Finding stable clusterings of single-cell RNA-seq data

Cet article propose une méthode de validation de stabilité pour les regroupements de données d'ARN-seq à cellule unique, basée sur une hiérarchie de clustering spectral divisif et l'analyse de sous-échantillons, afin d'identifier des structures cellulaires robustes et cohérentes avec la littérature.

L'essentiel

🧬 Le Grand Tri des Cellules : Comment trouver la vérité dans le bruit ?

Imaginez que vous êtes dans une immense salle de bal remplie de 100 000 personnes (les cellules). Chacune porte un badge avec une liste de mots-clés (les gènes) qu'elle a prononcés ce soir. Votre mission ? Regrouper ces gens par "tribus" (types de cellules) en fonction de ce qu'ils ont dit.

Le problème ? C'est le chaos. Il y a du bruit, des gens qui chuchotent, d'autres qui crient, et parfois, des gens qui se comportent bizarrement juste pour attirer l'attention. Comment savoir si votre regroupement est réel ou si c'est juste une coïncidence due au hasard ?

C'est exactement ce que Victor Klebanoff, l'auteur de ce papier, essaie de résoudre.

1. Le Problème : "Est-ce que mon tri est solide ?"

Dans le passé, les scientifiques faisaient ce tri une seule fois et espéraient que le résultat était juste. Mais imaginez que vous triez une pile de cartes, et que si vous mélangez légèrement les cartes et re-triiez, vous obtenez un résultat totalement différent. Votre tri était-il fiable ? Probablement pas.

L'auteur pose une question simple : "Si j'avais deux fois plus de données, est-ce que mon résultat changerait ?"
Comme on ne peut pas avoir le futur, il fait l'inverse : il prend une grande pile de données, la coupe en deux, et regarde si les deux moitiés donnent le même résultat que le tout.

2. La Méthode : Le Test du "Miroir Brisé"

Pour vérifier la stabilité de son tri, l'auteur utilise une méthode ingénieuse qu'on pourrait appeler le "Test du Miroir Brisé" :

1. Le Grand Tri : Il prend toutes les cellules et les regroupe en plusieurs "tribus" (clusters).
2. La Coupe au Couteau : Il prend ensuite un échantillon aléatoire de la moitié des cellules (comme si on prenait une moitié de la salle de bal).
3. Le Nouveau Tri : Il refait le tri uniquement avec cette moitié.
4. La Comparaison : Il regarde si les gens de la moitié se retrouvent dans les mêmes tribus que dans le tri original.

• Si oui : C'est une bonne nouvelle ! Le regroupement est stable. C'est comme si, peu importe comment vous coupez la tarte, les morceaux de fraise restent toujours ensemble.
• Si non : C'est mauvais signe. Le regroupement est instable. Cela signifie que votre "tribu" n'existe peut-être pas vraiment, ou qu'elle est mélangée avec d'autres.

3. Les Outils : Le Radar et le Filtre

Pour faire ce tri, l'auteur utilise deux outils principaux, que l'on peut comparer à des équipements de sécurité :

• Le Radar des "Extravagants" (Outliers) :
  Parfois, une cellule est bizarre. Elle a des milliers de mots-clés alors que les autres n'en ont que quelques-uns. C'est comme un invité qui crie très fort et qui fausse la perception de la musique pour tout le monde. L'auteur a créé un radar pour repérer ces "extravagants" et les mettre de côté avant de commencer le tri, pour ne pas qu'ils faussent les résultats.

• L'Arbre de Décision (Clustering Hiérarchique) :
  Au lieu de faire un seul gros tri, il construit un arbre généalogique.

  • D'abord, il sépare tout le monde en deux grandes familles.
  • Ensuite, il sépare chaque famille en deux sous-familles.
  • Il continue ainsi jusqu'à avoir des groupes très précis.
    Cela lui permet de voir à quel niveau de détail le tri reste stable. Parfois, on peut distinguer 10 tribus, mais si on essaie d'en faire 20, le tri devient chaotique. L'auteur cherche le "point de rupture" où le tri devient instable.

4. Les Résultats : Ce qui a fonctionné (et ce qui a échoué)

L'auteur a testé sa méthode sur plusieurs "salle de bal" réelles (des données de patients) :

• Le succès (Les yeux et les poumons) : Sur des données de rétine (yeux) et de poumons, sa méthode a trouvé des regroupements très stables qui correspondaient parfaitement à ce que les autres scientifiques avaient déjà découvert. C'est comme si son miroir brisé reflétait exactement la même image que le miroir entier.
• La difficulté (Le cancer du sein) : Sur des données de cancer du sein, c'était beaucoup plus difficile. Les cellules étaient si mélangées et les "extravagants" si nombreux que même avec son filtre, il n'arrivait pas à trouver de groupes stables. Cela suggère que dans ce cas précis, la nature est très complexe et que nos méthodes actuelles ont du mal à tout démêler.
• Le piège des cellules "ennuyeuses" : Sur un échantillon de cellules qui étaient toutes identiques (des monocytes), sa méthode a bien fonctionné pour dire : "Hé, il n'y a rien à trier ici, tout le monde est pareil !" C'est une victoire : savoir qu'il n'y a pas de structure est aussi important que d'en trouver une.

5. La Conclusion : La Répétabilité est la Reine

Le message principal de ce papier est simple mais puissant : En science, si vous ne pouvez pas reproduire votre résultat en changeant légèrement les données, ce résultat n'est probablement pas fiable.

L'auteur nous dit : "Ne vous contentez pas d'un seul tri. Vérifiez-le, testez-le, coupez-le en deux. Si le résultat tient la route, alors vous avez peut-être trouvé une vérité biologique réelle."

C'est une invitation à être plus rigoureux, à nettoyer nos données des "bruits" et à ne pas accepter n'importe quel regroupement comme une vérité absolue. C'est comme vérifier que votre boussole pointe toujours vers le Nord, même si vous la secouez un peu.

Résumé technique

1. Problématique

Le séquençage de l'ARN de cellule unique (scRNA-seq) basé sur les comptes UMI (Unique Molecular Identifiers) est largement utilisé pour identifier des types cellulaires via des algorithmes de regroupement (clustering). Cependant, il n'existe pas de consensus sur la manière de déterminer quels regroupements sont stables et reproductibles.

La question centrale est la suivante : si l'on disposait de données pour deux fois plus de cellules, les résultats du regroupement changeraient-ils ? L'article propose une approche inverse pour répondre à cette question : au lieu de simuler l'ajout de données, on évalue si un regroupement réalisé sur un sous-échantillon aléatoire (par exemple, la moitié des cellules) est cohérent avec le regroupement réalisé sur l'ensemble des données (restreint à ce sous-échantillon). Si les résultats sont cohérents sur plusieurs échantillons, le regroupement est considéré comme stable.

2. Méthodologie

L'auteur propose un pipeline complet intégrant le prétraitement, la réduction de dimension, le regroupement hiérarchique et l'évaluation de la stabilité.

A. Prétraitement et Filtrage

• Filtrage initial : Sélection des gènes avec des comptes non nuls sur au moins 50 cellules. Élimination des cellules avec une forte contribution de l'ADN mitochondrial (pour certains jeux de données).
• Calcul des résidus de Pearson : Utilisation d'un modèle de Poisson pour calculer la variabilité des gènes. La variabilité est mesurée par la somme des carrés (SSQ) des résidus de Pearson.
• Sélection des gènes d'analyse : Seuls les gènes les plus variables (top 2 000) sont retenus, et ce, à la fois pour l'ensemble complet et pour chaque échantillon individuel.
• Représentation Euclidienne : Décomposition en valeurs singulières (SVD) de la matrice des résidus de Pearson pour obtenir une représentation en espace euclidien de rang réduit (le rang est estimé par l'algorithme optht).

B. Détection et Exclusion des Outliers

• Outliers Euclidiens : Calcul des distances entre les points dans l'espace euclidien. Les cellules dont la distance à leurs $k$-voisins les plus proches (kNN) est anormalement élevée (définie comme moyenne + 3 écarts-types) sont exclues.
• Outliers de comptage (Itératif) : Une procédure itérative (3 itérations) est proposée pour éliminer les cellules et les gènes qui faussent la variabilité (mesurée par le SSQ). Une cellule est considérée comme un outlier si elle contribue de manière disproportionnée au SSQ d'un gène dans un échantillon mais pas dans son complément.

C. Algorithme de Regroupement (Clustering)

• Approche : Clustering spectral hiérarchique divisif.
• Affinité : Contrairement à l'utilisation d'une fonction gaussienne, l'affinité entre deux points est définie comme l'inverse de la distance euclidienne, mais uniquement pour les $k$-voisins les plus proches (graphique kNN).
• Construction de l'arbre : L'algorithme de Ng, Jordan et Weiss est utilisé pour diviser récursivement les ensembles de points en deux clusters.
• Mesure de séparation : Le "Normalized Cut" (coup normalisé) est utilisé pour mesurer la séparation entre les clusters filles. La longueur des branches de l'arbre est définie par cette valeur.
• Mapping : L'arbre hiérarchique est converti en une série de regroupements imbriqués (de 2 clusters jusqu'à $N$ clusters) en descendant l'arbre selon la distance des nœuds à la racine.

D. Évaluation de la Stabilité

• Échantillonnage : 20 paires d'échantillons complémentaires (40 échantillons au total) sont générées aléatoirement à partir des données complètes.
• Métriques :
  • MED (Misclassification Error Distance) : Distance entre le regroupement de l'échantillon et le regroupement complet restreint à cet échantillon. Normalisé par rapport à un regroupement aléatoire.
  • CMER (Cluster Misclassification Error Rate) : Taux d'erreur de classification pour chaque cluster individuel.
• Critères de stabilité :
  • Un regroupement est stable si le 90e percentile du MED normalisé est $\le 0,10$.
  • Un cluster est stable si le 90e percentile du CMER normalisé est $\le 0,50$.
  • Un regroupement est admissible pour l'analyse si les clusters instables contiennent moins de 500 cellules.

3. Résultats Principaux

L'étude a été appliquée à sept jeux de données publics (Zhengmix4eq/8eq, 68k PBMC, CD14 Monocytes, 25k Rétine, 65k Poumon, 100k Cancer du sein).

• Zhengmix4eq : Le regroupement à 4 clusters correspond parfaitement aux étiquettes de vérité terrain (ground truth) et est extrêmement stable.
• Zhengmix8eq : Le regroupement à 7 ou 8 clusters est stable, mais la séparation des sous-types de lymphocytes T reste difficile (cohérent avec la littérature).
• CD14 Monocytes : Aucun regroupement stable n'a été trouvé, ce qui suggère que les données sont homogènes (une seule population cellulaire).
• 68k PBMC :
  • Un regroupement à 12 clusters (itération 1) est admissible et stable, bien que deux petits clusters soient instables.
  • Un regroupement à 9 clusters (itération 3) présente une instabilité majeure (certains clusters fusionnent ou se divisent aléatoirement), illustrant le risque de choisir un nombre de clusters arbitraire sans vérification de stabilité.
• 25k Rétine : Un regroupement à 11 clusters est admissible. Il correspond bien aux clusters publiés, bien que certains clusters publiés (bâtons et cônes) soient divisés en plusieurs clusters stables, suggérant une hétérogénéité biologique réelle.
• 65k Poumon :
  • Un regroupement à 16 clusters est exceptionnellement stable (MED médian très faible), avec 10 clusters extrêmement stables.
  • Un regroupement à 19 clusters est admissible mais contient des clusters totalement instables.
  • Les résultats montrent une forte concordance avec les 56 types cellulaires rapportés (ARI = 0,81 pour le regroupement à 16 clusters).
• 100k Cancer du sein : Aucun regroupement stable n'a été trouvé selon les critères stricts (le MED minimal est > 0,10). Le regroupement à 9 clusters (le "meilleur" trouvé) contient des clusters très instables et ne sépare pas clairement les cellules épithéliales normales des cancéreuses, malgré une concordance partielle avec les sous-types publiés. Cela met en évidence la complexité et l'hétérogénéité de ces données.

4. Contributions Clés

1. Cadre d'évaluation de la stabilité : Proposition d'une méthodologie rigoureuse basée sur la reproductibilité des regroupements sur des sous-échantillons aléatoires, utilisant le MED et le CMER normalisés.
2. Pipeline de prétraitement robuste : Intégration de l'exclusion itérative des outliers (cellules et gènes) basée sur leur contribution à la variabilité des résidus de Pearson, améliorant la qualité des données d'entrée.
3. Algorithme de regroupement hiérarchique : Utilisation d'un clustering spectral divisif avec une affinité basée sur l'inverse de la distance kNN, permettant de générer une hiérarchie naturelle de regroupements.
4. Analyse comparative : Démonstration que certains regroupements publiés (notamment dans les données de cancer du sein) peuvent ne pas être stables, tandis que d'autres (poumon, rétine) révèlent des structures biologiques robustes.

5. Signification et Conclusion

Ce travail souligne que la stabilité d'un regroupement est une condition préalable essentielle à son interprétation biologique. L'auteur démontre que :

• La stabilité varie considérablement selon les jeux de données et le nombre de clusters choisi.
• Des clusters instables peuvent masquer ou déformer la structure biologique réelle.
• L'approche proposée permet de filtrer les résultats non fiables et de guider le choix du nombre optimal de clusters.
• Les résultats pour les données de cancer du sein suggèrent que certaines structures biologiques complexes peuvent être intrinsèquement difficiles à capturer de manière stable avec les méthodes actuelles, ou qu'un prétraitement plus fin est nécessaire.

En conclusion, l'article fournit un outil pratique pour valider la reproductibilité des analyses de scRNA-seq, encourageant les chercheurs à ne pas se fier uniquement à des métriques internes de clustering, mais à tester la robustesse des résultats face à la variation d'échantillonnage.