Donor-Aware scRNA-seq Benchmarks for IBD Classification

ملخص تقني لورقة بحثية: "المعايير المرجعية لبيانات scRNA-seq المدركة لهوية المتبرع لتصنيف داء الأمعاء الالتهابي (IBD)" بقلم جوناثان موهيري.

بيان المشكلة

لقد مكنت تقنية تسلسل الحمض النووي الريبوزي أحادي الخلية (scRNA-seq) من التوصيف عالي الدقة للبنية الخلوية في داء الأمعاء الالتهابي (IBD)، مما كشف عن تحولات في نسب أنواع الخلايا بين الحالات السليمة والمصابة. ومع ذلك، توجد فجوة منهجية حرجة في تقييم ما إذا كانت هذه التركيبات الخلوية قادرة على تصنيف المرضى بشكل فردي. تعتمد العديد من المسارات البرمجية الحالية على تقسيم الخلايا عشوائياً بين مجموعات التدريب والاختبار، متجاهلة هوية المتبرع. هذا "التكرار الزائف" (pseudoreplication) يسمح للنماذج بحفظ البصمات الخاصة بكل متبرع بدلاً من تعلم الأنماط المرضية القابلة للتعميم، مما يؤدي إلى تضخيم مقاييس الأداء التي تفشل في التعميم على مرضى جدد. علاوة على ذلك، لا يزال من غير الواضح ما إذا كانت النماذج الهيكلية القادرة على تعلم التبعيات بين أنواع الخلايا (تتجاوز المصنفات الخطية البسيطة) تقدم ميزة تنبؤية على بيانات الـ IBD التركيبية.

المنهجية

تطبق الدراسة بروتوكول تحقق متبادل صارم مدرك لهوية المتبرع (donor-aware cross-validation)، حيث يتم تعيين الفئات (folds) على مستوى المتبرع، مما يضمن عدم ظهور أي خلايا أو سمات مشتقة من متبرع الاختبار في مجموعة التدريب. تم ضبط جميع خطوات المعالجة المسبقة، بما في ذلك التطبيع واختيار السمات، حصرياً على المتبرعين في مجموعة التدريب.

مجموعات البيانات:
تم تقييم مجموعتين مستقلتين:

1. SCP259 (Smillie et al., 2019): التهاب القولون التقرحي (UC) مقابل الحالة السليمة (عدد المتبرعين = 30، عدد أنواع الخلايا = 51).
2. Kong et al. (2023): داء كرون (CD) مقابل الحالة السليمة (عدد المتبرعين = 71، عدد أنواع الخلايا يتراوح بين 55 و68 عبر مناطق اللفائفي النهائي والقولون).

تمثيلات السمات:
تمت مقارنة ثلاث مجموعات متميزة من السمات:

1. تركيبة نوع الخلية المحولة بـ CLR: تم تحويل نسب الخلايا باستخدام نسبة اللوغاريتم المركزي (CLR) للتعامل مع قيد مجموع الوحدة في البيانات التركيبية. تم بناء السمات عالمياً ومقسمة حسب القسم النسيجي (الظهارية، الليفية/الداعمة، المناعية).
2. تضمينات GatedStructuralCFN: نموذج شبكة عوامل سببية يتعلم رسماً بيانياً موجهاً متفرقاً للتبعيات بين أنواع الخلايا.
3. تضمينات scVI الكامنة: نموذج توليدي عميق يضغط ملفات التعبير الجيني إلى ناقلات كامنة منخفضة الأبعاد، والتي تم تجميعها لكل متبرع (عالمياً ومقسماً حسب الأقسام).

المصنفات:
تم اختبار خمسة مصنفات: الانحدار الخطي (Logistic Regression)، وآلات المتجهات الداعمة الخطية (Linear SVM)، وElasticNet، وXBost، وCatBoost.

التصميم التجريبي:

• هندسة السمات: تم استبعاد أنواع الخلايا النادرة (أقل من 20% انتشاراً) والسمات منخفضة التباين (الانحراف المعياري < 0.005) لتقليل الضجيج.
• نقل عبر مجموعات البيانات: تم تدريب النماذج على إحدى المجموعات واختبارها على الأخرى باستخدام أربعة أنواع خلايا مشتركة فقط (DC1، ILCs، Macrophages، Tregs).
• تحليل الاستقرار: تم تقييم قابلية تكرار حواف تبعية CFN عبر تشابه Jaccard عبر فئات التحقق المتبادل.

النتائج الرئيسية

1. SCP259 (التهاب القولون التقرحي مقابل الحالة السليمة):

• الخطوط المرجعية الخطية: حققت سمات CLR المقسمة حسب القسم باستخدام Linear SVM معامل AUROC بلغ 0.956 ± 0.061، مما وضع خطاً مرجعياً قوياً.
• النماذج الهيكلية: حقق نموذج GatedStructuralCFN على السمات المقسمة حسب القسم أعلى تقدير نقطي (0.978 ± 0.050)، متفوقاً على النموذج العالمي CFN (0.906) والنماذج الخطية العالمية.
• scVI: حققت تضمينات scVI المقسمة حسب القسم (60 بُعداً) معامل 0.931 ± 0.101 باستخدام XGBoost، وهي منافسة للخطوط المرجعية الخطية. أما scVI العالمي (20 بُعداً) فقد كان أداؤه ضعيفاً (0.725) مع تباين عالٍ.

2. Kong 2023 (داء كرون مقابل الحالة السليمة):

• التباين الإقليمي: تباين الأداء بشكل كبير حسب المنطقة المعوية.
  • اللفائفي النهائي: هيمنت النماذج الخطية. حقق CatBoost على CLR معامل 0.967 ± 0.075، بينما تأخر CFN عند 0.811 ± 0.164.
  • القولون: أظهرت النماذج الهيكلية ميزة عددية. حقق CFN على السمات المصفاة 0.960 ± 0.055، متجاوزاً أفضل خط مرجعي خطي (LinearSVM CLR عند 0.900 ± 0.100).
• الأهمية الإحصائية: لم تصل أي مقارنة بين الطرق إلى دلالة إحصائية (p < 0.05) بسبب حجم العينة المحدود (n ≤ 34 لكل منطقة).

3. استقرار حواف CFN:

• العالمي مقابل المقسم: أظهرت مصفوفات تبعية CFN العالمية تكراراً يقترب من الصفر عبر الفئات (تشابه Jaccard 0.026). في المقابل، أظهرت مصفوفات CFP المقسمة حسب القسم تكراراً تاماً (تكرار أعلى 20 حافة هو 1.0).
• السبب: يُعزى عدم الاستقرار في النماذج العالمية إلى "أثر مجموع الوحدة" في البيانات التركيبية، حيث تؤدي القيود إلى حدوث ارتباطات زائفة. تقسيم البيانات إلى أقسام يكسر هذا القيد، مما يؤدي إلى استدلالات هيكلية مستقرة.

4. النقل عبر مجموعات البيانات:

• عدم التماثل الاتجاهي: حقق النقل من CD (Kong) إلى UC (SCP259) معامل AUC 0.833 باستخدام XGBoost. أما العكس (من UC إلى CD) فقد كان عند مستوى الصدفة (AUC ~0.50).
• المحركات: كان النقل من CD إلى UC مدفوعاً بشكل أساسي بنسب ILC وTreg؛ حيث أدى حذف هذه الخلايا إلى انهيار الأداء.

المساهمات والادعاءات الرئيسية

الدقة المنهجية:
تضع الورقة إطار عمل مرجعياً صارماً للتحقق المتبادل المدرك للمتبرع، وتثبت أن التقسيم العشوائي الساذج يضخم الأداء وأن الفصل الصحيح ضروري للتقييم الصالح.

النماذج الهيكلية مقابل الخطية:
تدعي الدراسة أن النماذج الهيكلية (CFN) لا تتفوق دائماً على الخطوط المرجعية الخطية. ميزتها تعتمد على المنطقة:

• في اللفائفي النهائي، تكون التحولات المرضية رتيبة (monotone) وقابلة للفصل خطياً إلى حد كبير، مما يفضل المصنفات البسيطة.
• في القولون، يبدو إعادة التشكيل أكثر اعتماداً متبادلاً، مما يسمح لـ CFN بالتقاط التفاعلات المعقدة التي تغفلها النماذج الخطية (عددياً 0.960 مقابل 0.900).

الهندسة التركيبية:
النتيجة المركزية هي أن نمذجة التبعية القائمة على الرسم البياني في بيانات scRNA-seq حساسة للغاية للهندسة التركيبية. توضح الورقة أن حساب التركيبة ضمن الأقسام البيولوجية أمر بالغ الأهمية لاستقرار رسوم التبعية البيانية؛ حيث تؤدي التركيبة العالمية إلى هياكل حواف غير قابلة للتكرار بسبب الارتباطات الزائفة الناجمة عن قيد مجموع الوحدة. تقسيم البيانات إلى أقسام يكسر هذا القيد، مما ينتج عنه استدلالات هيكلية مستقرة.

تمركز الإشارة:
تشير النتائج إلى أن الإشارة التمييزية الأساسية لتصنيف IBD تكمن في التكوين الخلوي النسبي لأقسام محددة بدلاً من الحالات النسخية الذاتية للخلايا. ويتضح ذلك من الأداء المتفوق لسمات scVI وCLR المقسمة حسب القسم مقارنة بنظيراتها العالمية.

القيود والتواضع:
أشار المؤلفون صراحةً إلى أن:

• لم يتم الوصول إلى دلالة إحصائية للفروق في الأداء بسبب صغر حجم المجموعات (n=30 لـ SCP259، وn=34 لـ Kong colon).
• تضمن تقييم scVI ملاحظة حول تسرب البيانات (التدريب على المجموعة الكاملة قبل التحقق المتبادل)، مما يجعل هذه النتائج تقديرات تقريبية داخل العينة وليست مقاييس حقيقية خارج العينة.
• لا يمكن التحقق من حواف التبعية المحددة التي تقود أداء CFN في القولون من حيث القابلية للتكرار البيولوجي نظراً لعدم وجود استقرار عبر الفئات في النماذج العالمية وصغر حجم العينة.

الأهمية

تخلص الورقة إلى أنه بينما توفر المصنفات الخطية المقسمة حسب القسم خطاً مرجعياً قوياً لتصنيف IBD، فإن النماذج الهيكلية مثل GatedStructuralCFN تقدم مساراً واعداً، وإن كان متواضعاً عددياً، لالتقاط عمليات إعادة التشكيل المعقدة والمتكافئة في مخاطية القولون لمرضى CD. ويؤكد هذا العمل على ضرة التحقق المدرك للمتبرع والتعامل السليم مع هندسة البيانات التركيبية في المعايير المرجعية للخلايا المفردة.