Decoupling Lineage and Intrinsic Information in Single-Cell Lineage Tracing Data with Deep Disentangled Representation Learning

El artículo presenta DeepTracing, un marco de aprendizaje profundo que utiliza representaciones desacopladas y procesos gaussianos conscientes de la línea celular para separar eficazmente las variaciones transcripcionales intrínsecas de los efectos de la línea celular en datos de rastreo de linaje de células individuales, superando a los métodos existentes en la clasificación de tumores y la reconstrucción de trayectorias de desarrollo.

Lo esencial

Imagina que tienes un inmenso archivo de fotos de una familia muy grande que ha crecido durante generaciones. En este archivo, cada foto es una célula de un cuerpo (ya sea de un ratón sano o de un tumor).

El problema es que estas fotos tienen dos historias mezcladas en una sola imagen:

1. La historia de la familia (Linaje): Quién es el abuelo, quién es el padre y quién es el hijo. Esto te dice de dónde viene la célula.
2. La personalidad de la persona (Estado intrínseco): Qué hace esa persona, si es un médico, un artista o un atleta, independientemente de su apellido.

Hasta ahora, los métodos informáticos para analizar estas fotos eran como intentar ordenar un álbum familiar solo mirando la ropa que llevaban. Si todos los miembros de una familia llevaban ropa similar porque vivían en el mismo pueblo, el ordenador pensaba que eran "iguales" por su ropa, ignorando que en realidad eran primos lejanos con trabajos muy distintos. O al revés: si los ordenaba por apellido, perdía de vista que el hijo y el padre tenían profesiones totalmente diferentes.

DeepTracing es como un nuevo y brillante detective (un programa de Inteligencia Artificial) que ha aprendido a separar estas dos historias para contarlas por separado, pero al mismo tiempo.

Aquí te explico cómo funciona con una analogía sencilla:

1. El "Desenredador" Mágico

Imagina que tienes un ovillo de lana donde los hilos rojos (la familia) y los azules (el trabajo de la persona) están totalmente enredados.

• Los métodos antiguos intentaban desenredarlos tirando de un solo hilo, pero a menudo rompían la lana o dejaban nudos.
• DeepTracing es como un mago que tiene dos pares de manos. Con una mano, separa suavemente todos los hilos rojos y los pone en una caja llamada "Caja de la Familia". Con la otra mano, separa los hilos azules y los pone en una "Caja del Trabajo".

2. ¿Cómo lo hace? (La receta secreta)

El programa usa dos herramientas mágicas:

• Un mapa de árbol genealógico (Gaussian Process): Le dice al programa: "Oye, estas dos células son primas, así que deben estar relacionadas en la 'Caja de la Familia'".
• Un filtro de independencia (Total Correlation): Es como un guardia estricto que vigila las cajas. Si ve que un hilo azul se está colando en la caja roja, lo devuelve inmediatamente. Esto asegura que la historia de la familia no contamine la historia del trabajo, y viceversa.

3. ¿Qué logra este detective?

Gracias a esta separación, DeepTracing puede hacer cosas increíbles que antes eran imposibles:

• En el caso del Cáncer (La metástasis):
  Imagina un tumor en el pulmón que envía "espías" al hígado y al riñón. Antes, era difícil saber si esos espías eran clones exactos del tumor original o si habían cambiado mucho.
  DeepTracing puede decirte: "¡Mira! Estos dos grupos de células en el riñón vienen del mismo abuelo (mismo linaje), pero uno se parece más al abuelo y el otro ha cambiado mucho (nuevo estado)". Esto ayuda a entender cómo viaja el cáncer y a encontrar los genes que le permiten hacerlo.

• En el desarrollo de un bebé (El cerebro):
  Imagina que estás observando cómo se forma el cerebro de un embrión día tras día. A veces, las células cambian porque han pasado más días (tiempo), y otras veces cambian porque están decidiendo convertirse en neuronas (estado).
  DeepTracing puede decir: "Esta célula no cambió porque pasó el tiempo, cambió porque está aprendiendo a ser una neurona". Separa el reloj del calendario de la verdadera transformación de la célula.

En resumen

DeepTracing es una herramienta que toma el caos de la información biológica (donde la familia y la identidad están mezcladas) y crea tres mapas claros:

1. Un mapa solo de quién es tu familia (linaje).
2. Un mapa solo de qué eres tú (estado de la célula).
3. Un mapa unificado que muestra cómo ambas cosas trabajan juntas.

Esto permite a los científicos entender mejor cómo crecen los organismos, cómo se origina el cáncer y cómo las células deciden su destino, todo sin perderse en el ruido de los datos. Es como tener unas gafas de realidad aumentada que te permiten ver la historia y la identidad de cada célula por separado, pero al mismo tiempo.

Resumen técnico

A continuación presento un resumen técnico detallado del artículo "Decoupling Lineage and Intrinsic Information in Single-Cell Lineage Tracing Data with Deep Disentangled Representation Learning", que introduce el modelo DeepTracing.

1. El Problema

La secuenciación de ARN de una sola célula (scRNA-seq) combinada con tecnologías de trazado de linaje permite capturar simultáneamente perfiles de expresión génica e información de linaje. Sin embargo, existe un desafío fundamental en el análisis computacional de estos datos multimodales:

• Entrelazamiento de factores: Las características transcripcionales de una célula están moldeadas por dos fuerzas: propiedades intrínsecas (tipo celular, estado funcional) y relaciones extrínsecas de linaje (historia evolutiva, árbol filogenético).
• Limitaciones de los métodos actuales: Los enfoques existentes (como UMAP, t-SNE o modelos VAE estándar como scVI) tienden a priorizar la continuidad de la expresión génica, lo que oscurece la estructura del árbol de linaje. Por el contrario, métodos que preservan la fidelidad del linaje a menudo rompen la continuidad de los estados celulares.
• Falta de desacoplamiento: La mayoría de los métodos no logran separar estadísticamente la variación intrínseca de la variación impulsada por el linaje, lo que genera representaciones difíciles de interpretar y que pueden llevar a conclusiones erróneas sobre la determinación del destino celular y la progresión tumoral.

2. Metodología: DeepTracing

Los autores proponen DeepTracing, un marco de aprendizaje profundo generativo basado en un Autoencoder Variacional (VAE) que integra aprendizaje de representación desentrelazada y procesos gaussianos (GP).

Arquitectura y Componentes Clave:

1. Espacio Latente Capado (Layered Latent Space):

   • El modelo factoriza el espacio latente en dos componentes estadísticamente independientes:
     • Variables Intrínsecas ($Z_{P+1:L}$): Capturan propiedades locales de la célula (tipo, estado). Se asume una distribución a priori Gaussiana estándar.
     • Variables de Linaje ($Z_{1:P}$): Capturan restricciones globales impuestas por la historia evolutiva. Se asume una distribución a priori basada en un Proceso Gaussiano (GP), donde la matriz de kernel se deriva de las distancias del linaje (distancia en el árbol o distancia de Hamming de códigos de barras).

2. Regularización de Correlación Total (Total Correlation - TC):

   • Para garantizar que las dos partes del espacio latente sean independientes, el modelo aplica una penalización de Correlación Total (TC) en la función de pérdida. Esto minimiza la información mutua entre las variables intrínsecas y las de linaje, forzando su desacoplamiento estadístico.

3. Inferencia Variacional Amortizada y Escalabilidad:

   • El uso directo de GPs tiene una complejidad computacional de $O(N^3)$, lo que es prohibitivo para grandes conjuntos de datos.
   • DeepTracing utiliza inferencia variacional dispersa (sparse variational inference) con puntos de inducción (inducing points) y optimización por lotes (mini-batch). Esto reduce la complejidad a $O(bm^2 + m^3)$, permitiendo el entrenamiento en conjuntos de datos de decenas de miles de células.

4. Objetivo de Entrenamiento:

   • Maximiza un límite inferior de evidencia (ELBO) aumentado que incluye:
     • Pérdida de reconstrucción (expresión génica).
     • Términos de regularización KL para las priores intrínsecas y de linaje.
     • Término de penalización TC para el desacoplamiento.

5. Salidas del Modelo:

   • Embedding Intrínseco: Representa el estado celular puro.
   • Embedding de Linaje: Preserva la estructura jerárquica ancestral.
   • Embedding Unificado: Combina ambas dimensiones para análisis integrales.

3. Contribuciones Clave

• Desacoplamiento Explícito: Es el primer marco que separa sistemáticamente la variación de estado celular de la variación de linaje en datos de trazado de linaje mediante aprendizaje profundo.
• Integración de GP en VAE: Adapta los Procesos Gaussianos dentro de la arquitectura VAE para modelar restricciones de linaje de manera escalable.
• Resolución de la Compensación (Trade-off): Logra mantener la continuidad de los estados transcripcionales mientras se recupera la fidelidad del árbol de linaje, resolviendo un problema de larga data en el campo.
• Escalabilidad: Supera las limitaciones computacionales de métodos anteriores (como PORCELAN) que no pueden manejar conjuntos de datos masivos (>20,000 células).

4. Resultados y Validación

El modelo fue validado en tres escenarios principales:

• Datos Simulados (TedSim):

  • DeepTracing superó a scVI y a la expresión génica original en métricas de agrupamiento (ARI y NMI).
  • Logró recuperar con mayor precisión tanto los estados celulares reales como las subárboles de linaje, demostrando robustez ante diferentes probabilidades de división celular asimétrica.

• Datos de Tumores Pulmonares (Ratón):

  • Clasificación de Metástasis: En un dataset de ~1,878 células, DeepTracing separó limpiamente tumores primarios de metástasis, superando a scVI y PORCELAN.
  • Reconstrucción de Historia Evolutiva: Recuperó eventos de "cross-seeding" (siembra cruzada) y rutas de metástasis (ej. hígado a riñón) que coincidían con la historia evolutiva validada experimentalmente.
  • Descubrimiento de Genes: Identificó genes asociados a la metástasis (ej. Sftpc y Clu) mediante análisis de correlación canónica (CCA) con el embedding unificado.
  • Escalabilidad: Funcionó exitosamente en un dataset de >20,000 células, donde otros métodos fallaron computacionalmente.

• Desarrollo Embrionario (Mesencéfalo Ventral):

  • En un dataset de ~8,000 células de ratón en dos puntos temporales (E11.5 y E15.5), el modelo desacopló el efecto del tiempo de muestreo del estado de diferenciación intrínseco.
  • El embedding intrínseco mostró un continuo de diferenciación neuronal suave, mientras que el embedding de tiempo organizó estrictamente las células por su etapa de desarrollo, demostrando la capacidad de aislar efectos temporales.

5. Significado e Impacto

DeepTracing establece un nuevo estándar para el análisis de datos multimodales de células individuales. Su capacidad para proporcionar representaciones interpretables y biológicamente significativas tiene implicaciones profundas:

• Biología del Desarrollo: Permite visualizar trayectorias de diferenciación continua sin que estén distorsionadas por el momento de la muestra.
• Oncología: Facilita la comprensión de la heterogeneidad tumoral, la evolución clonal y las rutas de metástasis, ofreciendo herramientas para identificar marcadores genéticos clave.
• Herramienta General: Al ser escalable e interpretable, DeepTracing se posiciona como una herramienta fundamental para desentrañar la complejidad de los sistemas multicelulares, separando la "historia" (linaje) de la "identidad" (estado) de las células.

El código fuente está disponible públicamente, fomentando su adopción en la comunidad científica para futuros estudios de trazado de linaje.