scLongTree: an accurate computational tool to infer the longitudinal tree for scDNAseq data

El artículo presenta scLongTree, una herramienta computacional escalable y precisa que infiere árboles subclonales a partir de datos de secuenciación de ADN de células individuales longitudinales, superando el rendimiento de métodos existentes en simulaciones y conjuntos de datos reales.

Lo esencial

¡Hola! Imagina que el cáncer es como una gran ciudad en constante construcción. Dentro de esta ciudad, hay muchos barrios (células) que empiezan siendo iguales, pero con el tiempo, algunos vecinos empiezan a hacer pequeñas reformas en sus casas (mutaciones). Algunos barrios se vuelven muy diferentes de los demás, creando una "ciudad dentro de la ciudad" llena de diversidad.

El problema es que, para entender cómo creció esta ciudad y predecir hacia dónde va, necesitamos ver el mapa de construcción (el árbol evolutivo). Pero hay un truco: a veces, cuando miramos las fotos de la ciudad, las cámaras tienen defectos (errores de secuenciación) y no vemos todas las reformas. Además, si solo tomamos una foto de la ciudad en un solo día, es muy difícil saber en qué orden ocurrieron las reformas.

Aquí es donde entra scLongTree, la nueva herramienta que presentan los autores. Vamos a explicarlo con una analogía sencilla:

1. El Problema: La Foto Borrosa y el Álbum Desordenado

Imagina que tienes un álbum de fotos de una familia a lo largo de los años.

• El método antiguo (como SCITE o SiCloneFit): Solo te deja poner las fotos en un orden, pero asume que todas fueron tomadas el mismo día. Es como intentar armar un árbol genealógico sin saber quién es el abuelo y quién es el nieto porque todas las fotos parecen de la misma época.
• El problema de los datos: Las fotos a veces están borrosas (errores), faltan páginas (datos perdidos) o hay manchas que parecen personas pero no lo son (ruido).

2. La Solución: scLongTree (El Detective del Tiempo)

scLongTree es como un detective privado muy inteligente que tiene dos superpoderes:

A. El Poder de la "Cronología" (Datos Longitudinales)

A diferencia de otros detectives que solo miran una foto, scLongTree sabe exactamente cuándo se tomó cada foto (día 1, día 10, día 30).

• La analogía: Si ves a un niño con un juguete rojo en la foto de enero y el mismo niño con un juguete azul en la foto de marzo, sabes que el juguete rojo vino primero. scLongTree usa el tiempo para ordenar las mutaciones como si fueran capítulos de una novela, no como un montón de páginas sueltas. Esto le ayuda a saber qué reforma de la casa vino antes que la otra.

B. El Poder de "Llenar los Huecos" (Nodos No Observados)

A veces, entre la foto de enero y la de marzo, hubo un evento importante que no fue fotografiado.

• La analogía: Imagina que en enero el niño tenía un perro, y en marzo tiene un perro y un gato. ¿Dónde apareció el gato? scLongTree es tan listo que inventa la foto que falta. Deduce que hubo un "nodo no observado" (un momento intermedio) donde el niño adquirió el gato, incluso si nadie tomó esa foto. Esto es crucial porque en la evolución del cáncer, a veces saltamos años y perdemos información vital.

3. Cómo Funciona (Paso a Paso)

1. Agrupar a los Vecinos (Clustering): Primero, el detective agrupa a las células que se parecen mucho, como si separara a los vecinos que viven en el mismo barrio.
2. Eliminar los Falsos Positivos: A veces, el algoritmo crea un "barrio fantasma" con muy pocos vecinos. scLongTree pregunta: "¿Tiene sentido que este barrio exista?". Si la respuesta es no (porque es muy raro o los datos no cuadran), lo elimina para no confundir el mapa.
3. Armar el Árbol: Conecta los barrios reales y los "barrios fantasma" (los que dedujo que existieron) para crear un árbol genealógico perfecto.
4. Corregir los Errores: Si ve que un vecino parece tener dos casas idénticas en diferentes partes del mapa (una mutación que aparece dos veces, lo cual es biológicamente raro), el detective corrige el mapa para que tenga más sentido biológico, usando reglas matemáticas (el modelo k-Dollo).

4. ¿Por qué es mejor que los demás?

Los autores probaron scLongTree contra otros programas famosos (como LACE) y descubrieron cosas increíbles:

• Es más rápido y maneja más datos: Mientras que otros programas se "ahogan" si hay demasiadas mutaciones (como intentar armar un rompecabezas de 10,000 piezas), scLongTree puede manejar cientos de mutaciones y miles de células sin sudar.
• Es más robusto: Si le das al programa más o menos datos, siempre dibuja el mismo árbol correcto. Los otros programas a veces cambian el mapa completamente si le quitas una sola foto.
• Es más preciso: En pruebas reales con cáncer de mama y leucemia, scLongTree logró reconstruir la historia de la enfermedad con mucha más claridad que sus rivales.

En Resumen

scLongTree es una herramienta computacional que actúa como un arquitecto forense del tiempo. Toma fotos borrosas y desordenadas de células cancerosas tomadas en diferentes momentos, las ordena cronológicamente, deduce los eventos que nadie vio, elimina las ilusiones ópticas y construye un árbol genealógico preciso de cómo el cáncer crece y evoluciona.

Esto es vital para los médicos porque, si entienden el "mapa de construcción" del tumor, pueden predecir mejor cómo se comportará y diseñar tratamientos que ataquen a los "barrios" más peligrosos antes de que la ciudad se vuelva incontrolable.

Resumen técnico

Resumen Técnico: scLongTree

1. El Problema

El cáncer se caracteriza por la heterogeneidad intratumoral (ITH), donde diferentes subclones celulares acumulan conjuntos distintos de mutaciones somáticas. Reconstruir la historia evolutiva de estos tumores mediante árboles de subclones es crucial para entender el crecimiento del cáncer, el pronóstico y el tratamiento.

Aunque la secuenciación de ADN de una sola célula (scDNA-seq) permite una resolución alta, los datos suelen ser ruidosos (falsos positivos, falsos negativos y datos faltantes). El desafío principal abordado en este trabajo es la escasez de herramientas computacionales capaces de inferir árboles evolutivos utilizando datos longitudinales (muestras tomadas en múltiples puntos temporales).

• Limitaciones de las herramientas existentes: La mayoría de los métodos actuales (como SCITE, SiCloneFit) asumen que todos los datos provienen de un solo punto temporal, ignorando la información cronológica.
• Limitaciones de la herramienta longitudinal actual (LACE): Aunque LACE es la única herramienta diseñada para datos longitudinales, sufre de:
  • Baja escalabilidad: No puede manejar cientos de mutaciones (falla con >140 mutaciones).
  • Incapacidad para inferir nodos no observados: No puede reconstruir subclones que existieron entre dos puntos de muestreo pero no fueron secuenciados.
  • Falta de robustez: Sus resultados varían significativamente según el número de mutaciones utilizadas.

2. Metodología

scLongTree es una herramienta computacional que infiere árboles de subclones longitudinales mediante un enfoque combinado de agrupamiento (clustering), inferencia combinatoria y modelos evolutivos. El flujo de trabajo se divide en los siguientes pasos:

1. Agrupamiento de Células (Clustering):

   • Utiliza la herramienta BnpC (un método bayesiano basado en grafos probabilísticos) para agrupar células en cada punto temporal por separado.
   • Esto permite inferir tasas de error (falsos positivos/negativos) específicas para cada momento, evitando agrupar erróneamente subclones que difieren ligeramente pero aparecen en tiempos distintos.
   • Se ejecuta BnpC múltiples veces (5 iteraciones) para manejar su naturaleza no determinista.

2. Eliminación de Clusters Espurios:

   • El algoritmo evalúa la probabilidad posterior de cada cluster.
   • Identifica y elimina clusters "espurios" (probablemente resultado de sobre-agrupamiento) si su eliminación:
     • Aumenta la probabilidad del árbol global.
     • No incrementa excesivamente las tasas de falsos positivos (FP) o falsos negativos (FN).
   • Las células de los clusters eliminados se reasignan a otros clusters mediante máxima verosimilitud.

3. Inferencia del Árbol Longitudinal (Algoritmo Combinatorio):

   • Construye el árbol conectando nodos (clusters) entre puntos temporales consecutivos.
   • Inferencia de Nodos No Observados: Una característica clave es la capacidad de inferir nodos intermedios no observados (subclones que existieron entre dos puntos de muestreo pero no fueron capturados). El algoritmo busca combinatoriamente el conjunto de mutaciones compartido por el mayor número de nodos en el tiempo $t+1$ para insertar un nodo padre no observado.
   • Utiliza el modelo k-Dollo: Asume que las mutaciones paralelas (ocurrir en múltiples ramas) son raras, pero permite hasta $k$ eventos de mutación reversa (back mutations), lo cual es biológicamente plausible debido a pérdidas de copias genómicas.

4. Corrección de Mutaciones:

   • Post-procesa el árbol para corregir mutaciones paralelas y reversas basándose en el modelo k-Dollo, refinando la asignación de mutaciones sin cambiar la topología del árbol.
   • Calcula las tasas finales de FP y FN para seleccionar la mejor ejecución de BnpC y el árbol más robusto.

3. Contribuciones Clave

• Primera herramienta escalable para datos longitudinales: scLongTree puede manejar cientos de mutaciones y miles de células, superando las limitaciones de escalabilidad de LACE.
• Reconstrucción de historia evolutiva incompleta: Es capaz de inferir subclones no observados que ocurrieron entre puntos de muestreo, llenando vacíos en la historia evolutiva del tumor.
• Robustez: Mantiene una estructura de árbol consistente independientemente del número de mutaciones utilizadas (a diferencia de LACE, que cambia la topología al añadir más mutaciones).
• Precisión superior: Supera a los métodos de estado del arte (LACE, SCITE, SiCloneFit, RobustClone) en precisión de pares de SNV y en la colocación temporal de mutaciones.
• Código abierto: La herramienta está disponible públicamente en GitHub.

4. Resultados

Los autores evaluaron scLongTree mediante simulaciones exhaustivas y datos reales:

• Datos Simulados:

  • scLongTree superó a todos los métodos comparados en precisión de pares de SNV (ancestral, misma rama, paralela) en la mayoría de las condiciones (tasas de error, número de mutaciones, nodos no observados).
  • Escalabilidad: Mientras que LACE fallaba al completar la ejecución en 24 horas con ~140 mutaciones, scLongTree procesó estos datos en minutos/horas.
  • Nodos no observados: scLongTree recuperó con alta precisión los nodos internos no muestreados, mejorando la precisión del árbol filogenético (medido por la distancia Robinson-Foulds).
  • Estabilidad: El método mostró alta estabilidad en la agrupación celular al variar el número de ejecuciones de BnpC.

• Datos Reales (SA501 - Cáncer de Mama Triple Negativo):

  • Al aplicarse a un conjunto de datos con 20 mutaciones, scLongTree reprodujo el árbol evolutivo conocido biológicamente.
  • Prueba de robustez: Al aumentar el conjunto de datos a 55 mutaciones, scLongTree mantuvo la misma topología de árbol. En contraste, LACE produjo un árbol diferente e incorrecto (colocando erróneamente variantes en ramas equivocadas), demostrando su falta de robustez ante el aumento de datos.

• Datos Reales (AML107 - Leucemia Mieloide Aguda):

  • Se aplicó a un dataset masivo con 4,617 células (2,817 en diagnóstico y 1,800 en recaída).
  • scLongTree reconstruyó con éxito la evolución temporal, identificando correctamente el orden de las mutaciones conductoras (TP53 temprano, seguido de DNMT3A), validando su escalabilidad a miles de células.

5. Significado e Impacto

El desarrollo de scLongTree representa un avance significativo en la biología computacional del cáncer:

1. Mejora en la comprensión de la evolución tumoral: Al integrar la dimensión temporal y permitir la inferencia de eventos ocultos, ofrece una visión más completa y precisa de cómo evolucionan los tumores y desarrollan resistencia.
2. Viabilidad clínica: Su capacidad para manejar grandes volúmenes de datos (miles de células y cientos de mutaciones) lo hace aplicable a estudios clínicos reales y de gran escala, donde las herramientas anteriores eran inviables.
3. Superioridad metodológica: Demuestra que considerar explícitamente los puntos temporales y utilizar modelos de restricción biológica (k-Dollo) combinados con inferencia combinatoria es más efectivo que los enfoques basados únicamente en MCMC o modelos de sitios finitos para datos longitudinales.

En conclusión, scLongTree proporciona una solución robusta, escalable y precisa para descifrar la historia evolutiva de los tumores a partir de datos de secuenciación de una sola célula en múltiples momentos, superando las limitaciones críticas de las herramientas existentes.