LAML-Pro: Maximum Likelihood Inference of Cell Genotypes and Cell Lineage Trees

El artículo presenta LAML-Pro, un algoritmo que infiere simultáneamente genotipos celulares y árboles de linaje mediante un modelo de máxima probabilidad, corrigiendo errores genotípicos y generando reconstrucciones de linaje más precisas y coherentes que los métodos existentes.

Lo esencial

Imagina que quieres reconstruir la historia familiar de una ciudad entera, desde un solo bebé hasta miles de personas, pero no tienes fotos ni registros de nacimiento. Solo tienes una caja de herramientas mágica que deja pequeñas marcas de pintura en la ropa de cada persona cada vez que tienen un hijo.

El problema es que estas marcas de pintura a veces se borran, a veces se ven borrosas, y a veces el microscopio con el que las miramos falla.

LAML-Pro es un nuevo "detective genético" creado por investigadores de la Universidad de Princeton que resuelve este caos. Aquí te explico cómo funciona, sin usar términos técnicos aburridos:

1. El Problema: El Detective Torpe

Antes de LAML-Pro, los científicos hacían el trabajo en dos pasos separados, como si fueran dos detectives diferentes:

• Detective A: Miraba las manchas de pintura (los datos crudos) y trataba de adivinar qué color era cada uno. Como la pintura a veces se ve borrosa, este detective cometía muchos errores. Decía "esto es rojo" cuando en realidad era "rosa borroso".
• Detective B: Tomaba las respuestas del Detective A (llenas de errores) y trataba de dibujar el árbol genealógico. Si el primer detective se equivocaba, el segundo dibujaba una familia falsa.

La analogía: Es como intentar armar un rompecabezas gigante, pero primero intentas adivinar qué pieza es cada una sin mirar bien, y luego tratas de armar el rompecabezas con esas piezas equivocadas. El resultado final siempre se ve mal.

2. La Solución: El Detective Inteligente (LAML-Pro)

LAML-Pro cambia las reglas del juego. No separa los pasos. Es un super-detective que hace todo al mismo tiempo:

• Mira las manchas borrosas.
• Piensa: "Si esta mancha es roja, entonces la familia debe ser así... pero si es rosa, la familia sería diferente".
• Calcula cuál es la combinación más probable de "qué color es la mancha" Y "cómo es el árbol familiar" que explica mejor todo lo que ve.

La analogía: Imagina que estás en una habitación oscura con un amigo que tiene una linterna que parpadea. En lugar de intentar adivinar qué objeto hay en la mesa (la mancha) y luego adivinar dónde estás (el árbol) por separado, LAML-Pro dice: "Si veo este destello de luz en este ángulo, es muy probable que el objeto sea una taza y que yo esté parado aquí". Ajusta su hipótesis sobre el objeto y su posición simultáneamente hasta que todo encaja perfectamente.

3. ¿Cómo lo hace? (El Modelo PMMO)

El papel introduce un modelo llamado PMMO. Piensa en esto como una "regla de probabilidad" que entiende tres cosas:

1. Las marcas se borran: A veces la pintura desaparece (datos faltantes).
2. Las marcas se confunden: A veces la luz del microscopio hace que el rojo parezca naranja (ruido).
3. La historia es lógica: Una vez que una célula se edita, no puede volver a su estado original (como una herida que no se cura mágicamente).

LAML-Pro usa estas reglas para "limpiar" los datos. Si ve una mancha muy borrosa que podría ser rojo o naranja, pero el árbol genealógico sugiere que todos sus hermanos son rojos, LAML-Pro dirá: "¡Esa mancha borrosa es roja! El microscopio solo estaba un poco sucio".

4. Los Resultados: ¡Milagros en la Precisión!

Los investigadores probaron LAML-Pro con datos simulados y reales (usando células de cáncer y células madre de ratón):

• Corrección de errores: Redujo los errores de identificación de las células en 5 veces. Pasó de tener un 25-50% de errores (como adivinar al azar) a un nivel casi perfecto, comparable a leer el ADN directamente.
• Árboles más reales: Los árboles familiares que dibujó tenían mucho más sentido con la realidad física. Por ejemplo, en experimentos donde las células se movían por un espacio 3D, las células que LAML-Pro puso como "hermanas" en el árbol, realmente estaban más cerca físicamente en la imagen. Los métodos antiguos las ponían como hermanas aunque estuvieran en lados opuestos de la habitación.
• Velocidad: A pesar de ser tan inteligente, es rápido. Puede reconstruir la historia de miles de células en menos de una hora.

En Resumen

LAML-Pro es como un corrector de texto inteligente para la historia de la vida. En lugar de dejar que los errores de lectura arruinen la historia familiar, el algoritmo mira el contexto completo, entiende que las lecturas pueden ser imperfectas, y reconstruye tanto la identidad de cada célula como su árbol familiar de una sola vez, resultando en una historia mucho más precisa y fiel a la realidad.

Esto es crucial porque nos permite ver con claridad cómo se desarrollan los organismos, cómo crecen los tumores y cómo se organizan nuestras células, algo que antes era como intentar leer un libro con las páginas manchadas de tinta.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo "LAML-Pro: Joint Maximum Likelihood Inference of Cell Genotypes and Cell Lineage Trees" en español.

1. Planteamiento del Problema

La reconstrucción de la historia de las divisiones celulares (árboles de linaje celular) es fundamental en biología del desarrollo. Las tecnologías recientes de rastreo de linaje dinámico (DLT) utilizan edición genómica (por ejemplo, CRISPR/Cas9) para inducir mutaciones heredables que actúan como marcadores. Sin embargo, los enfoques computacionales actuales presentan una limitación crítica:

• Enfoque en dos pasos: Primero, se infieren los genotipos de cada célula a partir de datos crudos (secuenciación o imágenes de fluorescencia). Segundo, se construye el árbol de linaje basándose en esos genotipos.
• El problema de los errores: La inferencia de genotipos es un proceso inexacto, especialmente en sistemas basados en imágenes donde la tasa de incertidumbre o error puede ser alta (25-50%).
• Consecuencia: Los errores en la etapa de genotipado se propagan, resultando en árboles de linaje inexactos. Los métodos actuales asumen que los genotipos son entradas conocidas y correctas, lo cual no es cierto en la práctica.

2. Metodología: LAML-Pro y el modelo PMMO

Los autores presentan LAML-Pro (Lineage Analysis via Maximum Likelihood with PRobabilistic Observations), un algoritmo que infiere simultáneamente el árbol de linaje celular y los genotipos de las células, evitando la etapa intermedia de genotipado erróneo.

A. El Modelo PMMO (Probabilistic Mixed-type Missing with Observations)

LAML-Pro se basa en un nuevo modelo probabilístico que describe tanto el proceso de edición genómica como el proceso de observación de datos.

• Proceso de Edición: Se modela como una Cadena de Markov en Tiempo Continuo (CTMC) con estados ocultos $Z$. Los estados incluyen:
  • 0: Estado sin editar.
  • {1, ..., M}: Estados editados posibles.
  • -1: Estado de "ausencia heredable" (heritable missing), causado por silenciamiento epigenético o resección, que resulta en ninguna observación.
  • El modelo asume que las ediciones son no modificables (una vez editado un sitio, no puede editarse de nuevo en los descendientes).
• Proceso de Observación: Describe cómo los estados ocultos $Z$ generan las observaciones $X$ (intensidades de píxeles en imágenes o conteos de UMI en secuenciación).
  • Maneja datos faltantes de dos tipos: "dropout" (observación perdida aleatoriamente) y "silenciamiento" (estado -1).
  • Para datos de imagen, utiliza estimadores de densidad de kernel gaussianos entrenados para mapear las intensidades de píxeles a probabilidades de estados genotípicos.

B. Algoritmo de Inferencia

El objetivo es encontrar el árbol $T$ y los parámetros del modelo $\Theta$ que maximizan la verosimilitud de los datos observados $X$, marginalizando sobre los genotipos desconocidos $Z$:
$$\max_{T, \Theta} \sum_{Z} P(X=x, Z=z | T, \Theta)$$

• Búsqueda Heurística: Utiliza un enfoque de búsqueda de árbol de máxima verosimilitud que alterna entre:
  1. Proponer nuevas topologías de árbol mediante intercambios de vecinos más cercanos (NNI).
  2. Optimizar los parámetros del modelo (tasas de edición, probabilidad de dropout, longitudes de rama) dado un topología fija.
• Algoritmo EM (Expectation-Maximization):
  • E-paso: Calcula las expectativas de las transiciones entre estados ocultos y las emisiones en las hojas utilizando el algoritmo de poda de Felsenstein, optimizado para aprovechar la dispersión (sparsity) de la matriz de tasas de transición.
  • M-paso: Actualiza conjuntamente todos los parámetros utilizando un método de punto interior (IPOPT), lo que garantiza una convergencia cuadrática rápida y maneja restricciones biológicas (como longitudes de rama mínimas).
• Restricciones: El algoritmo puede operar bajo la suposición de un reloj molecular estricto (árbol ultramétrico, donde todas las hojas están a la misma distancia del raíz) o sin esta restricción.

3. Contribuciones Clave

1. Inferencia Conjunta: Es el primer método diseñado específicamente para DLT que infiere genotipos y árboles de linaje simultáneamente, eliminando el sesgo introducido por la etapa de genotipado previo.
2. Modelo PMMO: Un marco probabilístico unificado que integra la biología de la edición genética (irreversibilidad, silenciamiento) con la física de la observación (ruido en imágenes, dropout).
3. Corrección de Errores: Capacidad para corregir errores de genotipado y recuperar datos faltantes (imputación) basándose en la estructura del árbol y la coherencia evolutiva.
4. Escalabilidad: A pesar de la complejidad del modelo, el algoritmo escala a miles de células (ej. 3,108 células en ~18 horas), aprovechando la dispersión de las matrices de transición.

4. Resultados

Los autores evaluaron LAML-Pro en datos simulados y en dos conjuntos de datos reales basados en imágenes (PEtracer y baseMEMOIR).

A. Datos Simulados

• Precisión del Árbol: LAML-Pro superó significativamente a los métodos existentes (LAML, Neighbor Joining) en la precisión de la topología del árbol, especialmente en presencia de tasas altas de datos faltantes (37.5%) y ruido en las observaciones.
• Corrección de Genotipos: Logró inferir genotipos correctos en el 90% de los sitios, frente al 77% de los métodos basales que seleccionan el genotipo más probable independientemente.
• Longitudes de Rama: Proporcionó estimaciones de longitud de rama con una correlación casi perfecta ($R^2 = 0.995$) con la verdad fundamental, superando a métodos especializados como ConvexML.

B. Datos Reales: PEtracer (Cáncer de mama 4T1)

• Reducción de Errores: Redujo la tasa de error de genotipado de las observaciones basadas en imágenes (25-50%) al nivel de error de secuenciación (~0.3%).
• Manejo de Datos Faltantes: Eliminó completamente los genotipos faltantes en el análisis, imputando estados en sitios donde las observaciones de imagen eran ambiguas o estaban ausentes.
• Concordancia Espacial: Los árboles inferidos por LAML-Pro mostraron una mayor correlación entre la distancia filogenética y la distancia espacial (coordenadas x, y de las células) en comparación con los árboles publicados por PEtracer, lo que indica una reconstrucción biológicamente más coherente.

C. Datos Reales: baseMEMOIR (Células madre embrionarias)

• Recuperación de Información: LAML-Pro aprovechó observaciones que el pipeline original de baseMEMOIR descartaba por baja confianza, aumentando la cobertura de sitios observados del ~50% al ~70-75%.
• Mejora en la Concordancia: Los árboles de LAML-Pro mostraron una mayor concordancia de genotipos entre hermanos (menor distancia de Hamming esperada) y una mejor correlación con las distancias espaciales que los árboles inferidos por el método original de baseMEMOIR.

5. Significado e Impacto

• Viabilidad de la Microscopía: LAML-Pro demuestra que el rastreo de linajes basado en imágenes (que es más barato y permite la observación en tiempo real y espacial) puede alcanzar una precisión comparable a la secuenciación, siempre que se utilice un modelo probabilístico adecuado.
• Superación de Limitaciones Actuales: Al evitar la separación entre genotipado y reconstrucción de árboles, el método mitiga el problema de propagación de errores, un desafío mayor en la biología computacional actual.
• Herramienta Accesible: El código es de código abierto, permitiendo a la comunidad científica aplicar este enfoque a diversos sistemas de rastreo de linaje, mejorando la fiabilidad de los estudios de desarrollo y cáncer.

En resumen, LAML-Pro representa un avance significativo al tratar la inferencia de linajes celulares como un problema de inferencia estadística conjunta, logrando árboles más precisos y biológicamente coherentes incluso con datos ruidosos y faltantes.