Fast Computation of Spatial Generalized Mixed Models Applied to Large Single-Cell Multiplex Imaging Data
Recently developed multiplex imaging technologies can determine cell phenotypes and functional status in a spatially preserved tissue sample, offering the opportunity to understand cellular interactions in the tumor microenvironment, which is critical to understanding clinical success of immunotherapy. The use of spatial generalized mixed models for cell-level outcomes is a flexible approach that can incorporate cell, image, or subject-level predictors while controlling for correlation arising from multiple cells per image, multiple images per subject, and similarities among neighboring cells. However, fitting these models is computationally infeasible when there are thousands of cells per image across hundreds of images. We propose a sparse matrix decomposition of the spatial correlation matrix. We investigate the properties of the approach via simulation and illustrate its utility through an analysis of a large multiplex imaging study on patients with metastatic melanoma.
Calcul rapide de modèles mixtes généralisés spatiaux appliqués à de grandes données d'imagerie multiplex à cellule unique
Les technologies d'imagerie multiplex récemment développées peuvent déterminer les phénotypes cellulaires et l'état fonctionnel dans un échantillon de tissu spatialement conservé, offrant ainsi la possibilité de comprendre les interactions cellulaires dans le microenvironnement tumoral, ce qui est essentiel pour comprendre le succès clinique de l'immunothérapie. L'utilisation de modèles mixtes généralisés spatiaux pour les résultats au niveau cellulaire est une approche flexible qui peut incorporer des prédicteurs au niveau de la cellule, de l'image ou du sujet tout en contrôlant la corrélation découlant de plusieurs cellules par image, de plusieurs images par sujet et des similitudes entre les cellules voisines. Cependant, l'ajustement de ces modèles est infaisable sur le plan informatique lorsqu'il y a des milliers de cellules par image sur des centaines d'images. Nous proposons une décomposition de la matrice de corrélation spatiale sous forme de matrice éparse. Nous étudions les propriétés de l'approche par simulation et illustrons son utilité par l'analyse d'une grande étude d'imagerie multiplex sur des patients atteints de mélanome métastatique.
Date and Time
-
Language of Oral Presentation
English
Language of Visual Aids
English