Donor-Aware scRNA-seq Benchmarks for IBD Classification

A continuación se presenta un resumen técnico detallado del artículo "Donor-Aware scRNA-seq Benchmarks for IBD Classification" de Jonathan Muhire.

Enunciado del Problema

La secuenciación de ARN de células individuales (scRNA-seq) ha permitido la caracterización de alta resolución de la arquitectura celular en la Enfermedad Inflamatoria Intestinal (EII), revelando cambios en las proporciones de tipos celulares entre estados sanos y enfermos. Existe una brecha metodológica crítica en la evaluación de si estas composiciones celulares pueden clasificar a pacientes individuales. Muchas tuberías existentes dividen las células aleatoriamente entre conjuntos de entrenamiento y prueba, ignorando la identidad del donante. Esta "pseudorreplicación" permite que los modelos memoricen firmas específicas del donante en lugar de aprender patrones de enfermedad generalizables, lo que conduce a métricas de rendimiento infladas que no se generalizan a nuevos pacientes. Además, sigue sin estar claro si los modelos estructurados capaces de aprender dependencias entre tipos celulares (más allá de los clasificadores lineales simples) ofrecen una ventaja predictiva en datos composicionales de EII.

Metodología

El estudio implementa un protocolo estricto de validación cruzada consciente del donante donde la asignación de pliegues ocurre a nivel de donante, asegurando que ninguna célula ni características derivadas de un donante de prueba aparezcan en el conjunto de entrenamiento. Todas las etapas de preprocesamiento, incluida la normalización y la selección de características, se ajustan exclusivamente en los donantes de entrenamiento.

Conjuntos de datos:
Se evaluaron dos cohortes independientes:

1. SCP259 (Smillie et al., 2019): Colitis Ulcerosa (CU) vs. Salud (n=30 donantes, 51 tipos celulares).
2. Kong et al. (2023): Enfermedad de Crohn (EC) vs. Salud (n=71 donantes, 55–68 tipos celulares a través de las regiones del íleon terminal y el colon).

Representaciones de Características:
Se compararon tres conjuntos de características distintos:

1. Composición de Tipos Celulares Transformada por CLR: Las proporciones celulares se transformaron utilizando la Razón Logarítmica Centrada (CLR) para manejar la restricción de suma unitaria de los datos composicionales. Las características se construyeron tanto globalmente como estratificadas por compartimento tisular (epitelial, fibroblasto/estromal, inmune).
2. Embeddings GatedStructuralCFN: Un modelo de red de factores causales que aprende un grafo dirigido disperso de dependencias entre tipos celulares.
3. Embeddings Latentes scVI: Un modelo generativo profundo que comprime perfiles de expresión génica en vectores latentes de baja dimensión, agregados por donante (globalmente y estratificados por compartimento).

Clasificadores:
Se probaron cinco clasificadores: Regresión Logística, SVM Lineal, ElasticNet, XGBoost y CatBoost.

Diseño Experimental:

• Ingeniería de Características: Se filtraron tipos celulares raros (<20% de prevalencia) y características de baja varianza (DE < 0.005) para reducir el ruido.
• Transferencia entre Conjuntos de Datos: Los modelos se entrenaron en una cohorte y se probaron en la otra utilizando únicamente cuatro tipos celulares compartidos (DC1, ILCs, Macrófagos, Tregs).
• Análisis de Estabilidad: La reproducibilidad de las aristas de dependencia de la CFN se evaluó mediante la similitud de Jaccard a través de los pliegues de validación cruzada.

Resultados Clave

1. SCP259 (CU vs. Salud):

• Líneas Base Lineales: Las características CLR estratificadas por compartimento con un SVM Lineal lograron un AUROC de 0.956 ± 0.061, estableciendo una línea base sólida.
• Modelos Estructurados: GatedStructuralCFN sobre características estratificadas por compartimento logró la estimación puntual más alta (0.978 ± 0.050), superando a la CFN global (0.906) y a los modelos lineales globales.
• scVI: Los embeddings scVI estratificados por compartimento (60-dim) lograron 0.931 ± 0.101 con XGBoost, compitiendo con las líneas base lineales. El scVI global (20-dim) tuvo un rendimiento pobre (0.725) con alta varianza.

2. Kong 2023 (EC vs. Salud):

• Heterogeneidad Regional: El rendimiento varió significativamente según la región intestinal.
  • Íleon Terminal: Los modelos lineales dominaron. CatBoost sobre CLR logró 0.967 ± 0.075, mientras que la CFN quedó rezagada en 0.811 ± 0.164.
  • Colon: Los modelos estructurados mostraron una ventaja numérica. La CFN sobre características filtradas logró 0.960 ± 0.055, superando la mejor línea base lineal (LinearSVM CLR en 0.900 ± 0.100).
• Significación Estadística: Ninguna comparación inter-método alcanzó significancia estadística (p < 0.05) debido al tamaño de muestra limitado (n ≤ 34 por región).

3. Estabilidad de las Aristas de la CFN:

• Global vs. Compartimento: Las matrices de dependencia de la CFN global mostraron una reproducibilidad cercana a cero a través de los pliegues (similitud de Jaccard 0.026). En contraste, las matrices de CFN estratificadas por compartimento mostraron una recurrencia perfecta (recurrencia de las 20 aristas principales 1.0).
• Causa: La inestabilidad en los modelos globales se atribuye al artefacto de "suma unitaria" de los datos composicionales, donde las restricciones inducen correlaciones espurias. La compartimentalización rompe esta restricción, generando inferencias estructurales estables.

4. Transferencia entre Conjuntos de Datos:

• Asimetría Direccional: La transferencia de EC (Kong) a CU (SCP259) logró un AUC de 0.833 con XGBoost. La dirección inversa (CU a EC) tuvo un rendimiento al azar (AUC ~0.50).
• Factores Determinantes: La transferencia de EC→CU fue impulsada principalmente por las proporciones de ILC y Treg; la eliminación de estas colapsó el rendimiento.

Contribuciones y Afirmaciones Clave

Rigor Metodológico:
El artículo establece un marco de referencia riguroso consciente del donante, demostrando que la división aleatoria ingenua infla el rendimiento y que la separación adecuada es esencial para una evaluación válida.

Modelos Estructurados vs. Lineales:
El estudio afirma que los modelos estructurados (CFN) no superan universalmente a las líneas base lineales. Su ventaja es específica de la región:

• En el Íleon Terminal, los cambios de enfermedad son en gran medida monotónicos y linealmente separables, favoreciendo clasificadores simples.
• En el Colon, la remodelación parece ser más co-dependiente, permitiendo que la CFN capture interacciones complejas que los modelos lineales pasan por alto (numéricamente 0.960 vs. 0.900).

Geometría Composicional:
Un hallazgo central es que la modelización de dependencias basada en grafos en datos de scRNA-seq es altamente sensible a la geometría composicional. El artículo demuestra que calcular la composición dentro de compartimentos biológicos es crítico para estabilizar los grafos de dependencia; la composición global conduce a estructuras de aristas irreproducibles debido a correlaciones espurias inducidas por la restricción de suma unitaria.

Localización de la Señal:
Los resultados sugieren que la señal discriminativa principal para la clasificación de EII reside en la composición celular relativa de compartimentos específicos en lugar de en los estados transcripcionales intrínsecos de las células. Esto queda evidenciado por el rendimiento superior de las características scVI y CLR estratificadas por compartimento sobre sus contrapartes globales.

Limitaciones y Modestia:
Los autores señalan explícitamente que:

• No se alcanzó significancia estadística para las diferencias de rendimiento debido a tamaños de cohorte pequeños (n=30 para SCP259, n=34 para el colon de Kong).
• La evaluación de scVI involucró una advertencia de fuga de datos (entrenamiento en la cohorte completa antes de la CV), lo que hace que esos resultados sean estimaciones aproximadas dentro de la muestra en lugar de métricas verdaderas fuera de la muestra.
• Las aristas de dependencia específicas que impulsan el rendimiento de la CFN en el colon no pueden validarse como biológicamente replicables debido a la falta de estabilidad entre pliegues en los modelos globales y al pequeño tamaño de la muestra.

Significado

El artículo concluye que, si bien los clasificadores lineales estratificados por compartimento proporcionan una línea base robusta para la clasificación de EII, los modelos estructurados como GatedStructuralCFN ofrecen una vía prometedora, aunque numéricamente modesta, para capturar la remodelación compleja y co-dependiente en la mucosa colónica de pacientes con EC. El trabajo subraya la necesidad de una validación consciente del donante y un manejo adecuado de la geometría de los datos composicionales en la evaluación de células individuales.