MoSAIC：细胞癌症影像中细胞共定位的多分辨率空间回归分析
统计方法学
2026-05-29 v1
摘要
层次化多通道影像方法生成跨多个空间组织化的视野(FOV)中单细胞的空间分辨率测量，从而系统地检验肿瘤微环境沿生物学有意义的肿瘤内梯度的组织方式。现有方法未能联合解决这种多分辨率数据结构，以恢复真实生物信号。我们提出了 MoSAIC：细胞共定位的多分辨率空间回归分析，是为多分辨率空间数据设计的分层贝叶斯空间回归模型。MoSAIC 将联合变异分解为三个模型组件：(i)全局肿瘤梯度效应，(ii)患者特定效应以捕捉患者间变异性，以及 (iii)高斯过程模型以在每个患者肿瘤组织内的 FOV 之间建模空间相关性。模拟结果表明，MoSAIC 在预测和模型拟合方面优于现有的空间和非空间模型方法。我们的方法由肾细胞癌多通道影像队列驱动，用于探讨免疫细胞-肿瘤共定位模式沿上皮-间质转化(EMT)梯度的变化。MoSAIC 识别出在 EMT 梯度递增过程中，巨噬细胞-肿瘤共定位增加，细胞毒性 T 细胞-肿瘤共定位减少，这与 EMT 相关的免疫抑制和空间变化的免疫参与相一致。总体而言，MoSAIC 提供了一个可解释的多分辨率框架，用于量化癌症影像中的空间肿瘤梯度效应。软件已在 GitHub 上提供，地址为 jcaldous/MoSAIC。
引用
@article{arxiv.2605.30287,
title = {MoSAIC: Multi-Resolution Spatial Regression Analysis of Cellular Colocalizations in Cancer Imaging},
author = {Jessica Aldous and Michele Peruzzi and Maria Masotti and Aaron Udager and Allison May and Evan Keller and Veerabhadran Baladandayuthapani},
journal= {arXiv preprint arXiv:2605.30287},
year = {2026}
}
备注
45 pages (30 before supplement), 6 figures, submitted to ISBA and JSM