HR-VILAGE-3K3M: A Human Respiratory Viral Immunization Longitudinal Gene Expression Dataset for Systems Immunity

Resumen Técnico: HR-VILAGE-3K3M

Planteamiento del Problema
Las infecciones virales respiratorias representan una carga significativa para la salud global; sin embargo, los mecanismos inmunológicos celulares que subyacen a la protección y la patología aún no se comprenden completamente. Si bien las cohortes de infección natural proporcionan datos del mundo real, a menudo carecen de líneas de base previas a la exposición y de una cronología controlada. Por el contrario, los ensayos de inoculación humana y vacunación generan datos transcriptómicos longitudinales bien estructurados; no obstante, estos conjuntos de datos se encuentran actualmente dispersos en repositorios públicos (por ejemplo, GEO, ImmPort, ArrayExpress) y se procesan de manera inconsistente.

Las barreras clave para el análisis integrativo y dirigido por IA incluyen:

• Preparación de Datos: Los repositorios públicos albergan datos en diversos niveles de procesamiento (brutos, parcialmente procesados, normalizados), a menudo generados por procesos específicos de cada estudio, lo que provoca severos efectos de lote (batch effects).
• Fragmentación de Metadatos: Los datos fenotípicos críticos (estado de infección, síntomas, títulos de anticuerpos) suelen estar fragmentados en archivos suplementarios o en diferentes repositorios, con identificadores de muestra frecuentemente desajustados entre los archivos de expresión y de metadatos.
• Inconsistencias Técnicas: Los datos se perfilan en diversas plataformas (microarrays, RNA-seq masivo [bulk], scRNA-seq) utilizando símbolos de genes e identificadores inconsistentes.
• Brechas de Control de Calidad: Muchos conjuntos de datos carecen de una evaluación rigurosa del preprocesamiento, conteniendo artefactos técnicos (por ejemplo, valores negativos, niveles de expresión discretos) o muestras duplicadas de los mismos sujetos depositadas bajo diferentes estudios.

Metodología
Los autores desarrollaron HR-VILAGE-3K3M (Human Respiratory Viral Immunization LongitudinAl Gene Expression), un repositorio de referencia curado que integra datos de 66 estudios involucrando a 3,178 sujetos. El flujo de trabajo de construcción consistió en:

1. Recolección de Datos: Agregación de perfiles de expresión génica, metadatos y datos brutos de anticuerpos de GEO, ImmPort y ArrayExpress. Esto incluyó un contacto directo con los autores de los estudios para recuperar los títulos de anticuerpos a nivel de sujeto que faltaban.
2. Preprocesamiento Estandarizado:
   • Datos Masivos (Bulk): Los datos de microarrays (Affymetrix e Illumina) se procesaron mediante normalización RMA, mapeo de sondas a genes, Normalización de Cuantiles (QN) y transformación log2. Los datos de RNA-seq se mapearon a símbolos de genes HGNC, proporcionando conteos brutos o generándolos a partir de archivos FASTQ mediante alineación y cuantificación.
   • Datos de Célula Única (Single-Cell): Los datos en varios formatos (h5ad, matriz 10x) se integraron en objetos AnnData de Python, se filtraron (eliminando genes expresados en <10 células) y se normalizaron (normalización de conteo total a 10,000, transformación log1p).
3. Armonización y Control de Calidad (QC):
   • Estandarización de Símbolos de Genes: Todos los símbolos se alinearon con la nomenclatura oficial de HGNC utilizando el paquete HGNChelper para corregir errores de formato inducidos por Excel.
   • Eliminación de Duplicados: Se identificaron muestras duplicadas de los mismos sujetos a través de la correlación de Spearman de los perfiles de expresión y se eliminaron, conservando la versión con la cobertura de puntos temporales más completa.
   • Unificación de Metadatos: Los IDs de las muestras se alinearon con las matrices de expresión, y los identificadores a nivel de sujeto se estandarizaron para vincular las mediciones de anticuerpos a través de los estudios.
   • Definición de Resultados: Los estados de infección y síntomas se estandarizaron. Para las vacunas de influenza, el estado de respuesta se definió por los títulos de Inhibición de la Hemaglutinación (HAI) (Respondedor alto: MFC ≥4, Día 28 ≥40; No respondedor: MFC ≤1).
4. Análisis de Referencia (Benchmark): Los autores validaron el conjunto de datos mediante tres análisis:
   • Predicción de Rasgos Biológicos: Predicción de sexo y edad utilizando transcriptomas de sangre total en estado basal para evaluar la calidad de los datos y la consistencia de la plataforma.
   • Predicción de Resultados: Predicción del estado de respuesta de anticuerpos en estudios de vacunación contra influenza, comparando métodos de corrección de lote (QN, ComBat, Regresión) y estrategias de modelado (PCA-GEE, RNN, LSTM, GRU, Transformer).
   • Anotación de Tipos Celulares: Comparación de las proporciones de células inmunes derivadas de datos emparejados de bulk y single-cell de la vacuna contra el SARS-CoV-2 utilizando xCell y herramientas de anotación automatizadas (SingleR, GPTCelltype).

Resultados Clave

• Composición del Conjunto de Datos: HR-VILAGE-3K3M contiene 14,136 perfiles de expresión de 3,178 participantes. Incluye 15 estudios de inoculación (5 virus: H3N2, H1N1, HRV, RSV, SARS-CoV-2), 47 estudios de vacunación (Influenza, COVID-19) y 4 estudios de exposición mixta. Las plataformas incluyen microarray (52%), RNA-seq (38%) y 10x Genomics scRNA-seq (11%).
• Validación de Control de Calidad:
  • Predicción de Sexo: Los clasificadores basados en marcadores del cromosoma Y lograron una discriminación casi perfecta (ROC-AUC: 0.989 para microarray, 0.991 para RNA-seq), confirmando la exactitud del etiquetado de las muestras.
  • Predicción de Edad: Los modelos lograron un fuerte rendimiento de predicción ($R^2 \approx 0.83$ para microarray, $0.71$ para RNA-seq usando regresión Ridge), demostrando que los transcriptomas basales codifican una variación sustancial relacionada con la edad.
• Efecto de Lote y Modelado Predictivo:
  • Corrección de Lote: La Normalización de Cuantiles (QN) preservó mejor la señal biológica (separación del estado de respondedor) que ComBat, el cual sobrecorrigió y redujo la separación de los resultados.
  • Rendimiento de Predicción: El modelo Transformer con corrección QN logró el mayor rendimiento en la predicción de respondedores de anticuerpos (AUC: 0.737, Precisión: 0.663), superando a las redes neuronales recurrentes (RNN, LSTM, GRU) y otros métodos de corrección.
• Consistencia Multimodal: El análisis de los datos emparejados de bulk y scRNA-seq de la vacunación contra el SARS-CoV-2 mostró tendencias temporales consistentes (por ejemplo, el aumento de células B, la disminución de Monocitos/NK del Día 1 al Día el 7) entre las proporciones de scRNA-seq y las puntuaciones de enriquecimiento de xCell en bulk.

Significancia y Reivindicaciones
El artículo posiciona a HR-VILAGE-3K3M como un recurso fundamental para la inmunología de sistemas y la investigación dirigida por IA. Sus principales contribuciones son:

1. Accesibilidad: Transforma datos públicos fragmentados, brutos e inconsistentes en un recurso armonizado y listo para su uso, evitando los pasos de descubrimiento, limpieza e integración de datos que consumen mucho tiempo.
2. Referencia (Benchmarking): Sirve como un riguroso punto de referencia para desarrollar y evaluar metodologías computacionales, incluyendo la corrección de efectos de lote, la imputación de expresión génica, la predicción mediante aprendizaje profundo y la deconvolución de datos de bulk utilizando referencias de célula única.
3. Habilitación de la IA: La escala y heterogeneidad del conjunto de datos apoyan el preentrenamiento de modelos fundacionales para capturar dinámicas inmunológicas complejas, facilitando el aprendizaje por transferencia para conjuntos de datos más pequeños o con baja potencia estadística.
4. Utilidad Científica: El recurso permite el descubrimiento de biomarcadores tempranos, la identificación de genes causales y el estudio de las dinámicas temporales de la inmunidad a través de diversos patógenos y tipos de exposición (vacunación vs. inoculación).

Los autores enfatizan que el conjunto de datos está disponible públicamente en Hugging Face con código de análisis en GitHub, diseñado para acelerar la investigación reproducible y escalable en el desarrollo de vacunas y antivirales.