2,234 attempts to harmonize a multi-platform B-cell lymphoma bulk transcriptomic dataset: ComBat is superior by cross-batch prediction quality

En el mundo de la medicina moderna, los científicos suelen intentar comprender las enfermedades leyendo las instrucciones genéticas dentro de las células. Estas instrucciones, conocidas como expresión génica, actúan como un libro de registro detallado de lo que una célula está haciendo en un momento específico. Cuando los investigadores estudian condiciones como el linfoma, un tipo de cáncer de la sangre, esperan encontrar patrones en estos registros que predigan cómo responderá un paciente al tratamiento o cuánto tiempo podría sobrevivir. Sin embargo, un obstáculo importante se interpone en el camino de estos descubrimientos: los datos suelen ser inconsistentes. Los registros de expresión génica son escritos por diferentes máquinas, utilizando diferentes recetas químicas y almacenados de diferentes maneras en laboratorios de todo el mundo. Tal como una lectura de temperatura tomada con un termómetro de mercurio en un país podría no coincidir con una lectura digital en otro, los registros génicos de diferentes fuentes a menudo no se parecen en nada, incluso cuando describen la misma realidad biológica. Esta inconsistencia, llamada efecto de lote (batch effect), puede ocultar las señales sutiles de la enfermedad o crear señales falsas, haciendo que sea casi imposible combinar datos de diferentes estudios para encontrar respuestas fiables.

Para resolver esto, los científicos han desarrollado herramientas matemáticas diseñadas para suavizar estas diferencias, un proceso llamado armonización. El objetivo es hacer que los datos de diferentes fuentes parezcan como si todos hubieran sido generados en el mismo laboratorio, sin borrar las verdaderas diferencias biológicas entre células sanas y enfermas. Pero hay un inconveniente: no existe una única forma acordada de medir si estas herramientas están funcionando bien. Algunos científicos observan qué tan bien se agrupan los puntos de datos en un mapa, mientras que otros comprueban si un programa informático aún puede identificar correctamente el tipo de cáncer después de que los datos hayan sido ajustados. Debido a que estas diferentes formas de medir el éxito a menudo apuntan a soluciones distintas, los investigadores se han quedado adivinando en qué herramienta confiar. Un nuevo estudio realizado por Daniil Nikitin y Arsen Arakelyan aborda esta confusión al probar miles de formas diferentes de armonizar datos, revelando que la "mejor" herramienta depende enteramente de lo que se esté intentando medir, y que los métodos más populares podrían no ser los más fiables para predecir los resultados de los pacientes.

Los investigadores comenzaron con una colección masiva de datos genéticos de más de 7.000 pacientes con linfoma de células B, recopilados de 88 grupos de investigación diferentes. Este conjunto de datos era un mosaico de muestras procesadas por diversas tecnologías, creando un complejo rompecabezas de ruido técnico. Tomaron 2.234 combinaciones diferentes de métodos matemáticos para limpiar estos datos. Cada combinación representaba una estrategia única: algunas intentaban eliminar el ruido técnico de forma suave, mientras que otras remodelaban agresivamente los datos para forzarlos a un patrón uniforme. El equipo evaluó entonces cada uno de estos 2.234 intentos utilizando una amplia variedad de pruebas. No utilizaron una sola regla; utilizaron cinco categorías diferentes de medición. Algunas pruebas comprobaban si los datos se veían suaves y uniformes, otras comprobaban si los grupos biológicos permanecían distintos, y un tercer conjunto de pruebas intentaba predecir el tipo de linfoma en un lote de muestras que el ordenador nunca había visto antes, simulando una prueba clínica del mundo real.

Los resultados fueron sorprendentes y revelaron un profundo conflicto entre las diferentes formas de juzgar el éxito. Cuando los investigadores observaron los métodos que remodelaban agresivamente los datos para hacer que todos los lotes parecieran idénticos, estos métodos puntuaron muy alto en las pruebas que medían qué tan bien se mezclaban los puntos de datos. Sin embargo, estos mismos métodos agresivos fallaron estrepitosamente cuando se probaron en su capacidad para preservar las verdaderas señales biológicas. Esencialmente, suavizaron las mismas diferencias que los médicos necesitan ver. Por el contrario, los métodos que realizaban cambios muy pequeños y suaves en los datos preservaban perfectamente las señales biológicas, pero fallaban al intentar mezclar los lotes, dejando el ruido técnico aún visible. El estudio encontró que ningún método era el héroe perfecto. En cambio, las herramientas que funcionaban mejor para un tipo de prueba a menudo funcionaban mal en otra. Por ejemplo, los métodos que eran excelentes para hacer que los datos parecieran uniformes eran terribles para predecir qué pacientes tenían qué tipo de cáncer.

El hallazgo más crítico surgió cuando los investigadores se centraron en la capacidad de predecir subtipos de la enfermedad en datos nuevos y no vistos. Esta es la prueba definitiva para cualquier herramienta médica: si se entrena a un ordenador con datos de un conjunto de hospitales, ¿puede diagnosticar correctamente a pacientes de un hospital completamente diferente? En esta prueba específica, una familia de herramientas conocida como ComBat superó consistentemente a todas las demás. Estos métodos lograron eliminar el ruido técnico manteniendo intactas las señales biológicas, permitiendo que el ordenador realizara predicciones precisas. En contraste, algunos métodos que anteriormente fueron celebrados en otros estudios por su capacidad para mezclar los puntos de datos resultaron ser perjudiciales. Distorsionaron la información genética de tal manera que destruyeron la capacidad de distinguir entre diferentes tipos de linfoma. El estudio también mostró que los métodos más populares seleccionados por inspección visual o por mapas de agrupamiento simples a menudo fallaban en ser los mejores en estas pruebas predictivas, sugiriendo que lo que se ve bien en un gráfico no siempre se traduce en utilidad en el mundo real.

Los investigadores concluyeron que no existe una forma universal "mejor" de armonizar los datos genéticos. La elección del método depende enteramente del objetivo. Si el objetivo es simplemente hacer que los datos parezcan uniformes, los métodos agresivos podrían funcionar, pero corren el riesgo de destruir la verdad biológica. Si el objetivo es construir un modelo que pueda predecir la enfermedad en nuevos pacientes, los métodos suaves y específicos como ComBat son muy superiores. El estudio propone un nuevo marco de seis pasos para la investigación futura. Este marco sugiere que los científicos no deben confiar en una sola prueba para juzgar sus datos. En su lugar, deben comprobar múltiples aspectos: ¿siguen los datos pareciéndose a la biología original? ¿Concuerdan los diferentes lotes entre sí? Y lo más importante, ¿pueden los datos limpios seguir prediciendo la enfermedad con precisión? Al utilizar este enfoque de múltiples capas, los investigadores pueden evitar la trampa de elegir una herramienta que se ve bien en el papel pero que falla en la clínica, asegurando que los conocimientos genéticos que descubren sean reales y fiables.