Rectangle: robust and scalable multiscale deconvolution informed by single-cell RNA sequencing data

Resumen Técnico: Rectangle – Desconvolución multiescala robusta y escalable informada por datos de secuenciación de ARN de célula única

Planteamiento del problema
La secuenciación de ARN masiva (RNA-seq) permite el perfilado a gran escala de tejidos complejos, pero carece de resolución celular. Aunque los métodos de desconvolución in silico infieren la composición de tipos celulares a partir de datos de RNA-seq masivos (bulk), los métodos actuales de segunda generación (que utilizan referencias de RNA-seq de célula única [scRNA-seq]) enfrentan tres limitaciones críticas:

1. Resolución: A menudo no logran distinguir fenotipos o estados celulares estrechamente relacionados debido a la similitud transcripcional.
2. Escalabilidad: No escalan eficientemente ante el volumen rápidamente creciente de los grandes conjuntos de datos de scRNA-seq (por ejemplo, >100k células), sufriendo a menudo de altos costes computacionales o restricciones de memoria.
3. Robustez ante lo desconocido: Normalmente asumen que la matriz de firma de referencia cubre todo el contenido celular de la muestra masiva. Cuando hay "contenido celular desconocido" (tipos celulares o estados ausentes en la referencia), estos métodos suelen atribuir erróneamente las señales, lo que conduce a estimaciones de fracción sesgadas.

Metodología
Los autores presentan Rectangle, un marco de trabajo de Python de código abierto dentro del ecosistema scverse diseñado para el desenredo (disentanglement) recursivo de datos de RNA-seq masivos. El algoritmo opera en dos fases principales:

1. Construcción de la Matriz de Firma (Pseudobulking mediante bootstrapping):

   • Pseudobulking: En lugar de procesar cada célula individual, Rectangle realiza un bootstrapping de la referencia de scRNA-seq muestreando repetidamente un número pequeño y constante de células (por defecto 500) con reemplazo para cada tipo celular anotado para crear perfiles de expresión "pseudobulk" puros. Esto asegura una huella de memoria pequeña y un tiempo de ejecución independiente del tamaño total de la referencia.
   • Selección de Marcadores: El análisis de expresión diferencial (DE) se realiza utilizando pyDESeq2. Los umbrales de cambio logarítmico (log-fold-change [LFC]) se optimizan de forma adaptativa mediante una búsqueda de cuadrícula (grid search) en mezclas de pseudobulk sintéticas para maximizar la correlación con la verdad de campo (ground truth).
   • Optimización: La matriz de firma resultante se refina eliminando genes poco discriminativos para minimizar la multicolinealidad (número de condición) y se escala según el contenido de ARNm específico de cada tipo celular para evitar sesgos sistemáticos.
   • Estrategia Multiescala: Se generan dos matrices de firma: una "firma directa" para tipos celulares de grano fino y una "firma agrupada" donde los tipos transcriptómicamente similares se agrupan mediante agrupamiento jerárquico (hierarchical clustering).

2. Desconvolución (Programación Cuadrática Jerárquica):

   • Estimación de Contenido Desconocido: El método modela explícitamente el contenido celular desconocido como el residuo entre la expresión masiva observada y la reconstrucción basada en la matriz de firma.
   • Desconvolución Jerárquica: Para tipos celulares altamente similares, se emplea un proceso de dos pasos:
     • Paso 1: Un resolvedor de programación cuadrática (QP) desconvuelve los datos masivos utilizando la "firma agrupada" para estimar las proporciones de grupos celulares gruesos.
     • Paso 2: Un segundo paso de QP utiliza la "firma directa" para resolver las fracciones de grano fino, estando estas restringidas por las estimaciones a nivel de grupo del Paso 1 dentro de un intervalo de tolerancia estrecho. Esto restringe el espacio de soluciones para tipos similares mientras permite una alta resolución.
   • Escalado Final: Las fracciones de células conocidas finales se reescalan de modo que, combinadas con el componente desconocido estimado, sumen el 100%.

Contribuciones Clave

• Marco Multiescala: Rectangle combina de forma única la desconvolución jerárquica con el modelado explícito del contenido celular desconocido, abordando la resolución y la robustez simultáneamente.
• Escalabilidad mediante Bootstrapping: Al desacoplar el tiempo de ejecución del número total de células individuales en la referencia (dependiendo en su lugar del número de tipos celulares y genes), Rectangle logra un escalado de memoria lineal y un escalado de tiempo de ejecución casi constante respecto al tamaño de la referencia.
• Integración: Como parte del ecosistema scverse, soporta los formatos AnnData y SpatialData, asegurando la interoperabilidad con herramientas estándar de transcriptómica espacial y de célula única.

Resultados
Los autores evaluaron Rectangle frente a ocho métodos de vanguardia (incluyendo CIBERSORTx, Scaden, MuSiC, BayesPrism) utilizando el marco de evaluación omnideconv a través de diversos conjuntos de datos (tejidos de ratón/humano, microentornos tumorales, transcriptómica espacial).

• Precisión y Resolución: Rectangle alcanzó la mayor correlación de Pearson global (media 0.804) y el menor error cuadrático medio (RMSE) acumulado en todos los conjuntos de datos de validación. Demostró un bajo desbordamiento (spillover) (promedio de 15.81%), comparable a los mejores exponentes, y resolvió con éxito fenotipos de grano fino en ecosistemas tumorales complejos (por ejemplo, distinguiendo entre CAFs miofibroblásticos vs. inflamatorios) donde los métodos de agrupación fallaron.
• Eficiencia Computacional: En un portátil estándar (Apple M1, 32GB RAM) con una referencia de ~150k células, Rectangle completó el flujo de trabajo completo (construcción de firma + desconvolución) en aproximadamente un minuto. En contraste, otros métodos fallaron al ejecutarse o requirieron tiempos de ejecución y memoria significativamente mayores a medida que aumentaban los tamaños de la referencia. Rectangle fue el único método en mantener un bajo uso de tiempo de ejecución y memoria a través de un aumento de 150 veces en el tamaño de la referencia.
• Manejo de Contenido Desconocido: En simulaciones con un aumento de contenido desconocido, Rectangle fue el único método que mantuvo una alta correlación global y un bajo RMSE para los tipos cubiertos por la referencia. En aplicaciones del mundo real:
  • Cáncer de Pulmón: Cuando las células tumorales fueron excluidas de la referencia, la fracción "desconocida" estimada correlacionó fuertemente con la pureza tumoral de consenso (r=0.612). Combinar esto con las estimaciones de tumor guiadas por la referencia mejoró la cuantificación de la pureza (r=0.772).
  • Organoides Cerebrales: Aplicado a datos masivos de series temporales contra una referencia de células maduras, Rectangle identificó altas fracciones "desconocidas" en etapas tempranas. El análisis de error de reconstrucción de estos desconocidos reveló programas de desarrollo coherentes (por ejemplo, diferenciación neurogénica, regulación del ciclo celular), desenredando eficazmente estados progenitores ocultos.
• Transcriptómica Espacial: Sin adaptaciones espaciales específicas, Rectangle desconvolvió con éxito datos de ratón 10x Visium, mapeando con precisión subtipos neuronales de grano fino a sus regiones anatómicas y posicionándose entre los mejores desempeños en el benchmark Spotless.

Significancia
El artículo afirma que Rectangle cierra la brecha entre la alta resolución de la transcriptómica de célula única y la eficiencia de escala/coste de la RNA-seq masiva. Al abordar simultáneamente la precisión, la escalabilidad y la incompletitud de la referencia, permite el perfilado celular a escala poblacional. Esta capacidad respalda el descubrimiento de biomarcadores celulares y el seguimiento de la dinámica de los estados celulares en entornos (como cohortes clínicas de gran tamaño o estudios longitudinales) donde la secuenciación de célula única exhaustiva es impracticable. Los autores posicionan a Rectangle como una herramienta fundamental para ir más allá de la cuantificación ajustada a la referencia y recuperar señales biológicas "ocultas", como la heterogeneidad maligna y las trayectorias de desarrollo.