DenMark: Identifying Cell Density Marker Genes with a Bayesian Hierarchical Marked Point Process Model
Image-based spatially resolved transcriptomics offers a unique opportunity to explore the relationship between cell distribution and gene expression. However, rigorous statistical models that capture this relationship remain underexplored, primarily due to the inherent randomness of cell locations and the computational complexity involved. We assume cell occurrence and gene expression are partial realizations from a marked point process. In particular, a Bayesian hierarchical model is proposed such that gene expression depends on the spatial pattern of cells. Further, associations between the two processes and across the tissue are captured through a linear model of coregionalization. The inference procedure follows the Bayesian paradigm and efficient methods are proposed to approximate the resultant posterior distribution. Examples include artificial data and SRT data arising from mouse brain tissues, from which we identify cellular density-specific genes across different cell types.
DenMark : Identification des gènes marqueurs de la densité cellulaire à l'aide d'un modèle hiérarchique bayésien de processus à points marqués
La transcriptomique à résolution spatiale basée sur l'imagerie offre une opportunité unique d'explorer la relation entre la distribution des cellules et l'expression des gènes. Cependant, les modèles statistiques rigoureux qui permettent de saisir cette relation restent peu explorés, principalement en raison du caractère aléatoire inhérent à la localisation des cellules et de la complexité informatique que cela implique. Nous supposons que la présence des cellules et l'expression des gènes sont des réalisations partielles d'un processus ponctuel marqué. En particulier, un modèle hiérarchique bayésien est proposé tel que l'expression des gènes dépende de la configuration spatiale des cellules. De plus, les associations entre les deux processus et à travers le tissu sont capturées par un modèle linéaire de corégionalisation. La procédure d'inférence suit le paradigme bayésien et des méthodes efficaces sont proposées pour approximer la distribution a posteriori résultante. Les exemples incluent des données artificielles et des données SRT provenant de tissus cérébraux de souris, à partir desquelles nous identifions des gènes spécifiques à la densité cellulaire dans différents types de cellules.