Vị trí tế bào quan trọng hơn số lượng: Phân tích không gian trong khoa học thần kinh

Trong phân tích dữ liệu sinh học thần kinh, câu hỏi "có bao nhiêu tế bào" thường được đặt ra trước tiên. Nhưng theo tác giả bài viết trên Towards Data Science, câu hỏi hữu ích hơn là cách mô được phân vùng và sự phân bố của loại tế bào này nói lên điều gì về loại tế bào khác. Bài viết thứ hai trong loạt bài về phân tích không gian tế bào cho thấy một hệ số góc gộp chung có thể che giấu sự thay đổi dấu hoàn toàn theo thời gian.

Mô hình không gian tế bào

Khi một hệ số góc gộp chung che giấu sự thật

Trong phần 1, tác giả kết luận rằng có ít tế bào thần kinh hơn ở nơi có nhiều tế bào hình sao (astrocyte) hơn. Hệ số góc là -0,0022 trên thang log — nhỏ và âm. Nhưng khi thêm số ngày sau thiếu máu cục bộ (DPI) vào mô hình, bức tranh hoàn toàn thay đổi.

Tại thời điểm 0 ngày, hệ số góc âm; ở 5 và 15 ngày, hệ số góc dương; đến 30 ngày lại âm trở lại. Cụ thể, thêm 10 tế bào hình sao mỗi mm² tương ứng với mức thay đổi mật độ tế bào thần kinh là -15,3% ở 0 ngày, +8,8% ở 5 ngày, +3,5% ở 15 ngày và -5,6% ở 30 ngày.

Một dấu sai không phải là lỗi làm tròn: nó định hướng thí nghiệm tiếp theo và cả lứa động vật tiếp theo đi sai hướng.

Tác giả cũng lưu ý không tin tưởng vào các giá trị p mà mô hình mppm báo cáo, vì mô hình coi mỗi điểm tế bào là độc lập trong khi đơn vị lặp lại thực sự là con vật, không phải tế bào. Đây là lý do phần sau của bài sử dụng mô hình Bayes với đơn vị phân tích là con vật.

Đồ thị mật độ tế bào

Dùng một lớp raster để dự đoán lớp khác

Một ứng dụng quan trọng của lớp raster là: khi biết vị trí của một loại tế bào, có thể đặt câu hỏi loại tế bào kia nên nằm ở đâu. Tác giả xây dựng mô hình điểm không gian cho một con vật, chỉ dùng thông tin từ lớp tế bào hình sao, rồi dự đoán lớp tế bào thần kinh và so sánh với mật độ quan sát thực tế.

Kết quả cho thấy dự đoán nắm bắt được vùng trống và một phần các điểm nóng, nhưng không khớp hoàn toàn với bản đồ quan sát. Sự khác biệt đó chính là thông tin: đó là những gì tế bào hình sao không giải thích được. Tác giả không khẳng định tế bào hình sao định vị tế bào thần kinh, mà chỉ khẳng định rằng trong lát cắt này, biết một lớp cho ta ước lượng một phần về lớp kia.

Phân vùng mô: chia lớp raster thành các khoang

Bản đồ tốt để quan sát nhưng khó so sánh giữa 31 con vật. Để so sánh, tác giả chia mỗi lớp tế bào hình sao thành bốn khoang có diện tích bằng nhau bằng hàm quantess: khoang 1 là phần tư lát cắt có ít tế bào hình sao nhất, khoang 4 là phần tư có nhiều nhất. Sau đó đếm tế bào thần kinh và microglia trong từng khoang rồi chia cho diện tích.

Kết quả nổi bật: tế bào thần kinh giảm dần qua các khoang ở 0 và 30 ngày, nhưng tăng ở 5 ngày. Microglia là rõ ràng nhất — từ 15 ngày trở đi, chúng tăng mạnh vào các khoang giàu tế bào hình sao, trong khi ở 5 ngày chúng cao đều ở mọi khoang. Điều này sẽ bị bỏ lỡ nếu chỉ đếm tế bào ở cấp lát cắt.

Tuy nhiên có một cạm bẫy ở nhóm 0 ngày: có quá ít tế bào hình sao nên hai khoang thấp nhất thực chất được xác định bởi gần như bằng không, mô tả một gradient mờ nhạt của vài tế bào.

Từ phân vùng đến ước lượng có độ bất định

Tác giả đưa con vật vào mô hình Bayes. Với mỗi con vật, lấy một con số: log2 tỷ lệ mật độ tế bào ở khoang giàu tế bào hình sao nhất so với khoang nghèo nhất. Tỷ lệ 0 nghĩa là không có gradient, +1 nghĩa là gấp đôi, -1 nghĩa là một nửa.

Sử dụng phân phối Student-t với phương sai phụ thuộc vào DPI, mô hình cho kết quả:

• Với tế bào thần kinh: xác suất tỷ lệ dương ở 0 và 30 ngày chỉ là 0,01 và 0,02; ở 5 ngày là 0,99 — xác nhận sự thay đổi dấu, giờ đây với con vật là đơn vị phân tích.
• Với microglia: trung vị hậu nghiệm ở 15 ngày là 1,1 (khoảng 2,1 lần nhiều microglia hơn ở khoang giàu tế bào hình sao), ở 30 ngày là 3,4 (khoảng 10 lần).

Tác giả cũng kiểm tra chẩn đoán hội tụ: R-hat lớn nhất là 1,00, kích thước mẫu hiệu dụng nhỏ nhất là 1294, không có chuyển tiếp phân kỳ.

Kiểm tra dự đoán hậu nghiệm

Những giới hạn cần thẳng thắn thừa nhận

Tác giả không khẳng định nhiều hơn những gì bản đồ và mô hình thể hiện:

• Phân đoạn vẫn là mắt xích yếu. Tách một tế bào khỏi nhiều mảnh của cùng một tế bào vẫn khó, đặc biệt với tế bào có hình dạng bất thường như tế bào hình sao và microglia. Nếu một tế bào bị phát hiện thành ba mảnh, lớp tế bào hình sao sẽ bị thêm trọng số và mọi khoang đều kế thừa sai số đó.
• Kernel và cách cắt là lựa chọn. Sigma = 0,2 và bốn khoang diện tích bằng nhau là do tác giả chọn. Nên lặp lại phân tích với ba và sáu khoang trước khi tin vào kết luận.
• Nhóm 0 ngày quá mỏng. Có rất ít tế bào hình sao ở 0 ngày nên các khoang chỉ là gradient của vài tế bào.
• Cỡ mẫu nhỏ. Các nhóm có 5, 8, 8 và 10 con vật, khiến khoảng tin cậy rộng ở những chỗ có thể dự đoán được.
• Tương quan, không phải cơ chế. Một lớp tế bào thần kinh đi theo lớp tế bào hình sao không nói lên điều gì gây ra điều gì.

Bài học cho người làm phân tích dữ liệu

Câu chuyện này không chỉ dành riêng cho sinh học thần kinh. Tác giả chỉ ra rằng một nhà sinh thái học có thể thay tế bào hình sao bằng lớp môi trường sống, một nhà dịch tễ học thay bằng bản đồ ô nhiễm. Bài học cốt lõi là: đơn vị phân tích quan trọng hơn số lượng quan sát, và một mô hình gộp chung có thể che giấu những khác biệt có ý nghĩa giữa các nhóm.

Phân tích không gian nâng cao

Phần 3 của loạt bài sẽ chuyển sang các tóm tắt bậc hai như hàm K chéo và hàm tương quan cặp, nhằm trả lời câu hỏi liệu hai loại tế bào hút hay đẩy nhau ở khoảng cách ngắn — điều mà bản đồ mật độ không thể hiện được.

Toàn bộ mã nguồn và dữ liệu của bài viết có sẵn trên GitHub của tác giả, sử dụng các gói R như spatstat, brms và tidybayes.