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

Resumo Técnico: MoSAIC – Análise de Regressão Espacial Multi-Resolução de Colocalizações Celulares em Imagens de Câncer

Declaração do Problema
Tecnologias de imagem multiplex hierárquica (HMI) geram medições de células únicas com resolução espacial em múltiplos campos de visão (FOVs) dentro de espécimes tumorais de pacientes. Esta estrutura de dados apresenta desafios analíticos únicos: (1) relações espaciais complexas entre células dentro de um único FOV; (2) dependências espaciais não ignoráveis entre FOVs dentro do mesmo tecido tumoral; e (3) altos graus de heterogeneidade tanto intra-paciente quanto inter-paciente. Métodos existentes falham em abordar conjuntamente esta estrutura multi-resolução. Abordagens baseadas em resumos (por exemplo, K-cross de Ripley, DIMPLE) caracterizam a colocalização dentro de FOVs individuais, mas ignoram dependências espaciais inter-FOV, limitando a escalabilidade. Por outro lado, abordagens baseadas em modelos padrão (por exemplo, modelos de efeitos mistos, modelos autorregressivos condicionais) ou ignoram dependências espaciais entre FOVs ou dependem de suposições (por exemplo, espaços de grade conformáveis) que não se aplicam a geometrias tumorais irregulares. Consequentemente, há uma falta de métodos capazes de desvendar efeitos globais de gradiente tumoral, variabilidade específica do paciente e dependência espacial para recuperar sinais biológicos verdadeiros em dados de HMI.

Metodologia: O Modelo MoSAIC
Os autores propõem o MoSAIC (Análise de Regressão Espacial Multi-Resolução de colocalizações celulares), um modelo hierárquico de regressão espacial bayesiana projetado especificamente para dados de HMI. O modelo decompõe a variação conjunta dos resultados de colocalização celular em três componentes:

1. Efeitos Globais de Gradiente Tumoral ($g(X)$): Modelados usando funções de base baseadas em splines penalizados para capturar relações potencialmente não lineares entre covariáveis (por exemplo, níveis de expressão de biomarcadores representando um gradiente de Transição Epitelial-Mesenquimal (EMT)) e o resultado. Isso permite uma estimativa flexível de tendências em nível populacional.
2. Efeitos Específicos do Paciente ($\mu_i$): Interceções aleatórias para cada paciente para contabilizar a variabilidade inter-paciente que poderia obscurecer efeitos de gradiente globais.
3. Efeitos Aleatórios Espaciais ($\psi$): Modelados usando Processos Gaussianos (GP) para capturar dependência espacial entre FOVs dentro de um único paciente. O GP utiliza um kernel exponencial quadrado com um parâmetro de decaimento espacial ($\phi$) para definir a correlação como uma função da distância, garantindo independência entre diferentes pacientes.

O modelo é formulado como:
$$y(s_{j(i)}) = g(x(s_{j(i)})) + \mu_i + \psi(s_{j(i)}) + \epsilon_{j(i)}$$
onde $y$ representa a métrica de colocalização, $x$ representa as covariáveis de gradiente tumoral e $\epsilon$ é o erro de medição.

Estimação e Inferência
O MoSAIC emprega um algoritmo Metropolis adaptativo robusto para amostrar parâmetros de variância a partir da distribuição posterior marginal. Para abordar questões de testes múltiplos inerentes à estimação de funções de covariável suavizadas, os autores utilizam bandas de credibilidade conjuntas para avaliar a significância global. Além disso, o modelo facilita a decomposição de variância, calculando a Porcentagem de Variância Explicada (PVE) para gradientes tumorais, diferenças entre pacientes, relações espaciais e erro de medição.

Principais Resultados

• Estudos de Simulação: Em três cenários (baixa dependência espacial, alta dependência espacial e efeitos não lineares), o MoSAIC demonstrou desempenho superior em comparação com modelos não espaciais, Modelos Aditivos Generalizados (GAM) e modelos espaciais usando efeitos Autorregressivos Condicionais (CAR). O MoSAIC consistentemente alcançou WAIC mais baixo (melhor ajuste do modelo), Erro Quadrático Médio de Previsão (MSPE) mais baixo e cobertura preditiva mais precisa (aproximando-se de 95% nominal). Os ganhos de desempenho foram mais pronunciados em configurações com forte dependência espacial e efeitos complexos de covariáveis.
• Aplicação em Carcinoma de Células Renais (RCC): Aplicado a uma coorte de 21 pacientes com RCC sarcomatoide (sRCC) e 354 FOVs, o MoSAIC investigou padrões de colocalização celular ao longo do gradiente EMT (definido pela expressão de PD-L1 e N-caderina).
  • PD-L1: O aumento da expressão de PD-L1 foi associado ao aumento da colocalização macrófago-tumor e a uma relação não monotônica com a colocalização linfócito T citotóxico-tumor (inicialmente aumentando e depois diminuindo).
  • N-caderina (NCAD): Maior expressão de NCAD (indicando um fenótipo mais mesenquimal) foi associada à diminuição da colocalização linfócito T citotóxico-tumor, sugerindo redução do direcionamento imune em regiões agressivas de sRCC.
  • Decomposição de Variância: O modelo explicou 75–90% da variabilidade total do resultado. Efeitos específicos do paciente representaram a maior parcela (29–54%), seguidos por efeitos aleatórios espaciais (11–30%), com PD-L1 e NCAD explicando porções menores, mas significativas (8–13% e <1–5%, respectivamente).

Significância e Alegações
O artigo alega que o MoSAIC fornece uma estrutura multi-resolução interpretável para quantificar efeitos de gradiente tumoral espacial em imagens de câncer. Ao modelar explicitamente a natureza hierárquica dos dados de HMI, o método desvenda com sucesso tendências biológicas globais de ruído específico do paciente e espacial. Os autores afirmam que o MoSAIC oferece uma escolha metodologicamente fundamentada para analisar dados espaciais multi-resolução, preenchendo uma lacuna crítica onde métodos existentes ou ignoram dependências espaciais ou falham em acomodar a geometria irregular dos tecidos tumorais. A aplicação aos dados de sRCC demonstra a capacidade do modelo de revelar padrões biologicamente significativos, como o engajamento imune que varia espacialmente associado ao gradiente EMT, o que pode informar estratégias de imunoterapia. Os autores observam que o método é computacionalmente eficiente, ajustando modelos em minutos em hardware padrão, e está disponível como software de código aberto.