Context-dependent correlations mislead transcriptomic network inference in bulk and single-cell data

Resumen Técnico: Las correlaciones dependientes del contexto inducen a error en la inferencia de redes transcriptómicas en datos de bulk y de célula única

Planteamiento del problema
El artículo aborda un fallo fundamental en la inferencia de redes transcriptómicas, específicamente en el descubrimiento de módulos de coexpresión y en la inferencia de dianas de miRNA. Estos análisis dependen predominantemente de coeficientes de correlación de Pearson calculados a través de muestras heterogéneas (por ejemplo, diversos tejidos, tipos de cáncer o tipos celulares). El problema central es la suposición implícita de que un único coeficiente de correlación agrupado estima una única cantidad biológicamente significativa. Los autores argumentan que esta suposición es frágil debido a la paradoja de Simpson, donde los cambios en las medias entre grupos pueden dominar o incluso revertir la dirección de las asociaciones observadas dentro de subgrupos específicos. Aunque es un fenómeno teóricamente conocido, la frecuencia y magnitud de este fenómeno en datos transcriptómicos del mundo real no se habían cuantificado.

Metodología
Para cuantificar la prevalencia de las reversiones de correlación dependientes del contexto, el estudio analizó un conjunto masivo de datos que comprende 8.890 tumores de TCGA a través de 31 cohortes de cáncer y 23.170.038 pares de miRNA-mRNA. La metodología consistió en:

1. Descomposición de correlaciones: Comparación de correlaciones globales agrupadas ($r_{global}$) frente a correlaciones dentro de la cohorte para identificar reversiones de signo.
2. Métricas de heterogeneidad: Cálculo del estadístico $I^2$ para medir la proporción de la variación total debida a la heterogeneidad en lugar del azar, y realización de pruebas de hipótesis de igualdad de correlaciones entre cohortes con control de FDR.
3. Conjuntos de validación: Referencia cruzada de los resultados con dianas validadas experimentalmente de miRTarBase v10 (692.770 pares) y análisis de datos de GTEx (tejidos normales), 10x PBMC scRNA-seq y CITE-seq (pares proteína-ARN).
4. Refinamiento del contexto: Investigación de si la estratificación de los datos por contextos biológicos más finos (por ejemplo, subtipos moleculares PAM50, estado de receptor clínico IHC o subtipos celulares definidos por el transcriptoma) reduce la tasa de reversiones de signo de la correlación.

Resultos clave
El análisis reveló que la heterogeneidad es la regla más que la excepción en los datos transcriptómicos:

• Prevalencia de señales mixtas: A través de las cohortes de TCGA, el 94,8% de los pares miRNA-mRNA exhibieron correlaciones tanto positivas como negativas en diferentes cohortes.
• Reversiones de signo: En un subconjunto de alta varianza de un millón de pares, el 13,3% de las correlaciones agrupadas con $|r_{global}| \ge 0,2$ revirtieron su dirección respecto a la mayoría dentro de la cohorte (con una tolerancia de signo $\epsilon = 0,05$).
• Estadísticas de heterogeneidad: La mediana de $I^2$ fue 0,86 (IQR 0,80–0,90), y el 99,5% de los pares rechazaron la hipótesis nula de igualdad de correlación entre cohortes con FDR < 0,05.
• Validez biológica: De los objetivos de miRTarBase validados experimentalmente, solo el 0,9% fueron uniformemente negativos en todas las cohortes, lo que desafía la suposición de que se requiere una única correlación negativa agrupada para la validación.
• Consistencia transmodal: El patrón de inversión de signo persistió a través de las modalidades:
  • GTEx: El 21,0% de los signos agrupados no concordaban con la mayoría de los tejidos; el 23,5% cambió tras la eliminación de la media del tejido.
  • scRNA-seq (10x PBMC): El 13,1% de las correlaciones gen-gen cambiaron tras la eliminación de la media del tipo celular.
  • CITE-seq: El 37,9% de los pares proteína-ARN cambiaron bajo una partición WNN conjunta.
• Impacto del refinamiento del contexto: El refinamiento del contexto de análisis redujo significativamente las tasas de reversión, aunque la eficacia dependió de la granularidad de la partición. Por ejemplo, en BRCA, las tasas de reversión disminuyeron de un 5,5% (subtipos PAM50) a un 0,35% (estado clínico IHC). En PBMCs, el refinamiento de las células T en subtipos definidos por el transcriptoma redujo las reversiones del 11,8% al 0,13%.

Significación y afirmaciones
El artículo concluye que un único coeficiente de correlación agrupado puede invertir su dirección respecto a sus componentes dentro del contexto a tasas no despreciables, lo que potencialmente conduce a inferencias biológicas erróneas. Los autores sostienen que las correlaciones no deben reportarse como valores aislados, sino que deben ir acompañadas de:

1. La distribución dentro del contexto.
2. Un estadístico de heterogeneidad (por ejemplo, $I^2$).
3. Un diagnóstico que separe los cambios de media entre contextos de las asociaciones dentro del contexto.

Para facilitar esto, los autores proporcionan una pequeña interfaz en R diseñada para calcular estos resúmenes específicos, con el objetivo de mejorar el rigor y la interpretabilidad de la inferencia de redes transcriptómicas tanto en datos de bulk como de célula única.