Differential co-localisation analysis of multi-sample and multi-condition experiments with spatialFDA

Dit artikel introduceert spatialFDA, een open-source R-pakket dat methoden uit ruimtelijke statistiek en functionele data-analyse combineert om verschillen in de ruimtelijke co-localisatie van cellen tussen verschillende condities nauwkeurig te kwantificeren en te testen.

De kern

Titel: Een nieuwe manier om de 'buurman-relaties' in je lichaam te meten

Stel je voor dat je lichaam een enorme, levende stad is. In deze stad wonen miljarden cellen: sommige zijn de bouwvakkers, andere de brandweer, weer anderen de politie. In de wereld van de wetenschap noemen we dit ruimtelijke biologie.

Vroeger konden we alleen tellen hoeveel van elke 'inwoner' er in een bepaald gebied was. Maar dat vertelt ons niet alles. Het is alsof je zegt: "In deze wijk wonen 50 brandweerlieden en 50 bouwvakkers." Maar je weet niet of ze elkaar kennen, of ze samenwerken, of dat de brandweerlieden juist ver weg van de bouwvakkers wonen.

In de echte wereld (en in het lichaam) is het wie naast wie woont vaak belangrijker dan het totale aantal. Dit noemen we co-localisatie: het samenkomen van bepaalde cellen.

Het probleem: De stad is te groot en te complex

Wetenschappers hebben nu nieuwe camera's (technologieën zoals spatial omics) die heel gedetailleerde foto's maken van deze cellensteden. Ze kunnen zien waar elke cel zit. Maar hier komt het probleem:

1. Te veel data: Je hebt niet één foto, maar honderden foto's van dezelfde patiënt, en foto's van veel verschillende patiënten.
2. De "buurman"-vraag: Hoe meet je of de relatie tussen twee soorten cellen (bijvoorbeeld een immuuncel en een tumorcel) verandert als iemand ziek wordt?
3. De valkuil: Veel oude methoden probeerden dit te doen door de hele foto in één enkel getal te veranderen (bijvoorbeeld: "het gemiddelde aantal buren"). Maar dat is alsof je een heel boek samenvat in één zin: je mist de details. Misschien is de relatie op korte afstand heel sterk, maar op lange afstand zwak. Een enkel getal ziet dat niet.

De oplossing: spatialFDA (De nieuwe detective)

De auteurs van dit paper hebben een nieuwe tool bedacht genaamd spatialFDA. Ze noemen het een "functie-on-scalar" model, maar laten we het simpel houden:

Stel je voor dat je niet kijkt naar één getal, maar naar een gehele lijn of een melodie.

• Oude methode: "Hoeveel buren heeft de brandweerman?" (Antwoord: 5).
• Nieuwe methode (spatialFDA): "Hoe verandert het aantal buren naarmate je verder weg kijkt?" (Antwoord: "Op 1 meter afstand heeft hij 10 buren, op 5 meter heeft hij er 2, en op 10 meter heeft hij er 0").

spatialFDA houdt deze volledige "melodie" van de relatie vast. Het kijkt niet alleen naar de afstand van 1 meter, maar naar een heel spectrum van afstanden tegelijkertijd.

Hoe werkt het in de praktijk? (De analogie van de feestjes)

Stel je voor dat je twee soorten feesten vergelijkt: een feestje voor gezonde mensen en een feestje voor mensen met diabetes.

• Je wilt weten: "Zitten de gasten op het diabetes-feestje anders bij elkaar dan op het gezonde feestje?"
• spatialFDA kijkt naar de hele dansvloer. Het meet: "Zitten de gasten op 10 centimeter van elkaar? Op 50 centimeter? Op 1 meter?"
• Het houdt rekening met het feit dat je niet naar één kamer kijkt, maar naar 100 verschillende kamers (stalen) van dezelfde persoon, en dat die kamers niet onafhankelijk zijn (ze horen bij dezelfde persoon). Dit is als het vergelijken van feesten waarbij je weet dat sommige gasten op meerdere feesten zijn geweest; je moet dat meenemen in je berekening, anders krijg je een verkeerd beeld.

Wat hebben ze ontdekt?

De auteurs hebben hun tool getest op twee manieren:

1. Simulaties: Ze hebben een virtuele stad gebouwd in de computer en gekeken of hun tool de juiste veranderingen kon vinden. Ze zagen dat hun tool veel nauwkeuriger was dan de oude methoden en minder snel fouten maakte.
2. Echte ziekte (Type-1 Diabetes): Ze hebben gekeken naar de alvleesklier van mensen met diabetes.
   • Wat ze zagen: In de beginfase van de ziekte (wanneer de ziekte net begint), gaan de immuuncellen (de "politie") veel dichter bij de insuline-producerende cellen (de "bouwvakkers") staan dan bij gezonde mensen. Ze lijken de bouwvakkers aan te vallen.
   • Waarom is dit belangrijk? Omdat de oude methoden misschien alleen hadden gezegd: "Er zijn minder bouwvakkers." Maar spatialFDA liet zien: "Het is niet alleen dat ze minder zijn, het is dat de politie ze nu overal omringt." Dit geeft een veel duidelijker beeld van wat er in het lichaam gebeurt.

Conclusie

spatialFDA is als een superkrachtige vergrootglas dat niet alleen telt, maar ook de afstand en de dynamiek tussen cellen meet. Het helpt artsen en onderzoekers om te begrijpen hoe cellen met elkaar communiceren (of vechten) in verschillende ziektes, zonder dat ze de fijne details verliezen door alles in één simpel getal te stoppen.

Het is een nieuwe manier om naar de stad van je lichaam te kijken, waarbij je niet alleen ziet wie er woont, maar ook hoe ze met elkaar omgaan.

Technische samenvatting

Probleemstelling

De opkomst van ruimtelijke 'omics'-technologieën (zoals ruimtelijke transcriptomics en proteomics) heeft geleid tot een explosie aan datasets die de locatie van transcripten en eiwitten in hun biologische context vastleggen. Een cruciale biologische vraag is cellulaire co-localisatie (CCoL): het kwantificeren van de clustering of ruimtelijke afstand tussen verschillende celtypen onder verschillende condities.

Bestaande methoden voor het analyseren van verschillen in CCoL (differential CCoL) hebben echter beperkingen:

1. Scalarisatie van functies: Veel huidige methoden (zoals spicyR en smoppix) reduceren complexe ruimtelijke metrieken (die functies zijn van de straal $r$) tot één enkel getal (bijv. het oppervlak tussen de curve en een referentie, ABC). Dit kan leiden tot een verlies aan gevoeligheid, omdat twee zeer verschillende ruimtelijke patronen hetzelfde "oppervlak" kunnen hebben.
2. Beperkte modellering van variabiliteit: Experimenten met ruimtelijke data hebben vaak een hiërarchische structuur (meerdere beeldvelden/FOVs per monster, meerdere monsters per conditie). Veel methoden kunnen deze geneste variabiliteit (random effects) niet adequaat modelleren, wat leidt tot te optimistische resultaten (foute positieven).
3. Gebrek aan schaal-informatie: Door functies te reduceren tot scalars, gaat informatie verloren over op welke ruimtelijke schaal (bijv. korte vs. lange afstanden) de verschillen optreden.

Methodologie: spatialFDA

De auteurs presenteren spatialFDA, een open-source Bioconductor R-pakket dat functionele data-analyse (FDA) combineert met ruimtelijke statistiek om differentiële CCoL te analyseren.

Kerncomponenten:

• Ruimtelijke Metrieken: De data worden benaderd als een gemarkeerd puntproces (celcentroïden met celtype-labels). Er worden ruimtelijke metrieken berekend voor elk beeldveld (FOV), zoals Ripley's K, Besag's L of de nearest-neighbour G-functie. Deze zijn functies van de straal $r$.
• Functionele Generalized Additive Mixed Models (fGAMM): In plaats van de functies te reduceren, analyseert spatialFDA de volledige curve over het domein $r$. Het gebruikt een fGAMM-framework om groepen functies (bijv. case vs. controle) te vergelijken.
  • Het model kan complexe experimentele ontwerpen hanteren, inclusief random effects voor monsters en FOVs, wat essentieel is voor correcte statistische inferentie in multi-sample experimenten.
  • Het model schat coëfficiënten die interpreteerbaar zijn per ruimtelijke schaal.
• Statistische Inferentie:
  • Er wordt gebruik gemaakt van een globale F-test om te testen of er over het hele domein $r$ een significant verschil is tussen condities.
  • Om problemen met autocorrelatie en heteroscedasticiteit in de residuen van de functies aan te pakken, worden cluster-robuste covariantiematrices (sandwich-estimators) toegepast.
  • De methode corrigeert voor de fysieke grootte van cellen door een minimale straal $r_{min}$ (gebaseerd op de gemiddelde afstand tussen celcentroïden) te filteren.

Belangrijkste Bijdragen

1. Behoud van schaal-informatie: spatialFDA behoudt de volledige functionele vorm van de ruimtelijke metrieken, waardoor het mogelijk is om te zien op welke afstanden co-localisatie verschilt.
2. Flexibele modellering van variabiliteit: Het framework kan expliciet geneste variabiliteit modelleren (FOVs binnen monsters, monsters binnen condities), wat cruciaal is voor realistische ruimtelijke 'omics'-experimenten.
3. Integratie in Bioconductor: Het pakket is naadloos integreerbaar met bestaande workflows voor ruimtelijke analyse (via SpatialExperiment objecten).
4. Uitgebreide validatie: De methode wordt getest tegen bestaande scalar-gebaseerde methoden (spicyR, smoppix) en andere functionele methoden (SpaceANOVA, mxfda).

Resultaten

1. Simulatiestudies:

• Calibratie en Gevoeligheid: spatialFDA toont een goed gebalanceerde prestatie: het is conservatief in het controleren van de False Discovery Rate (FDR) terwijl het een acceptabele True Positive Rate (TPR) behoudt.
• Vergelijking met concurrenten:
  • Methodes zonder mixed-effects (zoals spicyR.LM of SpaceANOVA.Uni) zijn slecht gekalibreerd en vertonen te veel valse positieven.
  • Scalar mixed-effects methoden (spicyR.MM, smoppix) controleren de FDR beter, maar gaan ten koste van gevoeligheid (lage TPR).
  • Andere functionele methoden (SpaceANOVA, mxfda) vertonen in deze simulaties een geïnfleerde FDR.
• Schaal-effecten: In een tweede simulatie (gebaseerd op Canete et al.) bleek dat spatialFDA.L (gebaseerd op de L-functie) zeer stabiel presteert over verschillende schalen (10µm tot 100µm), terwijl spatialFDA.G (G-functie) vooral goed presteert bij korte schaal-interacties.

2. Case Study: Type-1 Diabetes (T1D):

• De auteurs pasten spatialFDA toe op een IMC-dataset van pancreasweefsel van T1D-patiënten (niet-diabetisch, beginfase, en langdurige ziekte).
• Resultaten:
  • De analyse bevestigde de bekende progressieve afname van $\beta$-cellen.
  • spatialFDA ontdekte een toename in co-localisatie tussen immuuncellen (Th-cellen) en islet-celtypen ($\delta$-cellen) specifiek in de beginfase van de ziekte, vergeleken met niet-diabetische controles.
  • De analyse toonde aan dat deze interactie het sterkst is op korte afstanden (10-50 µm).
  • In de langdurige ziektefase was er geen significant verschil in co-localisatie ten opzichte van controles, wat suggereert dat de ruimtelijke organisatie in de vroege fase cruciaal is voor het ziekteproces.
• Intensiteit vs. Co-localisatie: De studie benadrukte het belang van het onderscheiden van veranderingen in celdichtheid (intensiteit) versus ruimtelijke herordening. spatialFDA kon deze twee effecten van elkaar scheiden.

Betekenis en Conclusie

spatialFDA biedt een robuust en gevoelig framework voor het analyseren van differentiële co-localisatie in complexe ruimtelijke 'omics'-experimenten. Door de volledige functionele aard van ruimtelijke metrieken te behouden en geneste variabiliteit correct te modelleren, overtreft de methode bestaande scalar-gebaseerde benaderingen in zowel gevoeligheid als statistische validiteit.

De toepassing op T1D-data demonstreert het vermogen om biologisch relevante, schaal-specifieke inzichten te winnen die met andere methoden mogelijk gemist zouden zijn. De auteurs pleiten ervoor dat zowel intensiteitsveranderingen als co-localisatie-veranderingen collectief moeten worden bestudeerd in ruimtelijke data, en dat de keuze voor de juiste ruimtelijke metriek (K/L vs. G) essentieel is voor het ontrafelen van deze effecten.