scLodestar: Scalable probabilistic clustering of single  cells in a continuous probability space

Resumen Técnico de scLodestar

Planteamiento del Problema
El análisis convencional de secuenciación de ARN de célula única (scRNA-seq) depende de algoritmos de agrupamiento "duro" (p. ej., Leiden, Louvain) que asignan cada célula a un único grupo o clúster discreto. Los autores argumentan que este paradigma impone una discreción artificial a la realidad biológica, donde las células a menudo existen en trayectorias de diferenciación continuas, co-expresan marcadores de múltiples linajes y ocupan estados transicionales. El agrupamiento duro oscurece esta heterogeneidad, fuerza decisiones de frontera arbitrarias y no proporciona una cuantificación de la incertidumbre con principios sólidos. Además, las alternativas existentes —como el agrupamiento suave, la inferencia de trayectorias o los modelos generativos profundos— suelen carecer de escalabilidad para conjuntos de datos del tamaño de un atlas, fallan en proporcionar membresías interpretables o requieren conocimiento previo de la direccionalidad.

Metodología
scLodestar (Clustering de Cadenas de Markov de Teletransportación Basado en Hitos de Célula Única) propone un marco donde cada célula se representa no como una etiqueta discreta, sino como una distribución de probabilidad sobre un conjunto de $L$ estados "hito" (landmarks) dentro de un simplex de probabilidad $\Delta_{L-1}$. El flujo de trabajo consta de tres etapas principales:

1. Construcción del Grafo: Se construye un grafo de vecinos más cercanos compartidos (SNN) a partir de las incrustaciones (embeddings) de las células (típicamente coordenadas de PCA). Los pesos de las aristas se determinan mediante la similitud de Jaccard de los conjuntos de vecinos, seguidos de una poda opcional y una renormalización anisotrópica para manejar la heterogeneidad de la densidad.
2. Selección de Hitos Sensible a la Densidad: Se seleccionan células representativas (hitos) mediante el agrupamiento k-medoids. Para asegurar que las regiones de baja densidad estén representadas, el método emplea un sobremuestreo sensible a la densidad, ponderando más alto a las células de baja densidad durante el proceso de selección. Los autores introducen un algoritmo personalizado OneBatchPAM para acelerar este paso.
3. Proyección mediante Caminata Aleatoria con Reinicio (RWR): Las células se proyectan en el simplex de probabilidad utilizando PageRank personalizado. Un caminante aleatorio comienza en un hito y, con una probabilidad $\alpha$, se teletransporta de regreso a ese hito, o con una probabilidad $1-\alpha$, transiciona a un vecino basado en los pesos de SNN. La distribución estacionaria de esta caminata para cada hito define las probabilidades de membresía para todas las células. Esto se resuelve mediante iteración de potencia sobre una matriz dispersa.

Contribuciones Técnicas Clave

• Representación Probabilística: En lugar de etiquetas discretas, scLodestar genera un vector de membresía $m_i \in \Delta_{L-1}$ para cada célula. Esto permite:
  • Cuantificación de la Incertidumbre: La incertidumbre de la asignación se mide mediante la entropía ($H_i$) y el margen de probabilidad ($\Delta_i$), identificando células transicionales o ambiguas.
  • Identificación de Marcadores Continuos: Los genes se identifican correlacionando su expresión con vectores de membresía continuos en lugar de grupos discretos, capturando cambios de expresión graduales.
  • Imputación Fiel: La expresión génica se imputa como un promedio ponderado por Dirichlet de los perfiles de expresión de los hitos. Esto evita la "alucinación" (asignar patrones de expresión a células con afinidad cero por un estado).
• Escalabilidad mediante Kernels Personalizados: Para abordar el costo computacional de los métodos probabilísticos en grandes conjuntos de datos, los autores implementaron dos kernels de alto rendimiento en C/Cython:
  • OneBatchPAM: Acelera la selección de hitos 400 veces en comparación con el k-medoids estándar (BanditPAM) utilizando computaciones de distancia por lotes y terminación temprana.
  • RWR Optimizado para CSR Disperso: Acelera el cálculo de la caminata aleatoria 100 veces en comparación con las implementaciones de NetworkX mediante el aprovechamiento de operaciones de matriz de fila dispersa comprimida (CSR).
• Corrección de Lote en el Espacio de Probabilidad: El método integra datos de múltiples muestras alineando las distribuciones de probabilidad en el simplex en lugar del espacio de expresión bruta, aprovechando la normalización inherente de los vectores de probabilidad para reducir la sensibilidad a la variación técnica.

Resultados
Los autores validaron scLodestar a través de cuatro conjuntos de datos diversos:

1. Médula Ósea Humana (17k células): El método identificó 26 clústeres de hitos y reveló poblaciones transicionales con alta entropía que estaban oscurecidas por el agrupamiento duro. Permitió visualizaciones de color mezclado de continuos celulares y detección de marcadores basada en correlación.
2. PBMCs de 10x Genomics (3k células): Demostró la selección de células basada en la confianza (filtrado de células ambiguas) e imputación de genes fiel. Para marcadores como Ptprc y Reln, la imputación eliminó el ruido de fondo sin introducir señales espurias en poblaciones negativas.
3. Mesodermo Embrionario de Ratón (3 millones de células): El pipeline procesó 3 millones de células en aproximadamente cinco minutos. Logró una alta pureza (0.78) y homogeneidad (0.68) frente a las anotaciones de los autores, capturando con éxito trayectorias de desarrollo complejas y subtipos (p. ej., subtipos de condrocitos).
4. Enfermedad Renal Diabética (14 donantes): En un benchmark de corrección de lote contra Harmony, scLodestar logró una mezcla de lotes superior (puntuaciones iLISI y KBET más altas) manteniendo métricas de conservación biológica competitivas.

Significancia y Reivindicaciones
El artículo afirma que scLodestar proporciona un marco unificado que cierra la brecha entre la sutileza biológica y la escalabilidad computacional. Al representar la identidad celular como una distribución de probabilidad completa, resuelve la tensión entre la naturaleza continua de la diferenciación y los requisitos discretos de los flujos de trabajo de análisis estándar.

Los autores enfatizan que su enfoque:

• Revela la Biología Oculta: Descubre poblaciones transicionales y cambios graduales de expresión invisibles para el agrupamiento duro.
• Garantiza la Fidelidad: Evita los artefactos de "alucinación" comunes en los métodos de imputación agresivos al anclar el de-noising en la membresía probabilística.
• Escala al Tamaño de un Atlas: A través del co-diseño algorítmico (OneBatchPAM y CSR-RWR), hace que el agrupamiento probabilístico sea factible para conjuntos de datos que contienen millones de células, procesando 3 millones de células en cinco minutos.
• Ofrece un Nuevo Paradigma de Integración: Sugiere que alinear las células en el espacio de probabilidad es una alternativa viable y a menudo superior para la alineación en el espacio de expresión para eliminar efectos de lote.

Los autores concluyen que este paradigma probabilístico desplaza el campo hacia análisis conscientes de la incertidumbre, permitiendo representaciones más fieles de la identidad celular a medida que continúa escalando hacia conjuntos de datos de nivel de atlas.