pysigscore: gene signatures scoring across bulk and single-cell transcriptomics

Resumen Técnico de pysigscore: puntuación de firmas génicas en transcriptómica de bulk y de célula única

Planteamiento del problema
La transcriptómica de alto rendimiento ha establecido las firmas génicas como herramientas centrales para la interpretación de datos de expresión génica en el diagnóstico, el pronóstico y la caracterización de la función biológica. Sin embargo, cuantificar la actividad de una firma y evaluar su robustez sigue siendo un desafío. Los métodos de puntuación existentes dependen de supuestos variables con respecto a las distribuciones de fondo, la robustez y los fundamentos estadísticos (por ejemplo, resúmenes simples, estadísticas Z o enfoques basados en rangos). En consecuencia, ningún enfoque de puntuación es universalmente óptimo para todos los conjuntos de datos o preguntas biológicas. Existe una necesidad clara de un marco unificado que permita a los investigadores calcular, comparar y evaluar el rendimiento de múltiples métodos de puntuación, evaluando simultáneamente su significancia estadística y fiabilidad.

Metodología
Los autores presentan pysigscore, un marco de trabajo en Python diseñado para la puntuación de conjuntos de genes tanto en datos de RNA-seq de bulk como de célula única (scRNA-seq). El marco está coordinado por un objeto Scorer() que gestiona un flujo de trabajo unificado que comprende el preprocesamiento de datos, el cálculo de puntuaciones, la evaluación de la fiabilidad y la visualización.

• Entrada y preprocesamiento: El sistema acepta matrices de expresión (como DataFrames u objetos AnnData) y conjuntos de genes (como diccionarios o matrices binarias). Soporta un preprocesamiento extensivo, incluyendo transformación logarítmica, estandarización, escalado min-max, suavizado de k-Vecinos más Cercanos (k-NN) y transformaciones de paso/cuantil.
• Motor de puntuación: La funcionalidad principal es impulsada por la función compute_scores(), la cual genera una matriz de puntuación donde las filas representan muestras/células y las columnas representan conjuntos de genes. El marco implementa 18 métodos de puntuación integrados organizados en tres familias:
  1. Estadísticas directas (14 métodos): Incluye Suma, Suma Ponderada, Media, Mediana, Moda y estadísticas robustas como IQR, MAD y AAD. Estos computan resúmenes escalares directamente a partir de los valores de expresión de los genes de la firma.
  2. Z-score (1 método): Estandariza la media de expresión de un conjunto de genes en relación con el perfil de expresión completo de la muestra.
  3. Métodos basados en rangos (3 métodos): Incluye AUCell, ssGSEA y GSVA, que evalúan el enriquecimiento de los genes de la firma entre los genes con mayor rango dentro de una muestra.
• Personalización: Una característica clave es el Scorer Personalizado (Custom Scorer), que permite a los usuarios definir nuevas funciones de puntuación mediante código Python sin modificar el código fuente de la librería. Estas funciones deben aceptar el vector de expresión de los genes de la firma y el vector de expresión completo de la muestra.
• Fiabilidad y significancia:
  • Estimación de valores p: Para los métodos directos, la significancia se estima mediante pruebas de permutación utilizando conjuntos de genes aleatorios de tamaño igual para generar una distribución nula, aplicando una corrección de más uno. Los Z-scores utilizan valores p analíticos bilaterales de la distribución normal estándar. Los métodos basados en rangos utilizan procedimientos empíricos o implementaciones de backend.
  • Experimentos de dejar uno fuera (Leave-One-Out, LOO): La robustez se evalúa recomputando las puntuaciones tras eliminar iterativamente cada gen de una firma. Las desviaciones se cuantifican utilizando el Error Absoluto Medio (MAE), el Error Cuadrático Medio (MSE) o el Error Porcentual Absoluto Medio (MAPE) para identificar la dependencia de genes "hub" específicos.

Contribuciones clave
El artículo afirma cinco contribuciones primarias que extienden trabajos previos (como el paquete de R sigscores y sigQC):

1. Integración de métodos de scRNA-seq: Incorpora nuevos enfoques desarrollados específicamente para la transcriptómica de célula única, expandiendo el recuento de métodos integrados a 18.
2. Personalización unificada: Proporciona un scorer personalizado integrado y flexible, permitiendo a los usuarios implementar, evaluar el rendimiento y comparar directamente sus propias funciones de puntuación frente a los enfoques existentes dentro de una misma librería.
3. Análisis de contribución a nivel de gen: Facilita la evaluación de las contribuciones de genes individuales a la actividad de la firma a través de experimentos LOO.
4. Escalabilidad: El marco está optimizado para manejar grandes conjuntos de datos transcriptómicos de manera eficiente.
5. Interoperabilidad: Es directamente compatible con los principales marcos de análisis de RNA-seq (por ejemplo, AnnData), asegurando una integración fluida en los flujos de trabajo existentes.

Resultados
Los autores validaron pysigscore utilizando los conjuntos de datos CCLE, TCGA y PBMC. La validación demostró la capacidad del marco para recuperar los enriquecimientos biológicos esperados, específicamente en las firmas de hígado, hipoxia, inflamación y ciclo celular. Los resultados confirman que el marco puede procesar con éxito diversos tipos de datos y producir puntuaciones consistentes e interpretables a través de diferentes configuraciones experimentales.

Significancia
El artículo posiciona a pysigscore no meramente como una herramienta de cálculo, sino como un marco reproducible para la comparación metodológica. Al permitir a los usuarios calcular, comparar y evaluar la robustez de diferentes métodos de puntuación simultáneamente, aborda la limitación de que no existe un único enfoque óptimo para todos los contextos. La herramienta permite a los investigadores ir más allá de la selección de un único "mejor" método a priori, permitiendo en su lugar la toma de decisiones basadas en datos sobre qué estrategia de puntuación se ajusta mejor a preguntas biológicas específicas y características de los conjuntos de datos.