Nested Atoms Model with Application to Clustering Big Population-Scale Single-Cell Data

Resumen Técnico: Modelo de Átomos Anidados (NAM) para Agrupamiento de Datos de Escala Poblacional

1. Planteamiento del Problema

El artículo aborda el desafío de realizar agrupamiento (clustering) en datos anidados o jerárquicos a gran escala, específicamente en el contexto de la genómica de células individuales (scRNA-seq).

• Contexto: En estudios como OneK1K, se tienen observaciones (células) agrupadas dentro de sujetos (individuos).
• Complejidad: Los datos presentan dos niveles de variabilidad:
  1. Variables a nivel de observación: Expresión génica específica de cada célula.
  2. Variables a nivel de grupo: Datos genotípicos (SNPs) específicos de cada individuo.
• Limitación de métodos existentes: Los métodos de agrupamiento bayesiano no paramétricos actuales (como el Proceso de Dirichlet Jerárquico - HDP, o el Proceso de Dirichlet Anidado - nDP) están diseñados para datos agrupados pero no incorporan variables a nivel de grupo. Ignorar la información genética de los individuos limita la capacidad de capturar la heterogeneidad real y conduce a un agrupamiento subóptimo tanto de células como de individuos. Además, modelos como el nDP sufren de propiedades de degeneración (si dos grupos comparten un solo clúster de observación, se asignan automáticamente al mismo clúster de grupo).

2. Metodología Propuesta: Modelo de Átomos Anidados (NAM)

Los autores proponen el Modelo de Átomos Anidados (NAM), un enfoque bayesiano no paramétrico diseñado específicamente para datos anidados que integra variables a nivel de grupo y de observación simultáneamente.

• Estructura del Modelo:

  • Se define una distribución conjunta $G_j = (G^x_j, G^y_j)$ para cada individuo $j$.
  • Nivel de Grupo ($x_j$): Los datos genotípicos (SNPs) se modelan mediante una medida aleatoria discreta $G^x_j$ que agrupa a los individuos en Clústeres de Grupo (GCs).
  • Nivel de Observación ($y_{ji}$): La expresión génica de las células se modela mediante una medida $G^y_j$ que agrupa las células en Clústeres de Observación (OCs).
  • Mecanismo de Átomos Comunes: El NAM utiliza una estructura de "átomos comunes" para las variables de observación ($y_{ji}$), permitiendo que los clústeres de células sean comparables y compartidos entre diferentes individuos, mientras que los clústeres de individuos ($x_j$) se determinan por sus perfiles genéticos.
  • Dependencia: La asignación a un clúster de grupo influye en la distribución de los clústeres de observación, permitiendo que la similitud genética guíe la estructura celular.

• Inferencia Escalable (Variational Inference - VI):

  • Dado el tamaño masivo del dataset (1.27 millones de células de 982 individuos), la inferencia MCMC estándar es computacionalmente inviable.
  • Los autores desarrollan un algoritmo de Inferencia Variacional Bayesiana (VI) basado en una aproximación de campo medio y familias variacionales truncadas.
  • El algoritmo maximiza el límite inferior de la evidencia (ELBO) utilizando un enfoque de ascenso coordenado (CAVI), logrando una escalabilidad lineal con respecto al número de grupos y observaciones.

3. Contribuciones Clave

1. Nuevo Modelo Estadístico: Introducción del NAM, que supera las limitaciones de degeneración del nDP y la falta de integración de variables de grupo en el CAM (Common Atoms Model) y fiSAN.
2. Propiedades Teóricas: Se estudian las propiedades del prior del NAM, incluyendo la probabilidad de co-agrupamiento y la estructura de correlación. Se demuestra que la correlación a priori depende de la similitud en las variables de grupo, lo que permite una mayor flexibilidad que modelos anteriores.
3. Algoritmo de Inferencia: Desarrollo de un algoritmo VI escalable capaz de manejar datos de alta dimensión y gran volumen, con garantías teóricas sobre los errores de aproximación por truncamiento.
4. Validación en Datos Reales: Aplicación exitosa al estudio OneK1K, demostrando la superioridad del método sobre enfoques que ignoran la genética.

4. Resultados

• Simulaciones:

  • El NAM supera consistentemente a los métodos existentes (CAM y fiSAN) en la precisión del agrupamiento a nivel de grupo (GC), especialmente cuando las variables de grupo son informativas.
  • Mantiene un rendimiento comparable en el agrupamiento a nivel de observación (OC).
  • El algoritmo VI muestra una escalabilidad eficiente: tiempos de ejecución medianos de menos de 2 minutos para dimensiones variables y menos de 35 minutos para el caso máximo de grupos/observaciones.
  • El modelo es robusto ante desviaciones de la normalidad (distribuciones t y skew-t).

• Aplicación al Dataset OneK1K:

  • Agrupamiento: El NAM identificó 6 clústeres de individuos (GCs) y 14 clústeres de células (OCs).
  • Coherencia Biológica: Los individuos dentro del mismo GC mostraron perfiles de tipos celulares homogéneos. Por ejemplo, individuos con perfiles de SNP similares compartieron composiciones celulares más parecidas que aquellos con perfiles genéticos distintos.
  • Comparación con fiSAN: Al aplicar fiSAN (que ignora los SNPs), se obtuvieron 37 clústeres de individuos y 23 de células, con resultados inconsistentes (individuos genéticamente similares asignados a diferentes grupos). El NAM logró una mayor precisión global (ARI) al integrar la información genética.
  • Validación Funcional:
    • El análisis de expresión diferencial identificó genes marcadores biológicamente relevantes (ej. MS4A1 para linfocitos B, CSTA para monocitos).
    • El análisis de enriquecimiento de Gene Ontology (GO) confirmó que los clústeres de células corresponden a identidades celulares conocidas (ej. OC 2 como células B y OC 40 como células T), validando la interpretabilidad biológica del modelo.

5. Significado e Impacto

El Modelo de Átomos Anidados (NAM) representa un avance significativo en el análisis de datos de genómica de células individuales a escala poblacional.

• Integración Multinivel: Permite desentrañar estructuras complejas donde la heterogeneidad celular está influenciada por la variación genética individual, algo que los métodos anteriores no podían hacer de manera conjunta.
• Interpretabilidad Biológica: Al incorporar datos genotípicos, el modelo no solo agrupa células, sino que descubre subtipos celulares gobernados genéticamente, facilitando la identificación de mecanismos biológicos subyacentes.
• Escalabilidad: La propuesta de inferencia variacional hace viable el análisis de datasets masivos (millones de células), abriendo la puerta a estudios poblacionales futuros que integren genómica y transcriptómica de células individuales.

En conclusión, el NAM proporciona una herramienta estadística robusta y escalable para disecar la heterogeneidad anidada en datos biológicos complejos, ofreciendo insights biológicos más profundos que los métodos de agrupamiento tradicionales.