Poisson process factorization for mutational signature analysis with genomic covariates

Resumen Técnico: Factorización de Procesos de Poisson (PPF)

1. Planteamiento del Problema

El análisis de firmas mutacionales es fundamental en genómica del cáncer para entender los procesos biológicos que alteran el ADN (como deficiencias en la reparación del ADN o exposición a carcinógenos). El enfoque estándar actual utiliza la Factorización de Matrices No Negativas (NMF) para descomponer la matriz de conteo de mutaciones de los pacientes.

Sin embargo, este enfoque tiene una limitación crítica:

• Suposición de homogeneidad: La NMF asume implícitamente una tasa de mutación constante a lo largo de todo el genoma.
• Realidad biológica: Las tasas de mutación son altamente heterogéneas y dependen de factores genómicos y epigenéticos locales, como el contenido de GC, la accesibilidad del ADN, el momento de replicación, las modificaciones de histonas (ej. H3K9me3) y las alteraciones en el número de copias (CNV).
• Limitación de métodos existentes: Las técnicas actuales que intentan abordar esta heterogeneidad suelen ser post hoc (asociar características genómicas a firmas ya estimadas) o requieren dividir el genoma en regiones discretas, perdiendo información continua y no inferiendo simultáneamente las firmas y sus dependencias covariables.

2. Metodología: Factorización de Procesos de Poisson (PPF)

Los autores proponen PPF, un marco estadístico que modela las mutaciones como realizaciones de un proceso de punto de Poisson no homogéneo.

Modelo Matemático:

• Intensidad Local: En lugar de un conteo global, el modelo define una función de intensidad $\lambda_{ij}(t)$ para el tipo de mutación $i$ en el paciente $j$ en la posición genómica $t$.
• Descomposición: La intensidad es la suma de $K$ firmas mutacionales:
  $$\lambda_{ij}(t) = \sum_{k=1}^{K} r_{ik} \vartheta_{kj}(t)$$
  Donde $r_{ik}$ es la firma mutacional (constante en el genoma) y $\vartheta_{kj}(t)$ es la actividad de la firma $k$ en el paciente $j$ en la posición $t$.
• Modelo Log-Lineal para la Actividad: La actividad $\vartheta_{kj}(t)$ no es constante, sino que depende de covariables genómicas $x(t)$ y del número de copias $c_j(t)$ mediante un modelo log-lineal:
  $$\vartheta_{kj}(t) = \frac{1}{2} \phi_{kj} c_j(t) e^{\beta_k^\top x(t)}$$
  • $\phi_{kj}$: Actividad basal.
  • $c_j(t)$: Número de copias (ajuste por CNV).
  • $\beta_k$: Coeficientes de regresión que cuantifican cómo las covariables (ej. metilación, tiempo de replicación) enriquecen o agotan la actividad de la firma $k$.

Inferencia y Algoritmos:

• Selección Automática de Rangos: Utilizan hiperprioris bayesianos compresivos (basados en Zito y Miller, 2024) para reducir la actividad de firmas redundantes a valores insignificantes, eliminando la necesidad de seleccionar el número de firmas ($K$) manualmente.
• Estimación MAP (Máxima A Posteriori): Desarrollan un algoritmo eficiente basado en Majorización-Minimización (MM) combinado con el método de Newton para estimar los parámetros.
• Inferencia Bayesiana Completa: Implementan un muestreador MCMC (Cadena de Markov de Monte Carlo) con aumento de datos (variables latentes multinomiales) para cuantificar la incertidumbre en los parámetros y los coeficientes de regresión.

3. Contribuciones Clave

1. Inferencia Conjunta: Es el primer método que infiere simultáneamente las firmas mutacionales, sus actividades específicas por locus y el efecto conjunto de las covariables genómicas sobre dichas actividades.
2. Asignación de Mutaciones Individuales: A diferencia de la NMF, que asigna probabilidades constantes, PPF proporciona una distribución de probabilidad específica para cada mutación individual basada en su contexto genómico local.
3. Generalización de NMF: El modelo PPF incluye a la NMF de Poisson estándar como un caso especial (cuando las funciones de actividad son constantes).
4. Algoritmos Escalables: Se presentan algoritmos computacionalmente eficientes para la estimación MAP y el muestreo MCMC, capaces de manejar datos de secuenciación de genoma completo (WGS).

4. Resultados

A. Simulaciones:

• Se evaluó el modelo con 40 pacientes y 8 firmas verdaderas (4 reales de COSMIC, 4 aleatorias) bajo escenarios de covariables independientes y correlacionadas.
• Rendimiento: PPF recuperó con precisión el número de firmas y los parámetros ($R$, $\Theta$, $\beta$).
• Ventaja de las Covariables: Los modelos que incorporan covariables (PPF) superaron significativamente a la NMF estándar en la estimación de firmas y actividades, incluso cuando se incluían covariables irrelevantes (el modelo compresivo las manejó adecuadamente).
• Incertidumbre: La inferencia MCMC permitió cuantificar la incertidumbre en los coeficientes de regresión, algo imposible con la NMF estándar.

B. Aplicación Real: Cáncer de Mama (ICGC):

• Datos: 113 pacientes con adenocarcinoma de mama (707,104 mutaciones).
• Covariables: 11 factores (modificaciones de histonas, ocupación de nucleosomas, tiempo de replicación, metilación, contenido GC, etc.).
• Hallazgos:
  • Recuperación de Firmas: Se identificaron 9 firmas activas, incluyendo coincidencias fuertes con firmas COSMIC conocidas (ej. SBS1, SBS2, SBS3, SBS5, SBS13).
  • Efectos de Covariables:
    • La metilación permitió una recuperación limpia de la firma SBS1 (asociada a desaminación espontánea de CpG), reduciendo la contaminación con otras firmas.
    • El tiempo de replicación tardía se asoció fuertemente con un aumento en la carga mutacional de firmas relacionadas con daño oxidativo (SBS7) y errores de replicación.
    • Las marcas de heterocromatina (H3K9me3, H3K27me3) mostraron efectos positivos en todas las firmas, mientras que H3K36me3 inhibió firmas relacionadas con deficiencias en la reparación de errores de apareamiento.
  • Asignación Específica: El modelo demostró que la atribución de una mutación a una firma puede cambiar según la ubicación genómica. Por ejemplo, mutaciones idénticas en el mismo paciente fueron atribuidas a diferentes firmas dependiendo de si ocurrían en regiones de replicación temprana o tardía.

5. Significancia e Impacto

• Interpretabilidad Biológica Mejorada: Al vincular directamente las firmas con características epigenéticas y genómicas, PPF ofrece hipótesis mecanicistas sobre dónde y por qué ocurren las mutaciones, más allá de simplemente contarlas.
• Precisión en Terapias: La capacidad de identificar firmas específicas en regiones genómicas particulares (ej. deficiencia de recombinación homóloga en dominios específicos) podría refinar la estratificación de pacientes para terapias dirigidas (como inhibidores de PARP).
• Marco General: Proporciona una nueva base estadística para el análisis de firmas mutacionales que supera las limitaciones de agregación de la NMF, permitiendo un análisis más granular y biológicamente informado de los genomas del cáncer.

En conclusión, este trabajo representa un avance metodológico significativo al integrar procesos puntuales de Poisson con modelos de factores latentes y covariables, permitiendo una comprensión más profunda de la topografía de las mutaciones en el cáncer.