, stroma, tumorcellen).
  • In het CLR-subtype waren deze interacties grotendeels afwezig (ruimtelijk diffuus of afwezig).
  • Dit resultaat is biologisch consistent met de bekende rol van Tregs en macrofagen in immuunsuppressie bij colorectale kanker en bevestigt dat DII een meer georganiseerd, onderdrukkend micro-omgeving heeft dan CLR.

Bijdragen en Significantie

1. Methodologische Innovatie: GP-GHS is het eerste Bayesiaanse grafische model dat ruimtelijke variatie en spaarzaamheid op grafniveau combineert. De combinatie van HSGP (voor schaalbaarheid) en de Groep-Horseshoe prior (voor coherent rand-selectie) lost een fundamenteel probleem op in ruimtelijke omics.
2. Biologisch Inzicht: De studie levert bewijs dat de ruimtelijke organisatie van het immuunsysteem in colorectale kanker subtypen fundamenteel verschilt. Het onthult dat het DII-subtype wordt gekenmerkt door een geïntegreerd, immuunsuppressief netwerk rondom Tregs, wat nieuwe hypotheses biedt voor therapeutische interventies.
3. Praktische Toepasbaarheid: De methode is schaalbaar en biedt een robuust statistisch raamwerk voor het analyseren van complexe multiplexed imaging-data, waarbij het onderscheid maakt tussen marginale co-voorkomens en echte conditionele interacties die variëren over het weefsel.

Kortom, dit werk vult een cruciale lacune in de toolbox voor ruimtelijke genomica door methoden te bieden die de ruimtelijke heterogeniteit van het tumor micro-omgeving niet als ruis behandelen, maar als een bron van biologisch signaal modelleren.