scprocess: a pipeline for processing, integrating and visualising atlas-scale single cell data

El artículo presenta scprocess, una pipeline basada en Snakemake diseñada para automatizar, estandarizar y garantizar la reproducibilidad del procesamiento, integración y visualización de datos de secuenciación de ARN de células individuales a escala de atlas, optimizada específicamente para datos generados con la tecnología 10x Genomics.

Lo esencial

¡Claro que sí! Imagina que el mundo de la biología celular es como una biblioteca gigante y caótica que acaba de recibir millones de libros nuevos cada segundo. Cada "libro" es una célula de tu cuerpo, y dentro de cada uno hay una historia (su ADN y ARN) que nos cuenta qué hace esa célula, si está sana o enferma.

El problema es que ahora tenemos demasiados libros (millones de células) y demasiados "bibliotecarios" (científicos) intentando organizarlos. Antes, cada bibliotecario usaba sus propias reglas, sus propias cajas y sus propios métodos para clasificar los libros. Esto hacía que, si querías ver la historia completa, era casi imposible poner todos los libros juntos sin que se mezclaran o se perdieran.

Aquí es donde entra scprocess, la herramienta que presentan los autores.

¿Qué es scprocess? (El "Super-Bibliotecario Automatizado")

Imagina que scprocess es un robot bibliotecario súper inteligente diseñado para manejar esta avalancha de millones de libros. No es solo un robot que ordena; es un sistema completo que hace todo el trabajo sucio, rápido y sin cometer errores humanos.

Aquí te explico cómo funciona, paso a paso, con analogías sencillas:

1. La Entrada: De la "Caja de Cartón" al "Libro Legible"

Cuando recibes los datos crudos de las células, es como recibir una caja de cartón llena de papelitos desordenados y rotos.

• Lo que hace el robot: scprocess toma esos papelitos (los archivos de secuenciación) y los convierte en libros legibles.
• El truco: En lugar de usar un método lento y pesado (como leer cada página a mano), usa una herramienta llamada alevin-fry que es como un escáner de alta velocidad. Puede leer miles de páginas en segundos, ahorrando mucha energía y tiempo.

2. La Limpieza: Separar lo bueno de la basura

En esta caja de libros, hay dos tipos de "papelitos":

• Los libros reales: Células vivas e intactas.
• La basura: Polvo, migajas y papelitos rotos que no pertenecen a ningún libro (ARN suelto o "ambiental").
• Lo que hace el robot: Tiene dos modos de limpieza.
  • Modo "Limpieza Profunda" (CellBender): Usa una inteligencia artificial muy potente (como un detective con lupa) para limpiar la basura, pero tarda más.
  • Modo "Limpieza Rápida" (DecontX): Es más rápido y eficiente, ideal si no tienes un superordenador a mano.
  • También detecta los "dobleces" (cuando dos libros se pegaron por error y parecen uno solo) para que no confundan la historia.

3. El Filtro de Calidad: ¿Quién entra al club?

No todos los libros están en buen estado. Algunos están quemados, otros tienen páginas faltantes.

• Lo que hace el robot: Revisa la calidad de cada libro. Si un libro tiene demasiadas páginas rotas (mitocondrias dañadas) o muy pocas palabras, lo descarta. Pero es inteligente: sabe que a veces un libro parece malo solo porque es de un tipo especial (como un núcleo celular), así que no lo tira por error.

4. El Gran Encuentro: Unir millones de historias

Aquí viene la magia. Tienes 100, 200 o incluso 1000 muestras diferentes (como 1000 bibliotecas distintas). Si intentas poner todos los libros en una sola estantería gigante, el estante se rompe (la memoria del ordenador explota).

• Lo que hace el robot: En lugar de poner todo junto de golpe, toma los libros más interesantes y variados (los que cuentan historias únicas) y crea un mapa de conexiones.
• El truco: Usa un sistema de "traducción" (llamado Harmony) que asegura que, aunque los libros vinieron de diferentes bibliotecas, se entiendan entre sí y no se confundan por el acento (el "ruido" técnico).
• Aceleración: Si tienes un ordenador con tarjeta gráfica potente (GPU), el robot puede usarla para hacer este mapa en un abrir y cerrar de ojos, como si volara.

5. La Etiqueta: ¿Quién eres?

Ahora que los libros están ordenados en grupos, el robot necesita ponerles etiquetas.

• Lo que hace el robot: En lugar de que un humano lea cada libro para saber si es un "neurona" o un "glóbulo rojo", el robot usa modelos de aprendizaje automático (como un entrenador que ha visto millones de libros antes) para decirte: "Este grupo de libros son neuronas, y este otro grupo son células inmunes".
• Además, puede hacer un "sub-grupo" si quieres mirar más de cerca solo a las neuronas, para ver si hay tipos especiales dentro de ellas.

¿Por qué es importante esto para todos?

Antes, si querías analizar millones de células, necesitabas un equipo de expertos, mucho tiempo y superordenadores caros, y al final, a veces nadie podía repetir exactamente lo que hiciste (falta de reproducibilidad).

scprocess es como un kit de instrucciones universal:

1. Es transparente: Guarda un registro de cada paso (como una receta de cocina exacta).
2. Es escalable: Funciona igual de bien con 10 células que con 10 millones.
3. Es accesible: Cualquiera puede usarlo con un simple comando, sin necesidad de ser un programador experto.

En resumen, scprocess es la herramienta que permite a los científicos dejar de perder tiempo organizando el caos y empezar a descubrir nuevas historias en las células que podrían llevarnos a curar enfermedades, entender el cerebro o revolucionar la medicina. ¡Es el asistente perfecto para la era de los "atlas celulares"!

Resumen técnico

Resumen Técnico: scprocess

1. El Problema
La transición hacia la investigación de "escala de atlas" en secuenciación de ARN de una sola célula (scRNA-seq) ha generado conjuntos de datos masivos que abarcan millones de células y cientos de muestras. Esto plantea desafíos críticos en:

• Gestión de datos y eficiencia computacional: Los flujos de trabajo tradicionales a menudo colapsan o son ineficientes ante volúmenes de datos tan grandes.
• Reproducibilidad: La complejidad de los análisis requiere la ejecución de decenas de herramientas y decisiones de parámetros, lo que dificulta mantener un registro claro y replicar resultados.
• Limitaciones de herramientas existentes: Herramientas estándar como CellRanger son intensivas en recursos (memoria y tiempo), y la falta de un marco unificado obliga a los investigadores a navegar manualmente por múltiples pasos, aumentando el riesgo de errores y sesgos.

2. Metodología
scprocess es una tubería (pipeline) basada en Snakemake diseñada para automatizar y estandarizar el procesamiento de datos scRNA-seq y snRNA-seq generados con tecnología 10x Genomics. Su arquitectura se basa en los siguientes pilares metodológicos:

• Optimización para HPC y Escalabilidad: Está diseñada específicamente para entornos de computación de alto rendimiento (HPC), gestionando la memoria y el tiempo de ejecución para conjuntos de datos de más de 100 muestras. Utiliza entornos Conda para garantizar la reproducibilidad de las dependencias.
• Alineación y Cuantificación: En lugar de usar CellRanger, scprocess emplea simpleaf (parte del ecosistema alevin-fry). Esto permite una pseudoalineación mucho más rápida y eficiente en memoria, generando matrices de conteo con lecturas empalmadas (spliced) y no empalmadas (unspliced) por separado, esenciales para análisis de velocidad de ARN.
• Llamada de Células y Eliminación de RNA Ambiental: Ofrece dos rutas flexibles:
  • CellBender: Para máxima precisión en la eliminación de ruido, aunque es intensivo en recursos.
  • DecontX + DropletUtils: Una alternativa basada en CPU más rápida. Scprocess integra DecontX con un perfil de RNA ambiental estimado externamente (mejorando la precisión) y permite la llamada de células mediante barcodeRanks o emptyDrops.
• Control de Calidad (QC) Avanzado:
  • Filtrado basado en tamaño de biblioteca, número de características y proporción de lecturas mitocondriales.
  • Métrica innovadora: Uso de la proporción de lecturas empalmadas (spliced) para detectar contaminación citoplasmática en datos de núcleos (snRNA-seq).
  • Detección de Dobletes: Implementación de scDblFinder, validado como superior en benchmarks, para identificar células dobles.
• Selección de Características Variables (HVG):
  • Implementa una versión modificada del algoritmo vst (de Seurat/Scanpy) que procesa la matriz de conteo en "fragmentos" (chunks) de genes. Esto evita cargar la matriz completa en memoria.
  • Calcula métricas por muestra o grupo de muestras antes de consolidar el ranking, evitando sesgos específicos de muestra.
  • Filtra genes enriquecidos en gotas vacías (contaminación ambiental) durante la selección de HVGs.
• Integración y Análisis:
  • Soporta dos frameworks: Scanpy (CPU) y RAPIDS-singlecell (GPU) para acelerar masivamente la corrección de lotes (Harmony), construcción de grafos, clustering (Leiden) y visualización (UMAP).
  • Realiza dos rondas de integración: una inicial (incluyendo dobles) para identificar y eliminar clusters ricos en dobles, y una segunda ronda con datos filtrados.
• Identificación de Marcadores y Anotación:
  • Utiliza un enfoque pseudobulk con edgeR para la identificación de genes marcadores, tratando las muestras como réplicas biológicas en lugar de células individuales, lo que aumenta la robustez estadística.
  • Incluye GSEA (análisis de enriquecimiento de conjuntos de genes) y herramientas de anotación automática como CellTypist y un modelo XGBoost entrenado en datos del cerebro humano.
• Muestras Multiplexadas: Capacidad para procesar datos etiquetados con HTO (Hashtag Oligos) o variación genética natural, utilizando simpleaf y HTODemux.

3. Contribuciones Clave

• Marco Unificado: Integra múltiples pasos críticos (desde FASTQ hasta matrices integradas) en un solo flujo de trabajo reproducible y automatizado.
• Eficiencia a Gran Escala: La capacidad de procesar cientos de muestras sin colapsar la memoria, gracias al uso de alevin-fry, procesamiento por fragmentos de genes y aceleración por GPU.
• Flexibilidad Modular: Permite ejecutar pasos individuales, re-ejecutar etapas con nuevos parámetros y generar informes HTML detallados para cada paso.
• Mejoras Estadísticas: Sustitución de pruebas de Wilcoxon tradicionales por enfoques pseudobulk para la identificación de marcadores, reduciendo falsos positivos.
• Accesibilidad: Código abierto (licencia MIT), documentación completa y soporte para CLI (línea de comandos) simple.

4. Resultados

• La tubería ha sido probada exitosamente en conjuntos de datos masivos, como un estudio con 149 muestras (Pineda et al. 2024), demostrando su capacidad para manejar la complejidad de atlas celulares.
• Genera salidas estandarizadas (archivos H5AD y objetos SingleCellExperiment) listas para análisis posteriores.
• Proporciona informes HTML interactivos que permiten a los investigadores visualizar distribuciones de métricas de calidad y refinar parámetros iterativamente.
• La implementación de RAPIDS-singlecell ofrece aceleraciones masivas en tareas de clustering y reducción de dimensionalidad en comparación con enfoques puramente basados en CPU.

5. Significado
scprocess representa un avance significativo en la bioinformática de células individuales al abordar la crisis de reproducibilidad y escalabilidad. Al consolidar las mejores prácticas y herramientas de vanguardia en un solo pipeline, democratiza el análisis de datos de "escala de atlas", permitiendo a los investigadores:

• Reducir la barrera técnica para manejar millones de células.
• Garantizar que los resultados sean transparentes, auditables y reproducibles.
• Enfocarse en la biología en lugar de en la ingeniería de flujos de trabajo.
• Establecer un estándar para el procesamiento de datos scRNA-seq complejos y multiplexados en la era de los atlas celulares.

El código está disponible en GitHub y la documentación en la web del proyecto, facilitando su adopción inmediata por la comunidad científica.