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

Résumé technique de pysigscore : scoring de signatures géniques à travers la transcriptomique bulk et single-cell

Énoncé du problème
La transcriptomique à haut débit a établi les signatures géniques comme des outils centraux pour l'interprétation des données d'expression génique dans le diagnostic, le pronostic et la caractérisation de la fonction biologique. Cependant, quantifier l'activité d'une signature et évaluer sa robustesse reste un défi. Les méthodes de scoring existantes reposent sur des hypothèses variables concernant les distributions de fond, la robustesse et les fondements statistiques (par exemple, des résumés simples, des statistiques Z ou des approches basées sur le rang). Par conséquent, aucune approche de scoring unique n'est universellement optimale pour tous les jeux de données ou toutes les questions biologiques. Il existe un besoin distinct pour un cadre unifié permettant aux chercheurs de calculer, comparer et évaluer la performance de multiples méthodes de scoring tout en évaluant leur signification statistique et leur fiabilité.

Méthodologie
Les auteurs présentent pysigscore, un framework Python conçu pour le scoring de jeux de gènes dans les données de l'ARN-seq bulk et single-cell (scRNA-seq). Le framework est coordonné par un objet Scorer() qui gère un flux de travail unifié comprenant le prétraitement des données, le calcul des scores, l'évaluation de la fiabilité et la visualisation.

• Entrée et prétraitement : Le système accepte des matrices d'expression (sous forme de DataFrames ou d'objets AnnData) et des jeux de gènes (sous forme de dictionnaires ou de matrices binaires). Il supporte un prétraitement étendu, incluant la transformation logarithmique, la standardisation, la mise à l'échelle min-max, le lissage par k-plus proches voisins (k-NN) et les transformations par paliers ou par quantiles.
• Moteur de scoring : La fonctionnalité centrale est pilotée par la fonction compute_scores(), qui génère une matrice de scores où les lignes représentent les échantillons/cellules et les colonnes représentent les jeux de gènes. Le framework implémente 18 méthodes de scoring intégrées organisées en trois familles :
  1. Statistiques directes (14 méthodes) : Comprend la Somme (Sum), la Somme pondérée (WeightedSum), la Moyenne (Mean), la Médiane (Median), le Mode (Mode) et des statistiques robustes comme l'IQR, la MAD et l'AAD. Celles-ci calculent des résumés scalaires directement à partir des valeurs d'expression des gènes de la signature.
  2. Z-score (1 méthode) : Standardise la moyenne de l'expression d'un jeu de gènes par rapport au profil d'expression complet de l'échantillon.
  3. Méthodes basées sur le rang (3 méthodes) : Inclut AUCell, ssGSEA et GSVA, qui évaluent l'enrichissement des gènes de la signature parmi les gènes les mieux classés au sein d'un échantillon.
• Personnalisation : Une caractéristique clé est le Custom Scorer, qui permet aux utilisateurs de définir de nouvelles fonctions de scoring via du code Python sans modifier la source de la bibliothèque. Ces fonctions doivent accepter le vecteur d'expression des gènes de la signature et le vecteur d'expression complet de l'échantillon.
• Fiabilité et Signification :
  • Estimation de la p-valeur : Pour les méthodes directes, la signification est estimée via des tests de permutation utilisant des jeux de gènes aléatoires de taille identique pour générer une distribution nulle, en appliquant une correction de plus-un. Les Z-scores utilisent des p-valeurs bilatérales analytiques issues de la distribution normale standard. Les méthodes basées sur le rang utilisent des procédures empiriques ou des implémentations backend.
  • Expériences Leave-One-Out (LOO) : La robustesse est évaluée en recomputant les scores après avoir retiré de manière itérative chaque gène d'une signature. Les écarts sont quantifiés à l'aide de l'erreur absolue moyenne (MAE), de l'erreur quadratique moyenne (MSE) ou de l'erreur de pourcentage absolue moyenne (MAPE) pour identifier la dépendance vis-à-vis de gènes "hubs" spécifiques.

Principales contributions
L'article revendique cinq contributions primaires qui étendent les travaux précédents (tels que le package R sigscores et sigQC) :

1. Intégration des méthodes scRNA-seq : Il incorpore de nouvelles approches spécifiquement développées pour la transcriptomique single-cell, augmentant le nombre de méthodes intégrées à 18.
2. Personnalisation unifiée : Il fournit un custom scorer intégré et flexible, permettant aux utilisateurs d'implémenter, de tester et de comparer directement leurs propres fonctions de scoring par rapport aux approches existantes au sein d'une seule et même bibliothèque.
3. Analyse de la contribution par gène : Il facilite l'évaluation des contributions individuelles des gènes à l'activité de la signature grâce à des expériences LOO.
4. Scalabilité : Le framework est optimisé pour traiter efficacement de grands jeux de données transcriptomiques.
5. Interopérabilité : Il est directement compatible avec les principaux frameworks d'analyse de l'ARN-seq (ex: AnnData), assurant une intégration fluide dans les pipelines existants.

Résultats
Les auteurs ont validé pysigscore en utilisant les jeux de données CCLE, TCGA et PBMC. La validation a démontré la capacité du framework à récupérer les enrichissements biologiques attendus, spécifiquement dans les signatures liées au foie, l'hypoxie, l'inflammation et le cycle cellulaire. Les résultats confirment que le framework peut traiter avec succès divers types de données et produire des scores cohérents et interprétables à travers différents contextes expérimentaux.

Signification
L'article positionne pysigscore non pas simplement comme un outil de calcul, mais comme un framework reproductible pour la comparaison méthodologique. En permettant aux utilisateurs de calculer, comparer et évaluer la robustesse de différentes méthodes de scoring simultanément, il répond à la limitation selon laquelle aucune approche unique n'est optimale pour tous les contextes. L'outil permet aux chercheurs de dépasser la simple sélection a priori d'une "meilleure" méthode, en favorissant plutôt des décisions fondées sur les données concernant la stratégie de scoring la plus adaptée à des questions biologiques et des caractéristiques de jeux de données spécifiques.