scDRP: Disentangled representation learning for predicting single-cell responses to perturbations and estimating individual treatment effects

Stellen Sie sich vor, Sie versuchen genau herauszufinden, wie eine einzelne Person auf ein neues Medikament reagiert, aber Sie haben eine magische, zerstörerische Kamera, die immer nur ein Bild von ihr machen kann: entweder vor der Einnahme der Pille oder nach der Einnahme, aber niemals beide gleichzeitig. Sie können die Veränderung derselben Person nicht beobachten; Sie können nur eine Menschenmenge vor der Pille und eine andere Menschenmenge nach der Pille betrachten. Dies ist die frustrierende Realität der modernen Biologie. Wissenschaftler nutzen die „Einzelzell-Sequenzierung“, um die genetischen Anweisungen innerhalb einzelner Zellen zu lesen, aber der Prozess zerstört die Zelle während des Lesevorgangs. Dies macht es unmöglich, das „Vorher und Nachher“ derselben exakten Zelle zu sehen, was entscheidend ist, um zu verstehen, wie verschiedene Zellen unterschiedlich auf dieselbe Behandlung reagieren.

Um dies zu lösen, verlassen sich Wissenschaftler auf ein Konzept namens „Individual Treatment Effects“ (ITE – individuelle Behandlungseffekte). Denken Sie daran wie beim Versuch, die Leistung eines bestimmten Schülers nach dem Lernen vorherzusagen, ohne jemals diesen spezifischen Schüler die Prüfung schreiben zu sehen. Man muss basierend darauf schätzen, wie ähnliche Schüler abgeschnitten haben. Die Herausforderung besteht darin, dass Zellen chaotisch sind; sie haben ihre eigene, einzigartige „Persönlichkeit“ (wie etwa eine Leberzelle im Gegensatz zu einer Hautzelle) und ihre eigene „Stimmung“ (wie aktiv sie sind). Wenn man nur auf die durchschnittliche Reaktion einer ganzen Menge blickt, übersieht man die einzigartigen Geschichten der Individuen. Dieses Paper stellt einen neuen Weg vor, um diese Geschichten zu entwirren, indem es die permanente Identität einer Zelle von ihrer vorübergehenden Reaktion auf einen Reiz trennt. So können Wissenschaftler vorhersagen, was mit einer spezifischen Zelle passiert wäre, wenn sie behandelt worden wäre, obwohl sie es in Wirklichkeit niemals sehen können.

Das Werkzeug des Detektivs: Treffen Sie scDRP

Lernen Sie scDRP kennen, ein neues digitales Detektiv-Werkzeug, das von Forschern der Carnegie Mellon University und des Broad Institute entwickelt wurde. Seine Aufgabe ist es, das „Missing Twin“-Rätsel (das Rätsel des fehlenden Zwillings) in der Biologie zu lösen. Da wir dieselbe Zelle nicht vor und nach einem chemischen oder genetischen Angriff (einer „Perturbation“) beobachten können, erstellt scDRB einen virtuellen Zwilling für jede Zelle, um zu sehen, wie sie reagiert hätte.

So funktioniert der Zaubertrick, in einfachen Schritten unterteilt:

1. Die große Trennung (Entwirrte Repräsentation)
Stellen Sie sich vor, jede Zelle sei ein komplexes Rezept. Ein Teil des Rezepts ist die „Basisidentität“ (was eine Leberzelle zu einer Leberzelle und eine Hautzelle zu einer Hautzelle macht), und der andere Teil ist die „Reaktion“ (wie diese Zelle schreit, sich verändert oder anpasst, wenn man sie kitzelt).
In der Vergangenheit waren diese beiden Teile in einem großen, unordentlichen Smoothie vermischt. Wenn man versuchte, die Reaktion zu erraten, errat man auch die Identität und umgekehrt. scDRP nutzt eine spezielle KI (eine Art von neuronalem Netzwerk namens $\beta$-VAE), um den Smoothie wieder in seine Zutaten zu zerlegen. Es erstellt zwei unterschiedliche „latente Räume“ (denken Sie an zwei verschiedene Aktenschränke):

• Schrank U (Identität): Enthält die stabilen Merkmale der Zelle, wie ihren Zelltyp.
• Schrank D (Reaktion): Enthält die Veränderungen, die durch die Behandlung verursacht wurden.
  Durch diese Trennung stellt das Tool sicher, dass es bei der Vorhersage einer Reaktion nicht versehentlich die Persönlichkeit einer Zelle mit ihrer Reaktion auf das Medikament verwechselt.

2. Die Rang-Erhaltungs-Regel (Conditional Optimal Transport)
Sob's die Zutaten getrennt hat, wie weiß das Tool, welche „unbehandelte“ Zelle zu welcher „behandelten“ Zelle passt?
Die Forscher nutzen eine clevere Regel namens Quantil-Matching. Stellen Sie sich ein Rennen vor, bei dem die Läufer nach Geschwindigkeit aufgereiht sind. Wenn man jedem ein Paar schwerer Stiefel gibt (die Perturbation), wird sich die gesamte Linie vielleicht verlangsamen, aber die Person, die sich im Vergleich zu den anderen an 95. Stelle befand (die Schnellste), sollte im Verhältnis zu den anderen immer noch an 95. Stelle stehen.
scDRP geht davon aus, dass eine Behandlung zwar das Verhalten der gesamten Gruppe verschieben kann, der relative Rang einer Zelle innerhalb ihrer eigenen Vergleichsgruppe jedoch gleich bleibt. Es nutzt eine mathematische Technik namens Optimal Transport, um die unbehandelte Zelle im 95. Perzentil der Sensitivität mit der behandelten Zelle im 95. Perzentil abzugleichen. Dies erzeugt einen „kontrafaktischen Zwilling“ – eine virtuelle Version der Kontrollzelle, die so transformiert wurde, als hätte sie die Behandlung erhalten, was es Wissenschaftlern ermöglicht, den exakten Unterschied (den Individual Treatment Effect) zu berechnen.

3. Was sie fanden: Die verborgenen Muster
Das Team testete scDRP sowohl an künstlichen Daten (bei denen sie die Antworten kannten) als auch an realen biologischen Daten. Hier ist, was sie entdeckten:

• Besser als die alten Methoden: Im Vergleich zu anderen Methoden war scDRP viel besser darin, die spezifische Reaktion einzelner Zellen vorherzusagen, insbesondere wenn die Reaktionen komplex und nicht-linear waren (also nicht nur eine einfache gerade Linie).
• Aufdecken verborgener Gruppen: Durch die Betrachtung der vorhergesagten Reaktionen von Tausenden von Zellen konnten sie diese in „Funktionale Gen-Module“ (FGMs) gruppieren. Dies sind wie Teams von Genen, die zusammenarbeiten.
  • Rhinovirus & Rauch: In Lungenzellen, die dem gewöhnlichen Erkältungsvirus (Rhinovirus) oder Zigarettenrauch ausgesetzt waren, fand scDRP, dass verschiedene Zelltypen auf sehr spezifische Weise reagierten. Einige Zellen aktivierten „Zilien“ (winzige haarähnliche Strukturen), um sich selbst zu reinigen, während andere einen „Zellzyklus“ starteten, um sich zu vermehren. Vorherige Methoden übersehen diese feinen Details.
  • Immunantwort: Als Immunzellen durch Interferon (ein virusbekämpfendes Signal) getroffen wurden, zeigte scDRP, dass verschiedene Immunzellen (wie T-Zellen gegenüber B-Zellen) völlig unterschiedliche Aufgaben hatten. Einige konzentrierten sich auf das Töten von Viren, während andere sich auf das Management von Stress oder die Bewegung an neue Orte im Körper konzentrierten.
  • Leukämie: Bei chronischen myeloischen Leukämiezellen fanden sie heraus, dass das gezielte Ansprechen verschiedener Gene mittels CRISPR (Gen-Editierung) unterschiedliche funktionale Module auslöste, was offenbarte, wie diese Krebszellen überleben oder sterben könnten.

4. Vorhersage des Unbeobachteten
Eine der coolsten Funktionen von scDRP ist die Fähigkeit, Situationen vorherzusagen, die es noch nicht gesehen hat.

• Dosierungen: Wenn Wissenschaftler wissen, wie eine Zelle auf eine niedrige und eine hohe Dosis eines Medikaments reagiert, kann scDRP die Reaktion auf eine mittlere Dosis, die noch nicht getestet wurde, glatt interpolieren (raten).
• Kombinationen: Wenn man weiß, wie eine Zelle separat auf Medikament A und Medikament B reagiert, kann scDRP diese „Reaktionsvektoren“ kombinieren, um die Stärke der Reaktion vorherzusagen, wenn beide Medikamente gleichzeitig verwendet werden. (Hinweis: Es kann die Größe des Effekts vorhersagen, aber nicht immer, ob das Gen hoch- oder runterreguliert wird).

Das Fazit
Das Paper legt nahe, dass scDRP ein leistungsstarkes neues Werkzeug ist, um das „Was-wäre-wenn“ der Biologie zu betrachten. Durch die Trennung der Identität einer Zelle von ihrer Reaktion und die Nutzung einer „rangserhaltenden“ Matching-Regel ermöglicht es Forschern, die einzigartigen, individuellen Geschichten von Zellen zu sehen, die zuvor im Rauschen der Durchschnittswerte verborgen waren. Obwohl die Methode auf bestimmten Annahmen beruht (wie der Idee, dass der relative Rang einer Zelle gleich bleibt), zeigen die Simulationen und realen Tests, dass sie gut funktioniert und einen klareren Blick darauf bietet, wie das Leben auf Veränderungen auf der fundamentalsten Ebene reagiert.