A Robust Nonparametric Framework for Detecting Repeated Spatial Patterns

1. O Problema

A identificação de aglomerados espaciais contíguos e Padrões Espaciais Repetidos (RSP - Repeated Spatial Patterns) é um desafio central na estatística espacial moderna. Enquanto os métodos de clustering espacial tradicionais (como clustering hierárquico restrito ou estatísticas de varredura) são eficazes para identificar regiões contíguas com propriedades similares, eles frequentemente falham em detectar padrões que se repetem em locais geograficamente distantes.

Esses padrões repetidos podem refletir processos subjacentes compartilhados, como dinâmicas climáticas, tendências socioeconômicas ou, no contexto da biologia, microambientes tumorais semelhantes em diferentes partes de um tecido. A limitação dos métodos existentes reside na sua incapacidade de reatribuir rótulos a clusters espaciais distantes que, estatisticamente, compartilham a mesma distribuição de atributos, levando frequentemente a uma supersegmentação dos dados.

2. Metodologia Proposta: Framework repSpat

Os autores propõem o repSpat, um framework não paramétrico de dois estágios que combina clustering restrito com uma etapa de reatribuição pós-clustering baseada no estatístico MMD² (Maximum Mean Discrepancy ao quadrado). O método consiste em quatro passos principais:

1. Clustering Restrito Inicial:

   • Aplica-se o Clustering Hierárquico Aglomerativo Restrito (CAHC) para garantir que os clusters iniciais sejam espacialmente contíguos.
   • Utiliza-se uma matriz de dissimilaridade baseada nos atributos e uma matriz de links espaciais (baseada em vizinhos mais próximos, $m$-NN) para impor a restrição de contiguidade.
   • Os parâmetros (tamanho do vizinho $m$ e número de clusters $G$) são otimizados usando uma pontuação de silhueta modificada que incorpora a contiguidade espacial.

2. Teste de Invariância Espacial (Comparação de Distribuições):

   • Realizam-se comparações pareadas entre todos os clusters obtidos no passo 1.
   • Utiliza-se o estatístico MMD² em um Espaço de Hilbert de Kernel Reprodutor (RKHS) para medir a distância entre as distribuições multivariadas dos clusters.
   • O MMD² é escolhido por sua capacidade de detectar diferenças gerais em distribuições multivariadas sem assumir uma forma paramétrica específica. O artigo investiga o uso de kernels como Gaussiano, Laplaciano e Inverso Multiquadrático (IMQ), recomendando o IMQ para maior sensibilidade.

3. Permutação em Blocos (Block Permutation):

   • Para aproximar a distribuição nula do MMD² sob dependência espacial, o método emprega uma estratégia de permutação em blocos.
   • Os clusters são divididos em blocos baseados na similaridade de atributos (usando k-means ou cortes no dendrograma).
   • Blocos inteiros são permutados entre os clusters sendo comparados. Isso preserva a estrutura de dependência local dentro dos clusters, evitando a violação da premissa de trocaabilidade que ocorreria com permutações aleatórias simples de observações individuais.

4. Reatribuição de Rótulos:

   • Realiza-se um teste de hipóteses múltiplo (com correção de FDR de Benjamini-Hochberg) para cada par de clusters.
   • Constrói-se um grafo onde os nós são os clusters e as arestas representam pares que não rejeitaram a hipótese nula de que suas distribuições são idênticas.
   • Clusters que formam subgrafos totalmente conectados (cliques) são reatribuídos a um mesmo rótulo, identificando assim os Padrões Espaciais Repetidos.

3. Contribuições Principais

• Framework Híbrido: Integração inovadora de clustering restrito (para contiguidade) com testes de distribuição não paramétricos (para similaridade global), permitindo a detecção de RSP.
• Validação Estatística Robusta: Demonstração teórica de que o estatístico MMD² é assintoticamente consistente sob condições de mistura espacial sem modelo (model-free), mesmo na presença de dependência espacial.
• Estratégia de Permutação: Desenvolvimento de uma técnica de permutação em blocos que preserva a estrutura local de dependência, garantindo inferência válida em dados espaciais.
• Flexibilidade de Dados: O método é aplicável a diversos tipos de dados (contínuos, categóricos, binários) através da escolha adequada de medidas de dissimilaridade e kernels, sendo particularmente útil para dados de "Spatial Omics".

4. Resultados

O desempenho do repSpat foi avaliado através de estudos de simulação e aplicação em dados reais:

• Estudos de Simulação:

  • O método foi testado sob diversas configurações de dependência espacial ($\eta$), dimensões de atributos ($p$) e tamanhos de amostra ($n$).
  • O repSpat demonstrou alta precisão, com taxas de falsos positivos (FPR) e falsos negativos (FNR) medianas próximas de zero em quase todos os cenários.
  • O índice de Rand Ajustado (ARI) foi consistentemente igual a 1, indicando recuperação perfeita da estrutura de clustering verdadeira.
  • Em comparação com o método Banksy (um estado da arte em Spatial Omics), o repSpat superou significativamente o desempenho, especialmente na identificação correta de fronteiras de clusters e na detecção de RSP, onde o Banksy tendeu a subestimar ou superestimar a segmentação.
  • O método mostrou-se robusto à adição de variáveis de ruído (features irrelevantes).

• Aplicação em Dados Reais (Proteômica Espacial):

  • O framework foi aplicado a dados de imagens por feixe de íons multiplexados (MIBI-TOF) de pacientes com câncer de mama triplo-negativo (TNBC).
  • Os dados continham intensidades de 36 marcadores proteicos.
  • O repSpat conseguiu identificar Microambientes Tumorais (TMEs) repetidos em diferentes regiões de amostras de tecido, agrupando clusters espacialmente distantes que compartilhavam perfis de expressão proteica semelhantes.
  • A aplicação de limiares para converter dados contínuos em binários melhorou a detecção de padrões repetidos, reduzindo o ruído.

5. Significado e Conclusão

O trabalho representa um avanço metodológico significativo na análise de dados espaciais complexos. Ao resolver o problema da supersegmentação comum em métodos de clustering restrito, o repSpat permite que pesquisadores descubram processos biológicos ou ambientais recorrentes que ocorrem em locais dispersos.

Sua natureza não paramétrica e robustez frente a diferentes tipos de dados e níveis de dependência espacial o tornam uma ferramenta versátil, especialmente para a área emergente de Spatial Omics, onde a heterogeneidade dos dados e a necessidade de integrar informações multimodais são críticas. O framework oferece uma solução flexível para desvendar padrões espaciais complexos que métodos tradicionais não conseguem capturar.