CHACAM: a cell-cell interaction-guided hierarchical attention model for high-precision cell identity annotation of scRNA-seq data in early C. elegans embryogenesis

La vida comienza como una sola célula, una diminuta esfera que contiene el plano de un organismo entero. En los primeros momentos del desarrollo, esta célula se divide una y otra vez, creando un grupo de células en rápido crecimiento. Durante décadas, los científicos han sabido que en el diminuto gusano redondo Caenorhabditis elegans, este proceso es notablemente predecible. Cada gusano sigue exactamente el mismo camino: la primera célula se divide, las células hijas se dividen, y se dividen de nuevo, siempre en el mismo orden y siempre terminando en el mismo lugar. Debido a esta consistencia perfecta, los biólogos han utilizado durante mucho tiempo a este gusano como un mapa para comprender cómo una sola célula se convierte en un animal complejo. Sin embargo, ha surgido un nuevo desafío a medida que la tecnología ha avanzado. Los científicos ahora pueden leer las instrucciones genéticas, o el "transcriptoma", de células individuales dentro de estos embriones. Aunque esto suena como un gran avance, ha revelado un problema confuso: a medida que las células se dividen, las instrucciones genéticas en las hermanas estrechamente relacionadas se vuelven casi idénticas. Cuando los científicos intentan clasificar estas células basándose únicamente en su código genético, a menudo no pueden distinguirlas, lo que los obliga a agrupar células distintas en categorías vagas y ambiguas.

Para resolver este rompecabezas, un equipo de investigadores ha desarrollado un nuevo enfoque que mira más allá del código genético dentro de la célula. Se dieron cuenta de que una célula no existe en el vacío; está constantemente tocando y hablando con sus vecinas. En el embrión temprano, el destino de una célula está fuertemente influenciado por las señales que recibe de las células específicas con las que está físicamente en contacto. Los investigadores construyeron un modelo computacional llamado CHACAM que combina los datos genéticos de una célula con un mapa detallado de quién toca a quién. Al integrar este contexto físico, el modelo puede distinguir entre células que son genéticamente idénticas pero que están en vecindarios diferentes. Este método les ha permitido crear un mapa perfectamente claro del embrión del gusano temprano, resolviendo identidades que habían permanecido ambiguas durante años y revelando nuevos marcadores genéticos que definen cada célula única.

El núcleo del problema radica en qué tan estrechamente relacionadas están las células. En las etapas tempranas del desarrollo del gusano, las células se dividen tan rápidamente que las células hermanas, que nacen de la misma célula madre, tienen un perfil genético casi idéntico. Los métodos tradicionales para identificar estas células dependen de encontrar genes específicos que actúen como marcadores, como una etiqueta de nombre. Sin embargo, cuando las diferencias genéticas son tan pequeñas, las etiquetas de nombre no son lo suficientemente distintas como para distinguir a las hermanas. En estudios previos, esto llevó a una situación en la que los científicos solo podían etiquetar un grupo de células con un nombre genérico, como "ABalx", reconociendo que sabían que el grupo existía pero no podían decir cuál célula era cuál. Esta falta de precisión dificultaba la comprensión de la secuencia exacta de eventos que impulsa el desarrollo, ya que los investigadores estaban trabajando esencialmente con un mapa borroso.

Los investigadores hipotetizaron que la pieza faltante de información era el entorno físico. Sabían, por décadas de observación, que células específicas en el embrión del gusano siempre tocan a vecinos específicos. Por ejemplo, una célula podría tocar a un vecino que envía una señal para convertirse en una célula muscular, mientras que su hermana, que luce idéntica genéticamente, toca a un vecino diferente que envía una señal para convertirse en una célula nerviosa. El nuevo modelo, CHACAM, fue diseñado para usar este conocimiento. Comienza con una base de datos curada de canales de comunicación conocidos entre células, específicamente los pares de moléculas que permiten que una célula envíe una señal a otra. Luego, superpone esto con un mapa de alta resolución y cuatro dimensiones del embrión que muestra exactamente qué células se están tocando en cada minuto de desarrollo.

El modelo funciona mirando una célula y haciendo dos preguntas: ¿qué genes está expresando? y ¿con quién está tocando? Compara el perfil genético de la célula con una biblioteca de referencia de tipos celulares conocidos. Si el perfil genético es ambiguo, el modelo observa a los vecinos de la célula. Calcula una puntuación basada en la probabilidad de interacciones específicas entre la célula y sus vecinos. Por ejemplo, si una célula está tocando a un vecino conocido por interactuar con un tipo de célula específico, el modelo infiere que la célula es probablemente ese tipo. Los investigadores utilizaron una estrategia que llaman "triangulación" para confirmar estas conjeturas. Elegían una célula de referencia con una identidad conocida y verificaban sus interacciones con la célula ambigua. Si la célula de referencia es conocida por tocar a una hermana pero no a la otra, y las puntuaciones de interacción coinciden con ese patrón, la identidad de la célula ambigua puede determinarse con alta confianza.

Cuando el equipo aplicó este método a los datos existentes del embrión de C. elegans, los resultados fueron impactantes. En el conjunto de datos que cubre el embrión desde una hasta dieciséis células, el modelo resolvió con éxito la identidad de cada una de las células. Previamente, en la etapa de dieciséis células, ocho de las células eran agrupadas en cuatro pares de gemelos indistinguibles. El nuevo método las separó a todas, logrando una tasa de resolución del cien por ciento. Esto significa que, por primera vez, los científicos tienen un mapa completo y sin ambigüedades de la identidad genética de cada célula en el embrión de dieciséis células. El modelo funcionó igualmente bien en un conjunto de datos más grande que llegaba hasta la etapa de ciento dos células, identificando correctamente la gran mayoría de las células incluso cuando faltaba parte de los datos.

Más allá de simplemente clasificar las células, el modelo proporcionó una comprensión más profunda de lo que hace que cada célula sea única. Una vez que las células fueron correctamente identificadas, los investigadores pudieron buscar los genes específicos que distinguen a una célula de su gemela. Descubrieron un nuevo conjunto de genes marcadores que estaban activos en solo una de las células hermanas, mientras que estudios anteriores solo habían encontrado marcadores que funcionaban para grupos de células. Por ejemplo, encontraron genes que podían distinguir entre dos células específicas que antes habían sido agrupadas. Estos nuevos marcadores ofrecen un nivel de detalle mucho más fino, permitiendo a los científicos ver el programa genético exacto que se ejecuta en cada célula individual. Este mapa de alta resolución sirve como un nuevo recurso para comprender cómo las células toman decisiones, proporcionando una lista clara de los genes involucrados en cada paso del proceso.

El éxito de este enfoque resalta un cambio fundamental en cómo los científicos ven la identidad celular. Demuestra que la identidad de una célula no está determinada únicamente por los genes que posee, sino también por el contexto físico y químico de su entorno. Al combinar los datos genéticos internos con la realidad externa de quién está tocando a quién, los investigadores pudieron ver a través del ruido que había confundido los análisis previos. El modelo no depende de conjeturas o simulaciones complejas; utiliza las reglas invariantes conocidas del desarrollo del gusano para guiar la interpretación de los datos genéticos. Este método demostró que cuando las células son demasiado similares para distinguirse solo por sus genes, el mapa físico del embrión tiene la clave para desbloquear sus verdaderas identidades.

Las implicaciones de este trabajo se extienden más allá del gusano. Aunque el estudio se centró en C. elegans debido a su linaje perfectamente mapeado, la lógica se aplica a cualquier sistema donde las células sean difíciles de distinguir. En organismos más complejos, como los humanos, las células a menudo existen en entornos concurridos donde sus vecinos influyen en su comportamiento. Si los científicos pueden mapear los contactos físicos entre las células en tejidos o tumores, podrían usar un enfoque similar para clasificar tipos de células que parecen idénticas bajo un microscopio. Los investigadores señalaron que, a medida que las tecnologías para mapear la ubicación de las células mejoren, este tipo de análisis consciente del contexto será cada vez más importante. El estudio sirve como una prueba de concepto de que integrar los datos de interacción física con los datos genéticos puede revelar verdades biológicas que antes estaban ocultas.

Los investigadores también reconocieron los límites de su método. El modelo depende fuertemente de la precisión del mapa de contactos y de la integridad de la base de datos de señales de célula a célula. Si el mapa de quién toca a quién es erróneo, o si falta una vía de señalización crítica en la base de datos, el modelo podría no funcionar tan bien. En el caso del gusano, el mapa de contactos se conoce con extrema precisión debido a décadas de imágenes; sin embargo, en otros organismos, esta información podría ser más difícil de obtener. Además, el modelo actual trata las interacciones como una instantánea estática en el tiempo, en lugar de rastrear cómo cambian a medida que el embrión crece. A pesar de estas limitaciones, el método ya ha entregado un atlas totalmente resuelto del embrión temprano del gusano, un recurso que antes estaba fuera de alcance. Este logro proporciona una base sólida para estudios futuros, permitiendo a los científicos plantear preguntas más precisas sobre cómo las células se comunican y cómo deciden en qué convertirse.