scPyviewer: a Python-native interactive viewer from AnnData single-cell data

In den letzten zehn Jahren hat in biologischen Laboren eine Revolution stattgefunden. Wissenschaftler können nun einzelne Zellen, eine nach der anderen, betrachten und die genetischen Anweisungen lesen, die jeder Zelle sagen, was sie tun soll. Dies hat die Untersuchung des Lebens in ein massives Datenproblem verwandelt. Ein einzelnes Experiment kann Informationen über Hunderttausende von Zellen generieren und so eine digitale Karte erstellen, wie Gewebe aufgebaut sind und wie sie sich während einer Krankheit verändern. Doch dieser Zustrom an Daten hat ein neues Problem geschaffen: Wer darf die Karte betrachten? Die Menschen, die die Experimente durchführen – die Biologen, die die Zellen züchten und die Patienten behandeln –, wissen oft nicht, wie man den Computercode schreibt, der zur Erkundung dieser Karten erforderlich ist. Jahrelang war die Lösung eine Übergabe. Die Experten für Computerwissenschaften schließen ihre Arbeit ab, verpacken die Ergebnisse in ein spezifisches Format und übergeben sie an ein separates Softwarewerkzeug, das von einer anderen Gruppe von Programmierern entwickelt wurde. Dieses Werkzeug ermöglicht es dem Biologen, herumzuklicken, in Gruppen von Zellen hineinzuzoomen und Fragen zu stellen wie: „Welche Zellen produzieren dieses Protein?“, ohne auch nur eine einzige Zeile Code schreiben zu müssen.

Es hat sich jedoch eine Sprachbarriere zwischen den beiden Gruppen eingeschlichen. Die dominante Software zur Analyse dieser Zellkarten ist in einer Programmiersprache namens Python geschrieben, die zum Standard der modernen Biologie geworden ist. Doch die interaktiven Werkzeuge, mit denen Nicht-Programmierer die Ergebnisse erkunden können, basieren auf einer anderen Sprache, nämlich R. Um diese Werkzeuge zu nutzen, muss ein Labor, das in Python arbeitet, seinen gesamten Datensatz zuerst in das R-Format übersetzen. Dieser Übersetzungsschritt ist langsam, fehleranfällig und oft unmöglich bei den neuesten, komplexesten Arten von Daten. Es ist, als hätte man eine Bibliothek von Büchern, die in Englisch geschrieben sind, aber man wird angewiesen, jedes einzelne davon ins Französische zu übersetzen, bevor man die Zusammenfassung lesen darf. Für viele Labore bedeutet dies, dass sie entweder ihre Erkenntnisse nicht leicht teilen können oder auf einen Programmierer angewiesen sind, der die Exploration für sie durchführt.

Ein Team von Forschern hat nun ein neues Werkzeug entwickelt, um diese Lücke zu schließen. Sie haben eine Softwareanwendung namens scPyviewer geschaffen, die darauf ausgelegt ist, dass Wissenschaftler diese komplexen Zellkarten direkt erkunden können, ohne jemals die Python-Umgebung zu verlassen oder ihre Daten zu übersetzen. Die Forscher testeten dieses neue Werkzeug gegen die drei populärsten bestehenden Werkzeuge, die heute in Laboren verwendet werden. Sie fanden heraus, dass das neue Werkzeug alles tun kann, was die alten können, aber es tut dies schneller und mit wesentlich geringerem Strain auf den Computerarbeitsspeicher. In Tests mit Datensätzen, die von 22.000 Zellen bis zu über 300.000 Zellen reichten, blieb das neue Werkzeug schnell und reaktionsschnell. Im Gegensatz dazu liefen die älteren Werkzeuge, die auf den Übersetzungsschritt angewiesen sind, bei den größten Datensätzen an den Speichergrenzen und stürzten ab. Das neue Werkzeug verarbeitet die Daten nicht nur nativ, sondern bietet auch eine Funktion, um verschiedene Experimente nebeneinander zu vergleichen – eine Fähigkeit, die den älteren Werkzeugen fehlt, wobei die Autoren anmerken, dass ein dedizierter Stresstest dieses artübergreifenden Vergleichs auf tatsächlich unterschiedliche Eingaben noch ausstehende zukünftige Arbeit ist.

Der Kern dieser Arbeit ist eine einfache, aber kraftvolle Idee: Das Werkzeug sollte dieselbe Sprache sprechen wie die Daten. Die Forscher bauten ihre Anwendung so, dass sie ein spezifisches Dateiformat namens AnnData liest, welches der Standardcontainer für Single-Cell-Daten in Python ist. Da das Werkzeug dieses Format direkt liest, ist kein Übersetzungsschritt erforderlich. Die Anwendung basiert auf einem Web-Framework namens Streamlit, das es ermöglicht, sie in einem Webbrowser auszuführen. Das bedeutet, ein Biologe kann einen Link öffnen, seinen Datensatz laden und sofort mit der Erkundung beginnen. Er kann auf einen Cluster von Zellen klicken, um zu sehen, welche Gene aktiv sind, die Ansicht filtern, um nach spezifischen Bedingungen zu suchen, oder zwei verschiedene Experimente vergleichen, um zu sehen, wie die Zelltypen übereinstimmen. Das Werkzeug enthält alle Standardfunktionen, die Wissenschaftler erwarten, wie etwa Karten der Zellpositionen, Diagramme zur Genaktivität und Tabellen, die die wichtigsten Marker für jeden Zelltyp auflisten.

Um zu beweisen, dass dieser Ansatz funktioniert, unterzogen die Forscher das Werkzeug einem strengen Test. Sie verwendeten drei reale Datensätze aus verschiedenen Spezies und Geweben. Das erste war eine Karte eines sich entwickelnden Hühnerherzens, die etwa 22.000 Zellen enthielt. Das zweite war eine Karte der Lunge und der Lymphknoten eines grünen Affen mit etwa 78.000 Zellen. Das dritte war eine massive Untersuchung der menschlichen Lungenerkrankung mit fast 313.000 Zellen. Sie maßen, wie lange das Laden der Daten und das Zeichnen jeder Ansicht dauerte, und verglichen ihr neues Werkzeug direkt mit der zugrunde liegenden Engine, die die älteren R-basierten Werkzeuge antreibt. Beim kleinsten Datensatz lud das neue Werkzeug die Daten in weniger als einer Sekunde, während die ältere Engine mehr als dreimal so lange brauchte. Es zeichnete die Ansichten auch signifikant schneller, oft um den Faktor zwei oder drei.

Der Unterschied wurde noch dramatischer, als die Daten größer wurden. Beim Affen-Datensatz war das neue Werkzeug beim Laden immer noch dreimal schneller und beim Zeichnen jeder Art von Diagramm konsequent schneller. Aber beim Datensatz der menschlichen Lunge mit 313.000 Zellen versagte die ältere Engine vollständig. Sie lief aus dem verfügbaren Computerspeicher und konnte keine einzige Ansicht fertigstellen. Das neue Werkzeug hingegen lud den gesamten Datensatz und zeichnete jede Ansicht in weniger als zwei Sekunden pro Diagramm. Die Forscher merkten an, dass die älteren Werkzeuge einen Computer mit 8 Gigabyte Speicher benötigten, um die kleineren Datensätze zu bewältigen, aber sie konnten das größte einfach nicht handhaben. Das neue Werkzeug bewältigte den größten Datensatz auf derselben Maschine und verbrauchte dabei nur einen Bruchteil des Speichers, den der ältere Ansatz erforderte.

Über die Geschwindigkeit hinaus bietet das neue Werkzeug Fähigkeiten, die die älteren nicht haben. Da es nativ mit Python-Daten arbeitet, kann es zwei verschiedene Experimente direkt vergleichen, selbst wenn diese aus unterschiedlichen Spezies stammen oder unterschiedliche experimentelle Designs verwenden. Die Forscher demonstrierten die Fähigkeit des Werkzeugs, diese drei Datensätze zu handhaben, stellten jedoch explizit klar, dass ein dedizierter Stresstest des Cross-Species-Comparison-Moduls auf tatsächlich disparaten Eingaben – wie etwa unterschiedliche Gensätze, Annotationsvokabularien und Normalisierungskonventionen – noch nicht durchgeführt wurde und eine zukünftige Aufgabe bleibt. Sie zeigten auch, dass das Werkzeug Dateien verarbeiten kann, die zu groß sind, um vollständig in den Computerspeicher zu passen, indem es sie direkt von der Festplatte liest – eine Funktion, die es ihnen ermöglichte, die massive menschliche Lungen-Datei zu verarbeiten, ohne abzustürzen. Dies bedeutet, dass das Werkzeug mit den Daten wachsen kann und Datensätze handhabt, die weit größer sind als das, was aktuelle Labore typischerweise produzieren.

Die Forscher bauten zudem eine öffentliche Schnittstelle für das Werkzeug, sodass es einfach installiert und von jedem mit einem Python-Setup genutzt werden kann. Sie stell schweren, eine Möglichkeit bereitzustellen, publikationsreife Bilder und Tabellen direkt aus dem Werkzeug zu generieren, um sicherzustellen, dass die interaktive Erkundung zu reproduzierbaren Ergebnissen führt. Der Code ist offen und steht jedem zur Verfügung, der ihn nutzen oder verbessern möchte. Das Team betonte, dass das Werkzeug zwar schnell und leichtgewichtig gebaut wurde, es aber robust genug für die größten derzeit verwendeten Datensätze konzipiert wurde. Sie testeten es auf einem Standardcomputer ohne spezielle Grafikhardware und bewiesen damit, dass hochperformante Exploration keine teure Ausrüstung erfordert.

Diese Arbeit stellt eine Verschieft in der Art und Weise dar, wie biologische Daten geteilt und exploriert werden. Jahrelang war die Barriere zwischen der computergestützten Analyse und der biologischen Interpretation die Notwendigkeit, Daten zwischen Sprachen zu übersetzen. Durch das Entfernen dieses Übersetzungsschritts ermöglicht das neue Werkzeug, dass die Daten direkt von der Analyse zum Biologen fließen. Es erfordert nicht, dass der Biologe eine neue Sprache lernt, und auch nicht, dass der Computer-Experte seinen Workflow ändert. Stattdessen trifft es sie dort, wo sie sind: in der Python-Umgebung, die zum Standard der modernen Biologie geworden ist. Das Ergebnis ist ein System, das nicht nur schneller und effizienter, sondern auch inklusiver ist, da es Nicht-Programmierern ermöglicht, komplexe Datensätze mit der gleichen Leichtigkeit zu erkunden wie die Experten, die sie erstellt haben.

Der Erfolg dieses Werkzeugs deutet darauf an, dass die Zukunft der biologischen Datenexploration in der nativen Integration statt in der Übersetzung liegen könnte. Da Datensätze in Größe und Komplexität stetig wachsen, wird die Fähigkeit, sie ohne Absturz oder Verzögerung zu handhaben, entscheidend. Die Forscher zeigten, dass sie durch das Festhalten am nativen Format eine Performance erreichen konnten, der der ältere, übersetzte Ansatz einfach nicht gewachsen war. Dies bedeutet nicht, dass die älteren Werkzeuge nutzlos sind, aber es zeigt, dass es für Labore, die in Python arbeiten, nun einen besseren, direkteren Weg gibt, um ihre Daten zu verstehen. Das Werkzeug ist bereits einsatzbereit, und die Forscher haben den Code offen zur Verfügung gestellt, damit andere darauf aufbauen können. In einem Bereich, in dem Daten schneller wachsen als die Hardware, die sie verarbeiten kann, ist ein Werkzeug, das die Last ohne Zusammenbruch bewältigen kann, ein bedeutender Schritt nach vorn.

Die Auswirkungen dieser Arbeit gehen über die reine Geschwindigkeit hinaus. Indem es die Erkundung von Daten erleichtert, ermutigt das Werkzeug mehr Wissenschaftler, sich mit ihren Ergebnissen auseinanderzusetzen. Wenn ein Biologe durch einen Datensatz klicken und die Muster selbst sehen kann, ist er eher geneigt, neue Fragen zu stellen und unerwartete Verbindungen zu finden. Die Fähigkeit, verschiedene Experimente nebeneinander zu vergleichen, eröffnet neue Möglichkeiten für die Forschung und erlaubt es Wissenschaftlern zu sehen, wie sich Zelltypen über verschiedene Spezies oder Krankheitszustände hinweg verhalten. Während das Werkzeug diese Fähigkeit einführt, merken die Autoren an, dass sein volles Potenzial für den Vergleich disparater Eingaben weitere dedizierte Tests erfordert. Diese Art des Vergleichs war mit den älteren Werkzeugen schwierig, da sie auf einzelne Datensätze beschränkt waren. Das neue Werkzeug hebt diese Beschränkung auf und ermöglicht eine breitere Sicht auf biologische Systeme.

Letztlich präsentiert die Arbeit eine Lösung für ein praktisches Problem, das viele Labore aufgehalten hat. Die Notwendigkeit, Daten zwischen Sprachen zu übersetzen, war eine Quelle der Reibung, die die Forschung verlangsamte und die Teilnahme an der Exploration einschränkte. Durch den Bau eines Werkzeugs, das dieselbe Sprache wie die Daten spricht, haben die Forscher diese Reibung beseitigt. Das Ergebnis ist ein System, das schneller, zuverlässiger und in der Lage ist, die massiven Datensätze zu handhaben, die die moderne Biologie definieren. Es ist eine Erinnerung daran, dass der beste Weg vorwärts manchmal nicht darin besteht, etwas Neues von Grund auf neu zu erschaffen, sondern etwas zu bauen, das zu der Art und Weise passt, wie die Menschen bereits arbeiten. Das Werkzeug ist bereit, die Daten sind da, und der Pfad zum Verständnis ist nun klarer denn je.