scprocess: a pipeline for processing, integrating and visualising atlas-scale single cell data

Das Paper stellt scprocess vor, eine auf Snakemake basierende Pipeline, die die Verarbeitung, Integration und Visualisierung von atlasgroßen Einzelzell-Datensätzen (insbesondere von 10x Genomics) automatisiert, um Reproduzierbarkeit und Skalierbarkeit zu gewährleisten.

Das Wesentliche

🧬 Die große Bibliothek der Zellen: Wie scprocess das Chaos ordnet

Stell dir vor, du bist in einer riesigen Bibliothek. Aber nicht irgendeiner – hier gibt es Millionen von Büchern (das sind die Zellen), und jedes Buch erzählt eine ganz eigene Geschichte über den Körper. Früher haben Forscher nur ein paar Bücher auf einmal gelesen. Heute, dank neuer Technologien, können sie plötzlich Millionen von Büchern gleichzeitig öffnen. Das ist toll, aber es ist auch ein Albtraum: Wo fängt man an? Wie sortiert man das Chaos? Und wie stellt man sicher, dass man nicht versehentlich ein Buch mit einem Klecks Tinte (Schmutz) liest?

Genau hier kommt scprocess ins Spiel. Es ist wie ein super-effizienter Bibliothekar mit einem Roboterarm, der speziell für diese riesigen Datenmengen gebaut wurde.

1. Das Problem: Der Daten-Dschungel 🌿

Früher war die Analyse von einzelnen Zellen wie das Kochen eines komplexen Gerichts: Man musste jeden Schritt selbst planen, jedes Werkzeug einzeln holen und sich genau merken, wie viel Salz man wann hinzugefügt hat. Wenn man das Rezept (die Analyse) später nochmal nachkochen wollte, war es schwer, sich an alles zu erinnern. Bei Millionen von Zellen war das unmöglich.

scprocess ist nun wie ein vollautomatisches Kochstudio. Du gibst die rohen Zutaten (die Daten) rein, drückst einen Knopf, und das System kocht das perfekte Gericht, ohne dass du dich um jeden einzelnen Schritt kümmern musst. Und das Beste: Es schreibt alles genau auf, damit du es morgen oder in einem Jahr genau gleich nachkochen kannst.

2. Die Reise der Daten: Vom Rohmaterial zum Meisterwerk 🚂

Hier ist, was scprocess mit den Daten macht, Schritt für Schritt:

• Der erste Halt: Die Sortiermaschine (Alignment & Quantifizierung)
  Die Daten kommen als rohe Buchstabenfolgen an (wie ein riesiger Haufen loser Buchstaben). scprocess nimmt diese und ordnet sie sofort den richtigen Kapiteln zu.
  Der Clou: Früher brauchte man dafür riesige, langsame Maschinen. scprocess nutzt einen neuen, superschnellen Motor (genannt alevin-fry), der wie ein Formel-1-Rennwagen durch die Daten rast. Er ist viel schneller und braucht weniger Treibstoff (Rechenleistung) als die alten Methoden.

• Die Qualitätskontrolle: Der Türsteher am Club 🚪
  Nicht jede Zelle, die in die Maschine kommt, ist wirklich eine gute Zelle. Manche sind kaputt, manche sind nur leere Hüllen, und manche sind „Doppelgänger" (zwei Zellen, die versehentlich in einen Behälter gefallen sind).

  • Schmutz entfernen: Es gibt oft „Luft" im System (Schadstoffe), die die Messung verfälschen. scprocess erkennt diese und wischt sie weg, wie ein Putzmann, der den Staub von der Kamera entfernt, bevor das Foto gemacht wird.
  • Doppelgänger finden: Es gibt einen speziellen Detektor (scDblFinder), der wie ein Polizist mit einem Scanner nach Doppelgängern sucht und sie aussortiert, damit sie das Ergebnis nicht verfälschen.

• Die Zusammenfassung: Das große Puzzle 🧩
  Jetzt hat man Millionen von Zellen. Wenn man sie alle auf einmal betrachtet, wird es zu unübersichtlich. scprocess sucht sich daher nur die wichtigsten Merkmale aus (die „Highligts" der Zellen), um das Bild klarer zu machen.

  • Der Trick: Statt alles auf einmal zu laden (was den Computer zum Abstürzen bringt), macht es das in kleinen Häppchen, wie jemand, der ein riesiges Puzzle Abschnitt für Abschnitt zusammenfügt, statt den ganzen Haufen auf einmal auf den Tisch zu kippen.

• Die Gruppierung: Die Party-Planung 🎉
  Jetzt werden die Zellen nach Ähnlichkeit gruppiert. Zellen, die sich ähnlich verhalten, kommen in denselben Raum. scprocess nutzt dabei eine super-schnelle Technik (manchmal sogar mit Grafikkarten-Hilfe), um diese Gruppen blitzschnell zu finden.

  • Das Ergebnis: Plötzlich sieht man Muster: „Aha, diese Gruppe sind Immunzellen, diese Gruppe sind Nervenzellen."

• Die Beschriftung: Das Namensschild 🏷️
  Eine Gruppe von Zellen zu sehen ist gut, aber zu wissen, was sie sind, ist besser. scprocess kann automatisch Namen vergeben. Es nutzt eine Art KI-Lernprogramm, das bereits Millionen von anderen Zellen gelernt hat. Es vergleicht deine Zellen mit diesem riesigen Wissen und sagt: „Das ist wahrscheinlich eine Leberzelle."

3. Warum ist das so wichtig? 🌟

Stell dir vor, du hast 100 verschiedene Länder, die alle ihre eigenen Daten über die Bevölkerung sammeln. Ohne scprocess müsste man jede Datenbank einzeln öffnen, die Formate vergleichen und manuell zusammenführen – ein Albtraum, der Jahre dauert.

Mit scprocess ist es wie ein universeller Übersetzer und Organisator.

• Es funktioniert für riesige Datenmengen (Atlasskala).
• Es ist wiederholbar: Wenn du es heute machst und in einem Jahr nochmal, kommt exakt das gleiche Ergebnis heraus.
• Es ist flexibel: Du kannst jeden Schritt einzeln überprüfen, wie bei einem Baukasten.

Fazit 🎯

scprocess ist nicht nur ein neues Werkzeug; es ist der Schlüssel, der es Wissenschaftlern erlaubt, die riesigen Ozeane an Einzelzell-Daten zu navigieren, ohne darin unterzugehen. Es verwandelt das Chaos von Millionen von Zellen in klare, verständliche Bilder, die uns helfen, Krankheiten besser zu verstehen und neue Heilmethoden zu finden.

Kurz gesagt: Es macht das Unmögliche machbar, das Langsame schnell und das Undurchsichtige klar.

Technische Zusammenfassung

Titel: scprocess: Eine Pipeline zur Verarbeitung, Integration und Visualisierung von atlasgroßen Einzelzell-Daten

1. Problemstellung (Motivation)

Die Einzelzell-Forschung (scRNA-seq) hat sich zu einem „atlasgroßen" Maßstab entwickelt, bei dem Datensätze aus Millionen von Zellen und hunderten von Proben bestehen. Dieser Wandel bringt erhebliche Herausforderungen mit sich:

• Skalierbarkeit: Herkömmliche Analysemethoden stoßen bei der Verarbeitung solch großer Datenmengen an Grenzen hinsichtlich Speicherbedarf und Rechenzeit.
• Reproduzierbarkeit: Die Analyse ist hochkomplex und erfordert Dutzende von Entscheidungspunkten und Tools. Die manuelle Nachverfolgung aller verwendeten Parameter und Tools ist schwierig, was die Reproduzierbarkeit der Ergebnisse gefährdet.
• Fragmentierung: Es existieren zwar viele Tools für einzelne Schritte, jedoch fehlt oft ein einheitlicher Workflow, der diese Schritte in einem kohärenten Rahmen integriert.

2. Methodik und Architektur

scprocess ist eine auf Snakemake basierende Pipeline, die speziell für die Verarbeitung von scRNA-seq- und snRNA-seq-Daten (Single Nucleus) entwickelt wurde, die mit der 10x Genomics-Technologie generiert wurden.

• Infrastruktur: Die Pipeline ist für High-Performance-Computing (HPC)-Umgebungen optimiert. Sie nutzt Conda-Umgebungen zur Abhängigkeitsverwaltung und ermöglicht die Ausführung über eine einfache Kommandozeilenschnittstelle (CLI).
• Modularität: Der Workflow ist modular aufgebaut. Nutzer können einzelne Schritte unabhängig ausführen, was Iterationen und Parameteranpassungen erleichtert.
• Konfiguration: Alle Parameter werden über eine YAML-Datei gesteuert, die als Protokoll für die Reproduzierbarkeit dient.
• Berichterstattung: Für jeden Hauptschritt werden detaillierte HTML-Berichte generiert, die eine visuelle Qualitätskontrolle und die Bewertung von Zwischenergebnissen ermöglichen.

Schlüsseltechnische Komponenten der Pipeline:

1. Alignment und Quantifizierung:

   • Statt des ressourcenintensiven Cell Ranger (STAR-basiert) nutzt scprocess simpleaf (basierend auf alevin-fry).
   • Dies ist ein Pseudo-Aligner, der deutlich schneller ist und weniger Speicher benötigt. Er generiert Count-Matrizen mit getrennten Spliced/Unspliced-Zählungen (wichtig für RNA-Velocity).
   • Die Pipeline erkennt automatisch die 10x-Genomics-Chemie.

2. Zellerkennung (Cell Calling) und Entfernung von Ambient RNA:

   • Option A (Rechenintensiv): CellBender modelliert leere Tröpfchen für Zellerkennung und Ambient-RNA-Entfernung (erfordert oft GPU).
   • Option B (Effizient): DecontX (CPU-basiert, schnell). Da DecontX keine Zellerkennung durchführt, kombiniert scprocess dies mit barcodeRanks (DropletUtils) oder emptyDrops zur Zellerkennung.
   • Ein wichtiger Unterschied: scprocess übergibt eine geschätzte Ambient-RNA-Profil an DecontX statt des Standard-Cluster-Modells, was zu genaueren Rauschschätzungen führt.

3. Qualitätskontrolle (QC):

   • Filterung basierend auf Library-Größe, Feature-Anzahl, mitochondrialen Reads und dem Anteil gespleißter Reads (wichtig für snRNA-seq zur Erkennung von Zytoplasmakontamination).
   • Doppelte (Doublets): Nutzung von scDblFinder, das in Benchmarks als überlegen identifiziert wurde.
   • Schwellenwerte: Anstatt automatischer MAD-basierter Schwellenwerte (die bei heterogenen Proben problematisch sein können), stützt sich scprocess auf benutzerdefinierte Schwellenwerte, die auf der Inspektion der Verteilungen basieren.

4. Selektion variabler Merkmale (HVG):

   • Um den Speicherbedarf bei der Auswahl hochvariabler Gene (HVGs) zu minimieren, verarbeitet scprocess die Daten in Chunks (Teilmengen von Genen).
   • Es wird eine modifizierte Version des Seurat vst-Algorithmus (Scanpy-Implementierung) verwendet, die in zwei Durchläufen arbeitet.
   • Die Berechnung kann pro Probe oder pro Proben-Gruppe erfolgen, um batch-spezifische Effekte zu vermeiden.
   • Filterung von Ambient-Genen: Eine Differential-Expression-Analyse (mit edgeR) zwischen Zell-tragenden und leeren Tröpfchen identifiziert „Ambient-Gene", die standardmäßig aus der HVG-Rangliste entfernt werden.

5. Integration und Clustering:

   • Die Pipeline bietet zwei Frameworks: Scanpy (CPU) und RAPIDS-singlecell (GPU-beschleunigt).
   • Der Workflow umfasst PCA, Batch-Korrektur mit Harmony, Nachbarschaftsgraphen-Erstellung, Leiden-Clustering und UMAP.
   • Zweistufige Integration: Zuerst werden alle QC-gefilterten Zellen (inkl. Doublets) integriert, um Doublet-Cluster zu identifizieren. Diese können entfernt werden, bevor eine zweite Integrationsrunde nur mit sauberen Daten durchgeführt wird.

6. Marker-Gen-Identifikation und Annotation:

   • Pseudobulk-Ansatz: Statt den Wilcoxon-Test auf Einzelzell-Ebene (was die Unabhängigkeit der Zellen ignoriert) werden Zellen auf Probenebene aggregiert (Pseudobulk) und mit edgeR verglichen. Dies erhöht die statistische Robustheit.
   • GSEA: Optionale Gen-Sets-Anreicherung mit fgsea.
   • Automatische Annotation: Integration von CellTypist (logistische Regression) und einem vorab trainierten XGBoost-Modell für das menschliche Gehirn (basierend auf Siletti et al.).

7. Multiplexing:

   • Unterstützung von HTOs (Hashtag Oligos) via simpleaf und Seurat HTODemux zur Zuordnung von Zellen zu Proben und zur Identifikation technischer Multiplets.

3. Ergebnisse und Leistungsfähigkeit

• Skalierbarkeit: Die Pipeline wurde erfolgreich auf einem Datensatz mit 149 Proben getestet (Pineda et al. 2024).
• Effizienz: Durch den Einsatz von alevin-fry (simpleaf) und GPU-Optionen (RAPIDS) werden Engpässe bei der Alignment- und Clustering-Zeit signifikant reduziert.
• Reproduzierbarkeit: Durch die YAML-Konfiguration und die automatische Generierung von HTML-Berichten ist jeder Schritt nachvollziehbar und reproduzierbar.
• Flexibilität: Die Pipeline unterstützt sowohl scRNA-seq als auch snRNA-seq und verschiedene Multiplexing-Strategien.

4. Signifikanz und Beiträge

• Vereinheitlichung: scprocess schließt die Lücke zwischen isolierten Tools und einem vollständigen, reproduzierbaren Workflow für atlasgroße Datensätze.
• Ressourcenoptimierung: Die Wahl von alevin-fry statt Cell Ranger und die Chunking-Strategie für HVGs machen die Analyse großer Datensätze auf Standard-HPC-Systemen (und optional mit GPU) praktikabel.
• Statistische Robustheit: Der konsequente Einsatz von Pseudobulk-Ansätzen für Marker-Gen-Identifikation und Doublet-Erkennung adressiert methodische Schwächen herkömmlicher Einzelzell-Analysen.
• Transparenz: Die detaillierte Dokumentation und die generierten Berichte fördern die Qualitätssicherung und erleichtern die Interpretation komplexer biologischer Daten.

5. Verfügbarkeit

• Lizenz: MIT-Lizenz.
• Quelle: Verfügbar auf GitHub (https://github.com/marusakod/scprocess).
• Dokumentation: Umfassende Tutorials und Setup-Anleitungen unter https://marusakod.github.io/scprocess/.

Fazit: scprocess ist ein essenzielles Werkzeug für die moderne Einzelzellforschung, das die Komplexität der Datenverarbeitung für atlasgroße Studien durch Automatisierung, Skalierbarkeit und methodische Strenge beherrschbar macht.