scDiagnostics: systematic assessment of cell type annotation in single-cell transcriptomics data

Resumen Técnico: scDiagnostics – Evaluación Sistemática de la Anotación de Tipos Celulares en la Transcriptómica de Célula Única

Planteamiento del Problema
Si bien la anotación de tipos celulares se ha convertido en un componente estándar de los flujos de trabajo de secuenciación de ARN de célula única (scRNA-seq), la evaluación rigurosa de estas anotaciones computacionales sigue siendo un desafío significativo. Los flujos de trabajo actuales dependen frecuentemente de herramientas automatizadas de "caja negra" que transfieren etiquetas desde conjuntos de datos de referencia anotados hacia nuevos conjuntos de datos de consulta. Una limitación crítica de este enfoque es la suposición de un alineamiento perfecto entre los datos de referencia y de consulta. En la realidad, los efectos de lote técnicos, las diferencias biológicas (por ejemplo, estados de enfermedad frente a atlas sanos) y la presencia de estados celulares novedosos o intermedios suelen provocar desalineamientos. En consecuencia, las células de consulta pueden ser asignadas forzosamente a la categoría de referencia más similar disponible, lo que resulta en anotaciones engañosas que distorsionan la interpretación biológica posterior. Las herramientas de diagnóstico existentes suelen ser específicas para una tarea, requieren arquitecturas de redes neuronales específicas o dependen únicamente de puntuaciones de confianza que no logran detectar sesgos sistemáticos o incompatibilidades de conjuntos de datos.

Metodología
Los autores presentan scDiagnostics, un paquete de código abierto en R/Bioconductor diseñado para proporcionar un marco de evaluación sistemático y agnóstico al método. El paquete es compatible con todas las principales herramientas de anotación (por ejemplo, SingleR, Azimuth, CellTypist, scArches) y acepta objetos SingleCellExperiment estándar, admitiendo el procesamiento de grandes conjuntos de datos de manera eficiente en memoria mediante DelayedArray.

El marco opera a través de tres componentes analíticos complementarios:

1. Visualización de Proyección: Mapea las células de consulta sobre un espacio latente de baja dimensión (por ejemplo, PCA) derivado del conjunto de datos de referencia. A diferencia de las técnicas no lineales que pueden distorsionar la densidad local, scDiagnostics emplea métodos de proyección estadísticamente sólidos para visualizar el alineamiento de las células de consulta frente a sus contrapartes de referencia asignadas.
2. Evaluación de Alineamiento: Cuantifica la similitud entre los tipos celulares de referencia y de consulta emparejados utilizando métricas de distribución global (por ejemplo, correlación de Spearman, distancia de Wasserstein, coeficientes de Bhattacharyya, distancia de Hellinger, prueba de Cramér, prueba de Hotelling's T²) y perfiles de expresión de genes marcadores específicos de cada tipo celular.
3. Detección de Anomalías: Identifica células de consulta específicas que se desvían significativamente de su tipo celular de referencia asignado. Este módulo utiliza el algoritmo Isolation Forest y el error de reconstrucción de PCA para señalar valores atípicos (outliers). El sistema distingue entre cuatro causas potenciales de anomalías: (i) artefactos técnicos (efectos de lote, dobletes), (ii) incompletitud de la referencia (poblaciones verdaderas fuera de la referencia), (iii) ambigüedad de anotación (errores de mapeo) y (iv) deriva biológica (activación por enfermedad o cambios de trayectoria).

El paquete integra estos diagnósticos para permitir a los usuarios interrogar las células señaladas, separándolas de las categorías estándar para un análisis posterior (por ejemplo, expresión diferencial, interacción célula-célula) en lugar de descartarlas o confundirlas con las categorías de referencia.

Resultos Clave
Los autores validaron scDiagnostics utilizando datos simulados con una verdad de campo (ground truth) conocida y dos casos de estudio del mundo real:

• Datos Simulados: En escenarios donde un tipo celular presente en la consulta estaba ausente en la referencia, los métodos estándar de transferencia de etiquetas clasificaron erróneamente estas células de forma forzada. scDiagnostics identificó con éxito estas poblaciones "fuera de la referencia" como anomalías, mostrando una distribución bimodal de puntuaciones de anomalía que separaba claramente las células mal clasificadas de las correctamente anotadas. El benchmarking en el atlas del cerebro de ratón Zeisel, bajo condiciones de ruido de etiquetas, desequilibrio de clases y efectos de lote simulados, demostró una alta sensibilidad y especificidad (alto AUROC y AUPRC).
• Análisis de PBMCs de COVID-19: Aplicado a células mononucleares de sangre periférica (PBMCs) de pacientes con COVID-19 frente a una referencia sana, scDiagnostics detectó un subconjunto de monocitos CD14+ que fueron anotados forzosamente como monocitos sanos por herramientas estándar (Azimuth, SingleR, etc.). Estas células exhibieron puntuaciones de anomalía significativamente elevadas y un cambio distintivo en el espacio de componentes principales. Crucialmente, estas células anómalas mostraron una fuerte regulación al alza de una firma génica de Interferón (IFN) (por ejemplo, IFI6, LY6E, ISG15), un estado específico de la enfermedad que estaba oscurecido cuando todos los monocitos CD14+ se trataban como una sola población. La herramienta recuperó con éxito esta señal de enfermedad, que se encontraba diluida en los análisis de expresión diferencial estándar.
• Análisis de Colitis MERFISH: En datos de transcriptómica espacial de un modelo de ratón con colitis, scDiagnostics identificó una subpoblación de fibroblastos que se desviaban del manifold de los fibroblastos homeostáticos. Estas células anómalas estaban localizadas espacialmente cerca del epitelio inflamado y los neutrófilos, y exhibían una red de interacción ligando-receptor reconfigurada (ganando señales inflamatorias como Il1b-Il1r1 mientras perdían señales homeostáticas de Wnt). Esta estratificación permitió una resolución más precisa de las redes de comunicación célula-célula en comparación con el análisis de todos los fibroblastos como un solo grupo.

Significancia y Reivindicaciones
El artículo sostiene que scDiagnostics aborda una necesidad crítica no satisfecha en el análisis de célula única al proporcionar un método sistemático, transparente y agnóstico a la herramienta para detectar casos de anotación complejos o ambiguos que los flujos de trabajo estándar pasan por alto. Los autores enfatizan que:

• Las puntuaciones de confianza son insuficientes: Las puntuaciones de confianza altas de las herramientas de anotación no impiden puntuaciones de anomalía altas; muchas células mal etiquetadas (particularmente aquellas que representan estados de enfermedad) mantienen una confianza alta, lo que conduce a errores no detectados.
• Prevención de la "Sobre-corrección": La herramienta ayuda a identificar cuándo los métodos de integración o las estrategias de transferencia de etiquetas "sobre-corrigen" al fusionar estados biológicos distintos (por ejemplo, estados asociados a enfermedades) en los manifolds de referencia sanos.
• Integración de "humano en el bucle" (human-in-the-loop): scDiagnostics sirve como un "guardarraíl" cuantitativo para los flujos de trabajo automatizados, incluyendo los modelos fundacionales emergentes y los Modelos de Lenguaje Extensos (LLMs). Al señalar las asignaciones de alta confianza pero anómalas, activa la revisión humana necesaria, evitando la propagación de errores hacia las conclusiones biológicas posteriores.
• Amplia Aplicabilidad: Aunque fue desarrollado para scRNA-seq, se demuestra que el marco es efectivo para la transcriptómica espacial y es extensible a datos multimodales, ofreciendo una vía para detectar discrepancias entre diferentes modalidades de datos (por ejemplo, transcriptómica frente a expresión de proteínas de superficie).

En conclusión, los autores postulan que, a medida que los conjuntos de datos de célula única crecen en escala y complejidad, y a medida que la automatización aumenta, herramientas como scDiagnostics son esenciales para mantener el rigor, asegurar la reproducibilidad y permitir el descubrimiento de nuevos estados celulares o asociados a enfermedades que, de otro modo, permanecerían ocultos.