Finding stable clusterings of single-cell RNA-seq data

El artículo propone un método basado en el agrupamiento espectral jerárquico divisivo y la validación mediante submuestras para identificar agrupaciones estables en datos de ARN de células individuales, demostrando su eficacia en la concordancia con resultados publicados y la estabilidad de los clusters en grandes conjuntos de datos.

Lo esencial

¡Hola! Imagina que tienes una caja gigante llena de miles de frutas diferentes (manzanas, naranjas, peras, etc.) y tu trabajo es separarlas en grupos: todas las manzanas juntas, todas las naranjas juntas, y así sucesivamente.

En el mundo de la biología, esas "frutas" son células y lo que las hace diferentes es su "receta genética" (el ARN). El problema es que a veces, al intentar agruparlas, nos equivocamos o los grupos cambian si miramos un poco más de cerca o si traemos más frutas a la mesa.

Este artículo, escrito por Victor Klebanoff, trata sobre cómo encontrar grupos de células que sean "estables", es decir, grupos que tengan sentido y no cambien si miramos solo la mitad de los datos o si repetimos el experimento.

Aquí te explico la idea principal con una analogía sencilla:

1. El Problema: ¿Es real el grupo o es un espejismo?

Imagina que tienes una foto de una multitud y tratas de separar a la gente por colores de ropa.

• La pregunta difícil: Si mañana traemos el doble de gente a la plaza, ¿seguirán siendo los mismos grupos? ¿O la gente se mezclará de forma diferente?
• La solución del autor: Como no podemos viajar al futuro para traer el doble de gente, hacemos lo contrario: tomamos la mitad de la gente actual, intentamos hacer los grupos, y luego comparamos esos grupos con los que hicimos con toda la multitud.
  • Si los grupos de la "mitad de la gente" coinciden con los de la "gente completa", ¡genial! Esos grupos son estables y reales.
  • Si los grupos cambian totalmente, significa que la separación era un espejismo o un error.

2. La Herramienta: Un Árbol Genealógico de Grupos

El autor no usa un método simple de "pegar y separar". Usa algo llamado agrupamiento espectral jerárquico.

• La analogía del árbol: Imagina que empiezas con todo el mundo en un solo grupo (la raíz del árbol). Luego, cortas el árbol en dos ramas grandes. Luego, cortas esas ramas en dos más pequeñas, y así sucesivamente.
• Esto crea un árbol genealógico de grupos. En la parte superior tienes 2 grupos grandes; en la parte inferior, tienes cientos de grupos pequeños.
• El autor inventó una forma de medir "qué tan fuerte es la unión" entre dos ramas. Si la unión es débil, significa que esos dos grupos deberían haberse separado antes. Esto ayuda a encontrar el nivel perfecto de detalle (ni muy general, ni demasiado específico).

3. Limpieza: Sacar las "Manzanas Podridas"

A veces, hay células raras o datos erróneos (como una manzana que es mitad manzana, mitad piedra) que arruinan todo el proceso de agrupación.

• El autor propone un sistema para detectar estas "células extrañas" (outliers) y quitarlas antes de empezar a agrupar.
• Es como revisar tu canasta de frutas antes de empezar a clasificarlas: si hay una fruta podrida que huele mal y confunde a todos, la tiras a la basura para que no arruine el grupo de las frutas frescas.

4. Los Resultados: ¿Qué descubrieron?

El autor probó su método con 7 conjuntos de datos reales (como células de sangre, de pulmón, de retina, etc.):

• Éxitos: En datos como los de la retina (ojo) y el pulmón, el método encontró grupos muy estables que coincidían con lo que ya sabían los científicos. Por ejemplo, en el pulmón, logró separar tipos de células tan bien que casi todos los grupos eran "inquebrantables".
• Desafíos: En datos de cáncer de mama, fue más difícil. Hubo grupos que cambiaban mucho dependiendo de qué células mirabas. Esto no significa que el método falló, sino que quizás la biología de ese tejido es muy compleja o hay mucha "ruido" en los datos.
• La lección importante: El autor nos dice que no todos los grupos son iguales. En un mismo conjunto de datos, puedes tener un grupo de células muy estable (como un bloque de piedra) y otro grupo muy inestable (como un castillo de naipes). Es crucial identificar cuáles son sólidos y cuáles no antes de usarlos para tomar decisiones médicas.

En resumen

Este artículo es como un manual de calidad para los científicos que estudian células.
En lugar de decir "aquí tienes tus grupos", dice: "Espera, probemos si estos grupos aguantan el viento. Si al mirar la mitad de los datos los grupos se mantienen firmes, entonces son reales y podemos confiar en ellos. Si no, ¡vayamos a buscar mejores grupos!"

Es una forma de asegurar que lo que descubrimos en el laboratorio no sea solo un accidente, sino una verdad sólida sobre cómo funciona nuestro cuerpo.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo "Finding stable clusterings of single-cell RNA-seq data" de Victor Klebanoff, traducido y estructurado en español.

1. Planteamiento del Problema

El análisis de datos de secuenciación de ARN de células individuales (scRNA-seq), representados como conteos UMI (Unique Molecular Identifiers), enfrenta un desafío fundamental: la inestabilidad de los agrupamientos (clustering). Aunque la estabilidad o replicabilidad de los agrupamientos de datos de expresión génica ha sido un tema de interés durante décadas, no existe un consenso sobre cómo encontrar agrupamientos estables en datos de scRNA-seq.

El problema central es determinar si un agrupamiento obtenido es una característica biológica real o un artefacto estadístico sensible a la variación de la muestra. La pregunta motivadora es: "Si tuviéramos datos para el doble de células, ¿cambiarían los resultados del agrupamiento?". Dado que esto es incognoscible en la práctica, el autor propone invertir la perspectiva: ¿Serían consistentes los agrupamientos obtenidos con la mitad de las células con los obtenidos con el conjunto completo?

2. Metodología

El autor propone un pipeline de análisis que integra filtrado, transformación, reducción de dimensionalidad, detección de valores atípicos (outliers) y un método de agrupamiento jerárquico específico, evaluado mediante un enfoque de remuestreo (bootstrapping).

A. Preprocesamiento y Transformación

• Filtrado: Se retienen genes con conteos no nulos en al menos 50 células. Se excluyen células con una contribución alta de genes mitocondriales (en conjuntos de datos específicos).
• Residuos de Pearson: Se calcula la variabilidad de cada gen utilizando la suma de cuadrados (SSQ) de sus residuos de Pearson bajo un modelo Poisson. Esto se realiza tanto para el conjunto completo como para muestras aleatorias.
• Selección de Genes: Se seleccionan los genes altamente variables (top 2,000) que son consistentemente variables en el conjunto completo y en todas las muestras parciales.
• Reducción de Dimensionalidad: Se construye una matriz de residuos de Pearson y se estima su rango utilizando el programa optht (algoritmo de Gavish y Donoho). Se realiza una descomposición en valores singulares (SVD) para obtener una representación euclidiana de bajo rango de las células.

B. Detección y Exclusión de Outliers

Se identifican y excluyen dos tipos de valores atípicos para garantizar la estabilidad:

1. Outliers Euclidianos: Basado en la distribución de las distancias a los $k$-vecinos más cercanos (kNN). Se excluyen células cuya distancia a sus vecinos excede la media más tres desviaciones estándar. Esto elimina células aisladas que distorsionan la estructura del gráfico de vecindad.
2. Outliers de Cuentas (Células y Genes): Se analizan iterativamente.
   • Células: Se identifican aquellas que contribuyen desproporcionadamente a la SSQ de los residuos de un gen en una muestra específica (lo que indicaría que no son representativas de la población).
   • Genes: Se identifican genes cuya variabilidad ($S_g$) es inconsistente entre muestras (alta relación entre el máximo y mínimo $S_g(s)$).
   • El proceso se realiza en iteraciones (hasta 3 en el estudio) para refinar el conjunto de datos.

C. Algoritmo de Agrupamiento

• Clustering Espectral Divisivo Jerárquico: Se utiliza una variante del algoritmo de Ng, Jordan y Weiss.
  • Afínidad: En lugar de una función gaussiana, la afinidad entre dos puntos se define como el inverso de la distancia euclidiana, pero solo para los $k$-vecinos más cercanos (se usa $k=64$).
  • Estructura: Se genera un árbol jerárquico mediante cortes normalizados (normalized cut).
  • Mapeo a Agrupamientos Anidados: El árbol se mapea a un conjunto de agrupamientos anidados (de 2 a $N$ clusters) asignando la longitud de las ramas al valor del corte normalizado. La distancia de los nodos a la raíz define el orden de los agrupamientos.

D. Evaluación de Estabilidad

Para evaluar la estabilidad, se generan 20 pares de muestras complementarias (40 muestras en total) dividiendo aleatoriamente las células.

• MED (Misclassification Error Distance): Se compara el agrupamiento de una muestra ($C_s$) con la restricción del agrupamiento del conjunto completo ($C$) a esa misma muestra. Se normaliza MED dividiéndolo por el valor esperado bajo aleatorización de etiquetas.
• CMER (Cluster Misclassification Error Rate): Se calcula la tasa de error de clasificación para cada cluster individual en cada muestra.
• Criterios de Estabilidad:
  • Un agrupamiento se considera estable si el percentil 90 de MED normalizado es $\le 0.10$.
  • Un cluster se considera estable si el percentil 90 de CMER normalizado es $\le 0.50$.
  • Un agrupamiento es "admisibles" para análisis posterior si sus clusters inestables tienen menos de 500 células.

3. Resultados Principales

El estudio se aplicó a siete conjuntos de datos públicos (Zhengmix4eq, Zhengmix8eq, 68k PBMC, Monocitos CD14, 25k Retina, 65k Pulmón, 100k Cáncer de Mama).

• Datos Zhengmix4eq (4 tipos celulares): El método identificó un agrupamiento de 4 clusters que coincide casi perfectamente con las etiquetas de verdad (ground truth). Todos los clusters son extremadamente estables.
• Datos Zhengmix8eq (8 tipos celulares): Se encontraron agrupamientos estables de 7 y 8 clusters. La concordancia con la verdad es alta, aunque algunos subtipos de células T se mezclan, lo cual es consistente con la dificultad reportada en la literatura para separar linajes T.
• Monocitos CD14: No se encontraron agrupamientos estables, lo que sugiere que los datos son homogéneos (un solo tipo celular) y cualquier agrupamiento sería espurio.
• 68k PBMC:
  • Se identificó un agrupamiento de 12 clusters admisible (con clusters inestales pequeños).
  • Un intento de replicar el agrupamiento de 9 clusters de un estudio previo (k-means) resultó inestable bajo los criterios estrictos del autor, revelando que algunos clusters del método k-means se fusionan o dividen aleatoriamente en las muestras.
• 25k Retina: Se encontró un agrupamiento de 11 clusters admisible. La mayoría de los clusters son muy estables. Se observó que ciertos clusters publicados (como bastones y conos) se dividen en subgrupos estables, lo que sugiere una posible heterogeneidad biológica no capturada previamente.
• 65k Pulmón: Se identificaron dos agrupamientos estables (16 y 19 clusters). El de 16 clusters mostró una estabilidad excepcional (MED 90% $\le 0.01$) y una alta concordancia con los tipos celulares reportados (ARI = 0.81).
• 100k Cáncer de Mama: Ningún agrupamiento cumplió estrictamente el criterio de estabilidad global (MED 90% > 0.10). Sin embargo, un agrupamiento de 9 clusters mostró una alta concordancia con los tipos celulares principales (ARI = 0.86), aunque algunos clusters específicos (como plasmoblastos) resultaron inestables debido a la distribución desigual de pacientes en el conjunto de datos.

4. Contribuciones Clave

1. Marco de Estabilidad Riguroso: Propone un método sistemático para evaluar la estabilidad de agrupamientos en scRNA-seq mediante la comparación de muestras aleatorias, utilizando MED y CMER normalizados.
2. Pipeline Integrado de Limpieza de Datos: Destaca la importancia crítica de eliminar outliers tanto en el espacio euclidiano (distancias kNN) como en el espacio de conteos (contribución a la varianza génica) antes de agrupar.
3. Mapeo de Árboles a Agrupamientos Anidados: Utiliza una estructura jerárquica divisiva para generar una gama de agrupamientos de diferentes tamaños, permitiendo identificar el "punto óptimo" de estabilidad en lugar de forzar un número fijo de clusters.
4. Validación Empírica: Demuestra que muchos agrupamientos publicados pueden contener clusters inestables o espurios, y que la estabilidad varía drásticamente entre diferentes conjuntos de datos y tipos celulares.

5. Significado e Implicaciones

El trabajo de Klebanoff subraya que la replicabilidad es un requisito fundamental para el análisis de scRNA-seq.

• Advertencia sobre la Inestabilidad: El estudio revela que muchos clusters reportados en la literatura pueden no ser biológicamente robustos si no sobreviven a la prueba de estabilidad con submuestras.
• Guía para la Selección de Parámetros: Ofrece criterios cuantitativos (percentil 90 de MED/CMER) para decidir cuándo un agrupamiento es lo suficientemente estable para ser utilizado en análisis posteriores (como expresión diferencial).
• Identificación de Outliers Biológicos: Sugiere que las células que causan inestabilidad pueden ser outliers técnicos o biológicos (raros) que deben ser tratados con cuidado antes del análisis.
• Mejora de la Interpretación Biológica: Al identificar clusters estables, los investigadores pueden tener mayor confianza en que las diferencias de expresión génica entre grupos reflejan verdaderas diferencias biológicas y no artefactos de muestreo.

En conclusión, el artículo proporciona una metodología robusta para filtrar el "ruido" en la identificación de tipos celulares, promoviendo un estándar más alto de rigor en la interpretación de datos de scRNA-seq.