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

Este artigo apresenta o GP-GHS, um modelo bayesiano escalável que utiliza regressão nodewise com processos gaussianos e priores de ferradura em grupo para inferir redes de interação célula-célula espacialmente variáveis em imagens de tecidos multiplexados, demonstrando superioridade em simulações e revelando redes imunossupressoras centradas em Tregs em câncer colorretal.

O essencial

Imagine que o corpo humano é uma cidade gigante e o tumor é um bairro em caos. Nesses bairros, existem muitos tipos diferentes de "cidadãos" (células): soldados do sistema imunológico, construtores (células estromais), ladrões (células tumorais) e pacificadores (células reguladoras).

O grande mistério da medicina moderna não é apenas quem está no bairro, mas como eles conversam entre si. Quem está falando com quem? Quem está bloqueando a conversa de outros? E, o mais importante: essa conversa muda dependendo de onde você está no bairro?

Até agora, os cientistas tinham duas ferramentas principais para estudar isso, e ambas tinham falhas graves:

1. A "Lista de Presença" (Métodos antigos): Eles apenas contavam quantas vezes dois tipos de células apareciam perto um do outro. É como dizer: "Vi um policial e um ladrão na mesma rua, então eles devem ser amigos". O problema? Talvez ambos estivessem lá apenas porque havia uma praça cheia de gente (outra célula) no meio, e não porque eles conversam diretamente.
2. O "Mapa Global" (Métodos intermediários): Eles criavam um único mapa de como as células conversam para todo o tumor. O problema é que o bairro do centro do tumor é muito diferente da borda. Um mapa único não consegue ver que, no centro, as células são inimigas, mas na borda, elas são aliadas.

A Solução: O "GP-GHS" (O Detetive Espacial)

Os autores deste artigo criaram um novo método chamado GP-GHS. Pense nele como um detetive superpoderoso com óculos de visão noturna e um mapa dinâmico.

Aqui está como ele funciona, usando analogias simples:

1. O Mapa que Muda de Cor (Gaussian Process)

Imagine que a força da conversa entre duas células não é um número fixo (como "5 pontos de amizade"), mas sim uma pintura que se espalha pelo tecido.

• Em uma parte do tumor, a pintura é vermelha (conversa forte).
• Em outra parte, é azul (conversa fraca).
• Em outra, é transparente (sem conversa).

O método usa uma técnica matemática chamada "Processo Gaussiano" para desenhar essa pintura suavemente, garantindo que a conversa não mude de forma brusca e aleatória, mas sim de um jeito natural, como se o vento soprasse sobre a tinta.

2. O "Filtro de Grupo" (Group Horseshoe)

Aqui está a mágica. O método precisa decidir: "Essas duas células conversam ou não?".

• O problema dos métodos antigos: Eles olhavam para cada pedacinho da pintura (cada frequência da onda) separadamente. Se um pedacinho parecesse ter conversa, eles diziam "Sim!". Isso gerava muitos "falsos positivos" (achar que conversam quando não conversam).
• A solução do GP-GHS: Eles usam um Filtro de Grupo. Imagine que a conversa entre duas células é um time de 25 jogadores. O método diz: "Ou o time todo joga (a conversa existe em todo o tecido), ou ninguém joga (não existe conversa)".
  • Se o "treinador" (o parâmetro estatístico) decide que o time não joga, ele corta o orçamento de todos os 25 jogadores de uma vez.
  • Isso evita que o método invente conversas baseadas em ruídos aleatórios. É uma decisão de "tudo ou nada" para o relacionamento entre as células.

3. A Velocidade (Hilbert Space)

Fazer esse cálculo para milhares de células em um mapa gigante seria como tentar calcular a trajetória de cada gota de chuva em uma tempestade usando uma calculadora comum: levaria anos.
O método usa um truque matemático (HSGP) que transforma esse cálculo complexo em algo que um computador comum consegue fazer em segundos, como trocar uma equação de física quântica por uma de aritmética básica, sem perder a precisão.

O Que Eles Descobriram? (O Caso do Câncer Colorretal)

Eles aplicaram esse detetive em amostras de câncer de cólon de 35 pacientes. O tumor tinha dois "bairros" principais (subtipos):

1. Bairro "Reação Tipo Crohn" (CLR): Mais organizado, com grupos de células separados.
2. Bairro "Inflamação Difusa" (DII): Um caos onde as células se misturam muito.

A Descoberta:
O método descobriu que, no Bairro Difuso (DII), existe uma rede de supressão muito forte centrada nas Células Treg (os "pacificadores" que, infelizmente, ajudam o tumor a se esconder do sistema imunológico).

• No bairro organizado, os pacificadores quase não conversam com os outros.
• No bairro caótico, os pacificadores estão grudados em quase todos os outros tipos de células (soldados, ladrões, construtores), criando uma "nuvem de silêncio" que impede o sistema imunológico de atacar o tumor.

Por que isso é importante?

Antes, os médicos viam apenas que "havia muitas células Treg". Agora, com o GP-GHS, eles podem ver onde e com quem essas células estão conversando.

É a diferença entre saber que "há trânsito na cidade" e saber exatamente que "o engarrafamento acontece na Avenida Principal às 18h, bloqueando a saída dos bombeiros". Isso permite criar tratamentos muito mais precisos para "desligar" essa conversa específica e deixar o sistema imunológico voltar a trabalhar.

Resumo em uma frase:
O GP-GHS é um novo tipo de "lupa inteligente" que não apenas vê quem está perto de quem no tumor, mas desenha um mapa vivo de como as células conversam em cada canto do tecido, separando o sinal real do ruído, para ajudar a entender como o câncer se esconde.

Resumo técnico

Título: Modelos Gráficos Variáveis Espacialmente para Redes de Interação Célula-Célula em Imagens de Tecido Multiplexadas

1. O Problema

As plataformas de imagem de tecido multiplexadas (como CODEX e citometria de massa por imagem) permitem a resolução de dezenas de tipos celulares em escala de célula única com coordenadas espaciais. O objetivo biológico é caracterizar as redes de interação condicional que governam o microambiente tumoral (TME).

No entanto, existem lacunas metodológicas críticas nos métodos existentes:

• Métodos Marginais: Ferramentas comuns (ex: Squidpy, Giotto) baseiam-se em estatísticas de co-ocorrência marginal ou enriquecimento de vizinhança. Elas não conseguem inferir dependências condicionais (ex: se a interação entre Macrófagos e Tregs é real ou apenas um artefato de ambos estarem presentes em uma região rica em Estroma).
• Inferência Global: Métodos baseados em modelos gráficos espaciais (ex: SVCA, SpaCeNet) estimam coeficientes de interação globais e constantes. Eles ignoram a heterogeneidade espacial, falhando em capturar que as interações podem variar drasticamente entre o núcleo do tumor, a margem invasiva e o estroma.
• Falta de Decisão Coerente em Grupo: Métodos Bayesianos existentes aplicam priores de encolhimento (shrinkage) independentes a cada coeficiente. Em modelos espaciais, onde uma aresta é representada por múltiplos coeficientes de base (para descrever a função espacial), decisões independentes levam a falsos positivos e perda de coerência geométrica (uma aresta não pode ser "parcialmente" presente em algumas frequências e ausente em outras).

2. Metodologia: GP-GHS

Os autores propõem o GP-GHS (Gaussian Process - Group Horseshoe), um framework de regressão nodewise Bayesiana para inferir redes de interação celular que variam espacialmente.

Componentes Principais:

1. Regressão Nodewise Espacial:

   • Para cada tipo celular $s$, modela-se sua expressão $Y_s(l)$ como uma função das expressões dos outros tipos celulares $Y_{s'}(l)$ em cada localização $l$.
   • Os coeficientes de regressão $\beta_{s'}(l)$ não são escalares, mas funções espaciais contínuas sobre o domínio do tecido.

2. Aproximação de Processo Gaussiano no Espaço de Hilbert (HSGP):

   • Para tornar a inferência de Processos Gaussianos (GP) escalável (evitando o custo $O(n^3)$), utiliza-se a expansão HSGP.
   • Os coeficientes espaciais são aproximados por uma combinação linear de funções de base espectral (senoides) derivadas do operador Laplaciano.
   • Isso transforma o problema em uma regressão linear com um conjunto expandido de preditores (pesos das bases), reduzindo a complexidade para $O(nm^2)$.

3. Priori de Ferradura em Grupo (Group Horseshoe Prior):

   • Este é o núcleo inovador do método. Em vez de aplicar um parâmetro de encolhimento local independente para cada coeficiente de base, o método aplica um único parâmetro de encolhimento local ($\lambda_j$) para todo o bloco de coeficientes que representa uma aresta candidata (par de tipos celulares).
   • Mecanismo:
     • Se $\lambda_j \to 0$, todo o campo de interação espacial para aquele par é encolhido para zero simultaneamente (aresta ausente).
     • Se $\lambda_j$ é grande, o campo é liberado, e a suavidade espacial é governada pelo prior espectral do GP.
   • Isso garante uma decisão de "tudo ou nada" no nível da aresta, preservando a estrutura do GP e evitando falsos positivos decorrentes de ruído em frequências individuais.

4. Inferência:

   • Utiliza um amostrador de Gibbs em bloco com forma fechada.
   • As $p$ regressões nodewise são paralelizadas.
   • A rede final é construída usando a regra AND: uma aresta não direcionada é incluída apenas se ambas as regressões direcionais ($s \to s'$ e $s' \to s$) indicarem atividade.

3. Contribuições Chave

• Primeiro Framework Bayesiano para Redes Variáveis Espacialmente: Combina aproximação HSGP escalável com um prior de ferradura em grupo para inferir grafos esparsos onde as arestas têm intensidade e padrão espacial variáveis.
• Decisão Coerente de Arestas: Demonstra que a estrutura de grupo no prior é essencial. Substituir o prior de grupo por um prior escalar (independente) faz o desempenho colapsar, pois a decisão de inclusão da aresta deixa de ser coerente.
• Validação em Dados Reais: Aplicação bem-sucedida em um conjunto de dados de 140 imagens de câncer colorretal, identificando redes imunossupressoras centradas em Tregs que diferem entre subtipos patológicos.

4. Resultados

Estudo de Simulação:

• Desempenho: O GP-GHS superou todos os competidores (Graphical Lasso, Lasso Nodewise, Horseshoe Escalar, Regressão GP Exata e Threshold de Correlação) em métricas F1 e MCC (Matthews Correlation Coefficient) em todos os níveis de esparsidade e tamanhos de problema ($p=15$ e $p=25$).
• Controle de FDR: O método controlou a Taxa de Falsas Descobertas (FDR) de forma progressiva. O competidor "GP Exato" teve alta sensibilidade, mas FDR catastrófico em grafos esparsos devido à falta de regularização global.
• Ablação: A remoção da estrutura de grupo (usando Horseshoe Escalar) resultou em falha total na recuperação de arestas, confirmando que a agregação de evidência no nível do bloco é o ingrediente crítico.
• Eficiência Computacional: O GP-GHS é significativamente mais rápido que a regressão GP exata (que é proibitiva para grandes $n$ e $p$), mantendo-se viável para imagens de tecido com centenas de pontos.

Análise de Dados Reais (Câncer Colorretal):

• Dados: 140 imagens de tecido de 35 pacientes, divididos em dois subtipos patológicos: Reação Tipo Crohn (CLR) e Infiltrado Inflamatório Difuso (DII).
• Descoberta Biológica:
  • O GP-GHS identificou 13 arestas diferencialmente ativas (FDR < 0.05).
  • Todas as arestas significativas mostraram interações espaciais mais fortes no subtipo DII em comparação ao CLR.
  • Rede Centrada em Tregs: A maioria das arestas (10 de 13) envolveu Células T Reguladoras (Tregs) interagindo com macrófagos (CD68+, CD163+), células T (CD8+, CD4+), estroma, vasculatura e células tumorais.
  • Interpretação: Isso revela uma rede imunossupressora coordenada e amplificada no subtipo DII, onde as Tregs estão espacialmente acopladas a múltiplos compartimentos imunes e estromais, consistentemente com mecanismos conhecidos de recrutamento de Tregs e supressão mediada por macrófagos.
  • O subtipo CLR apresentou uma estrutura de interação globalmente esparsa, consistente com sua arquitetura de infiltrado imune mais compartimentalizado.

5. Significado e Conclusão

O GP-GHS preenche uma lacuna metodológica crítica na análise de dados de imagem multiplexada. Ao tratar a heterogeneidade espacial não como ruído, mas como sinal modelável, e ao impor decisões coerentes de inclusão de arestas através de priores em grupo, o método permite a recuperação de redes de interação biologicamente interpretáveis que métodos anteriores não conseguiam detectar.

A aplicação ao câncer colorretal demonstra a capacidade do método de diferenciar subtipos patológicos com base na topologia espacial das interações celulares, fornecendo insights mecanísticos sobre a imunossupressão tumoral. O trabalho estabelece um novo padrão para a inferência de redes condicionais em dados espaciais de alta dimensão, com implicações diretas para a descoberta de biomarcadores e a compreensão da biologia do microambiente tumoral.