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

O artigo apresenta o *spatialFDA*, um pacote R de código aberto que combina estatística espacial e análise de dados funcionais para quantificar e testar diferenças na co-localização celular entre múltiplas condições em dados de ômica espacial, demonstrando sua eficácia tanto em simulações quanto na análise de diabetes tipo 1.

O essencial

Imagine que você está olhando para uma cidade muito movimentada através de uma janela. Nessa cidade, existem diferentes tipos de pessoas: médicos, professores, artistas e engenheiros.

Até hoje, os cientistas que estudam doenças (como o diabetes tipo 1) conseguiam contar quantas pessoas de cada tipo existiam em cada bairro. Eles sabiam, por exemplo, que em um bairro havia 100 médicos e em outro apenas 10. Mas eles não conseguiam responder a uma pergunta crucial: como essas pessoas se relacionam entre si?

Será que os médicos estão sempre andando lado a lado com os professores? Será que, em tempos de crise (como uma doença), os engenheiros começam a se agrupar de forma diferente, ficando mais perto ou mais longe dos artistas do que o normal?

Essa é a ideia central do novo método chamado spatialFDA, apresentado neste artigo. Vamos desvendar como ele funciona usando algumas analogias simples:

1. O Problema: A "Fotografia" vs. O "Filme"

Antes, os cientistas usavam métodos que transformavam essa cidade complexa em uma simples fotografia estática. Eles tiravam uma foto, mediam a distância média entre as pessoas e resumiam tudo em um único número (como a "distância média").

• O problema: Imagine que em um bairro, os médicos ficam muito perto uns dos outros apenas nos primeiros 5 metros, mas depois se afastam. Em outro bairro, eles ficam a uma distância constante de 10 metros. Se você tirar apenas a "média", os dois bairros parecerão iguais! Você perde a nuance. Você perde a história de como e onde a interação acontece.

2. A Solução: O "spatialFDA" como um Diretor de Cinema

O spatialFDA é como um diretor de cinema que não se contenta com uma foto. Ele quer ver o filme inteiro.

Em vez de calcular uma média, ele analisa a relação entre os tipos de células (as "pessoas" da cidade) em todas as distâncias possíveis, desde o "abraço apertado" (muito perto) até o "grito de longe" (muito longe).

• A Analogia do Raio: Imagine que você coloca um círculo mágico ao redor de cada pessoa.
  • No raio 1 metro: Quem está ali?
  • No raio 10 metros: Quem está ali?
  • No raio 50 metros: Quem está ali?
    O spatialFDA cria uma "curva" que mostra essa história completa de vizinhança.

3. O Desafio: O Ruído da Cidade (Variabilidade)

Cidades reais são bagunçadas. Algumas fotos são tiradas de dias ensolarados, outras de dias chuvosos. Algumas têm mais gente, outras menos. Além disso, você pode ter várias fotos do mesmo bairro (o mesmo paciente, mas em lugares diferentes da amostra).

Métodos antigos muitas vezes ignoravam essa bagunça e diziam: "Olha, há uma diferença!", quando na verdade era apenas o "clima" (ruído) que estava diferente. Isso gerava muitos "falsos positivos" (achados que não existem).

O spatialFDA é como um detetive muito esperto que sabe separar o sinal do ruído. Ele usa uma técnica estatística avançada (chamada de "modelos mistos funcionais") que entende que:

1. As fotos do mesmo paciente estão relacionadas (não são independentes).
2. A cidade muda de um paciente para o outro.
3. Ele compara a forma inteira da curva de vizinhança, não apenas um número.

Isso faz com que ele seja muito mais preciso e menos propenso a cometer erros.

4. A Descoberta: O Diabetes Tipo 1

Os autores testaram esse novo método em dados reais de pacientes com Diabetes Tipo 1.

• O que eles sabiam: Sabia-se que, nessa doença, o sistema imunológico ataca as células que produzem insulina no pâncreas.
• O que o spatialFDA descobriu: Ele conseguiu ver como essa batalha acontece no espaço.
  • Ele viu que, no início da doença, as células de defesa (os "soldados") se aglomeram muito perto das células produtoras de insulina (os "alvos"), em uma distância muito curta (entre 10 e 50 micrômetros).
  • Ele também viu que, quando a doença está muito avançada, essa proximidade muda ou desaparece, porque os "alvos" já foram destruídos.

O método conseguiu confirmar o que já se suspeitava, mas com muito mais detalhes sobre onde e quando essa interação acontece, sem se confundir com o simples fato de haver mais ou menos células.

Resumo em uma frase

O spatialFDA é uma nova ferramenta de inteligência artificial estatística que permite aos cientistas assistir ao "filme" completo das interações entre células no corpo, em vez de apenas olhar para "fotos" estáticas, ajudando a entender melhor como as doenças se desenvolvem no espaço e no tempo, sem se enganar com as bagunças naturais dos dados.

É como passar de um mapa de papel desatualizado para um GPS em tempo real que mostra o tráfego, os acidentes e as rotas alternativas de forma precisa e detalhada.

Resumo técnico

Título: Análise de Co-localização Diferencial em Experimentos Multi-amostra e Multi-condição com spatialFDA

1. O Problema

Os avanços nas tecnologias de "omics" espaciais (transcriptômica, proteômica e epigenômica espacial) permitiram a geração de dados de alta dimensão que registram a localização espacial de transcritos e proteínas. Uma questão biológica crucial é a Co-localização Celular (CCoL), que busca identificar tipos celulares que tendem a estar próximos uns dos outros mais frequentemente do que o esperado pelo acaso.

No entanto, a análise de CCoL diferencial (comparar o agrupamento ou espaçamento celular entre diferentes condições, como doença vs. controle) enfrenta desafios significativos:

• Estrutura Hierárquica dos Dados: Experimentos modernos envolvem múltiplas condições, múltiplas amostras biológicas e múltiplos campos de visão (FOVs) por amostra. Métodos que ignoram essa variabilidade aninhada (amostras dentro de condições, FOVs dentro de amostras) tendem a produzir resultados excessivamente otimistas (falsos positivos).
• Perda de Informação Espacial: A maioria dos métodos atuais reduz as métricas espaciais (que são funções contínuas do raio $r$) a um único número escalar (ex: área entre curvas - ABC). Essa compressão pode levar à perda de sensibilidade, pois duas funções espacialmente distintas podem resultar no mesmo valor escalar.
• Limitações de Métodos Existentes: Métodos existentes como spicyR e smoppix usam abordagens escalares com modelos mistos, mas perdem a resolução espacial. Métodos funcionais como SpaceANOVA e mxfda não modelam adequadamente a variabilidade aninhada ou têm configurações restritas de regressão.

2. Metodologia: spatialFDA

O artigo apresenta o spatialFDA, um pacote R de código aberto (Bioconductor) que integra estatística espacial com Análise de Dados Funcionais (FDA).

• Abordagem Funcional: Em vez de condensar métricas espaciais em escalares, o spatialFDA trata as métricas (como as funções de Ripley's K, Besag's L ou função G) como funções completas sobre o domínio do raio $r$.
• Modelo Estatístico: O núcleo do método é a Regressão Aditiva Generalizada Funcional (fGAMM) com efeitos mistos.
  • Resposta Funcional: As métricas espaciais calculadas para cada FOV são modeladas como funções.
  • Efeitos Mistos: O modelo incorpora termos de efeito aleatório para lidar com a estrutura hierárquica dos dados (ex: FOVs aninhados dentro de amostras), permitindo comparações robustas entre condições.
  • Inferência: Utiliza testes F globais para avaliar diferenças em todo o domínio do raio e coeficientes funcionais que mostram onde (em qual escala de distância) ocorrem as diferenças de co-localização.
• Correção de Autocorrelação: Reconhecendo que os resíduos ao longo do domínio $r$ são autocorrelacionados e heterocedásticos, o método utiliza estimadores de matriz de covariância "sandwich" (robustos em cluster) para corrigir a inferência estatística.
• Métricas Suportadas: O pacote pode analisar funções de correlação (K, L) e de espaçamento (G), permitindo ao usuário escolher a métrica mais adequada para o fenômeno biológico (interações de curto vs. longo alcance).

3. Contribuições Principais

1. Novo Framework Estatístico: Desenvolvimento de um modelo de regressão funcional com efeitos mistos especificamente desenhado para dados de omics espaciais multi-amostra.
2. Preservação da Informação de Escala: Capacidade de detectar diferenças de co-localização em faixas específicas de distância (raio), fornecendo insights biológicos mais granulares do que métodos escalares.
3. Pacote Bioconductor: Disponibilização de uma ferramenta acessível e integrável a fluxos de trabalho existentes de análise espacial.
4. Validação Rigorosa: Avaliação extensiva através de dois estudos de simulação e um estudo de caso biológico real.

4. Resultados

A. Estudos de Simulação:

• Calibração e Controle de Erro: O spatialFDA demonstrou ser bem calibrado, controlando a Taxa de Falsas Descobertas (FDR) de forma conservadora, ao contrário de métodos como SpaceANOVA e mxfda, que mostraram inflação de FDR em cenários complexos.
• Sensibilidade: O método manteve uma Taxa de Verdadeiros Positivos (TPR) aceitável, superando métodos escalares (como spicyR e smoppix) em cenários onde a variabilidade aninhada era alta.
• Desempenho por Métrica:
  • spatialFDA.L (baseado na função L) mostrou desempenho estável e consistente em todas as escalas de interação.
  • spatialFDA.G (baseado na função G) performou melhor para interações de curto alcance.
• Robustez: O método conseguiu distinguir entre mudanças na proporção de células (intensidade) e mudanças na organização espacial (co-localização), algo que métodos baseados apenas em intensidade falharam em fazer.

B. Estudo de Caso: Diabetes Tipo 1 (T1D):

• O método foi aplicado a dados de proteômica espacial (IMC) de pâncreas de doadores com T1D (início da doença, longa duração) e não diabéticos.
• Descobertas Biológicas:
  • Confirmou a destruição progressiva de células $\beta$ (produtoras de insulina).
  • Detectou um aumento significativo na co-localização de células imunes (células T auxiliares - Th) com células das ilhotas pancreáticas ($\alpha, \beta, \delta$) especificamente na fase de início da doença.
  • A análise funcional revelou que esse aumento de co-localização é mais pronunciado em distâncias curtas (10-50 µm), fornecendo uma visão espacial detalhada do processo autoimune que métodos escalares não capturariam tão claramente.

5. Significância e Conclusão

O spatialFDA representa um avanço significativo na análise de dados de omics espaciais. Ao tratar as métricas espaciais como funções e incorporar efeitos mistos para lidar com a complexidade experimental, o método oferece:

• Maior Sensibilidade: Detecção de alterações sutis na organização celular que seriam perdidas na agregação para escalares.
• Inferência Robusta: Controle adequado de taxas de erro em experimentos com múltiplas camadas de variabilidade.
• Interpretabilidade Biológica: A capacidade de mapear onde no espaço (em qual escala de distância) ocorrem as alterações biológicas, conectando melhor a estatística à biologia celular.

O trabalho estabelece um novo padrão para a análise de co-localização diferencial, permitindo que pesquisadores descubram mecanismos espaciais complexos em doenças como o diabetes e o câncer com maior precisão estatística.