HR-VILAGE-3K3M: A Human Respiratory Viral Immunization Longitudinal Gene Expression Dataset for Systems Immunity

Sintesi Tecnica: HR-VILAGE-3K3M

Definizione del Problema
Le infezioni virali respiratorie rappresentano un carico significativo per la salute globale, eppure i meccanismi immunitari cellulari che sottendono alla protezione e alla patologia rimangono in gran parte incompresi. Mentre le coorti di infezione naturale forniscono dati del mondo reale, esse spesso mancano di linee di base pre-esposizione e di una tempistica controllata. Al contrario, gli studi di inoculazione umana e di sperimentazione vaccinale generano dati trascrittomici longitudinali ben strutturati; tuttavia, questi dataset sono attualmente dispersi in vari repository pubblici (ad es., GEO, ImmPort, ArrayExpress) e vengono elaborati in modo incoerente.

Le barriere principali all'analisi integrativa e guidata dall'IA includono:

• Prontezza dei Dati: I repository pubblici ospitano dati con diversi livelli di elaborazione (grezzi, parzialmente elaborati, normalizzati), spesso generati da pipeline specifiche per studio, il che porta a severi effetti batch (batch effects).
• Frammentazione dei Metadati: I dati fenotipici critici (stato di infezione, sintomi, titoli anticorpali) sono spesso frammentati in file supplementari o in repository differenti, con ID di campione frequentemente non corrispondenti tra i file di espressione e quelli dei metadati.
• Incoerenze Tecniche: I dati sono profilati su piattaforme diverse (microarray, bulk RNA-seq, scRNA-seq) utilizzando simboli genici e identificatori incoerenti.
• Lacune nel Controllo Qualità: Molti dataset mancano di una rigorosa valutazione della pre-elaborazione, contenendo artefatti tecnici (ad es., valori negativi, livelli di espressione discreti) o campioni duplicati dello stesso soggetto depositati sotto studi differenti.

Metodologia
Gli autori hanno sviluppato HR-VILAGE-3K3M (Human Respiratory Viral Immunization LongitudinAl Gene Expression), un repository di benchmark curato che integra dati da 66 studi coinvolgendo 3.178 soggetti. Il flusso di lavoro di costruzione ha previsto:

1. Raccolta dei Dati: Aggregazione di profili di espressione genica, metadati e dati anticorpali grezzi da GEO, ImmPort e ArrayExpress. Ciò ha incluso un contatto mirato con gli autori degli studi per recuperare i titoli anticorpali mancanti a livello di soggetto.
2. Pre-elaborazione Standardizzata:
   • Dati Bulk: I dati microarray (Affymetrix e Illumina) sono stati elaborati tramite normalizzazione RMA, mappatura probe-gene, Normalizzazione Quantile (QN) e trasformazione log2. I dati RNA-seq sono stati mappati sui simboli genici HGNC, con conteggi grezzi forniti o generati da file FASTQ tramite allineamento e quantificazione.
   • Dati Single-Cell: I dati in vari formati (h5ad, matrice 10x) sono stati integrati in oggetti Python AnnData, filtrati (rimozione di geni espressi in <10 cellule) e normalizzati (normalizzazione del conteggio totale a 10.000, trasformazione log1p).
3. Armonizzazione e QC:
   • Standardizzazione dei Simboli Genici: Tutti i simboli sono stati allineati alla nomenclatura ufficiale HGNC utilizzando il pacchetto HGNChelper per correggere errori di formattazione indotti da Excel.
   • Rimozione dei Duplicati: I campioni duplicati dagli stessi soggetti attraverso gli studi sono stati identificati tramite la correlazione di Spearman dei profili di espressione e rimossi, mantenendo la versione con la copertura temporale più completa.
   • Unificazione dei Metadati: Gli ID di campione sono stati allineati con le matrici di espressione e gli identificatori a livello di soggetto sono stati standardizzati per collegare le misurazioni anticorpali tra gli studi.
   • Definizione degli Esiti: Lo stato di infezione e di sintomatologia sono stati standardizzati. Per i vaccini influenzali, lo stato di risposta è stato definito dai titoli di inibizione dell'emoagglutinazione (HAI) (Alta risposta: MFC ≥4, Giorno 28 ≥40; Non-responder: MFC ≤1).
4. Analisi di Benchmark: Gli autori hanno validato il dataset attraverso tre analisi:
   • Predizione di Tratti Biologici: Predizione di sesso e età utilizzando trascrittomi di sangue intero basali per valutare la qualità dei dati e la coerenza della piattaforma.
   • Predizione degli Esiti: Predizione dello stato di risposta anticorpale negli studi sul vaccino influenzale utilizzando dati bulk longitudinali, confrontando i metodi di correzione del batch (QN, ComBat, Regressione) e le strategie di modellazione (PCA-GEE, RNN, LSTM, GRU, Transformer).
   • Annotazione del Tipo Cellulare: Confronto delle proporzioni di cellule immunitarie derivate da dati accoppiati bulk e single-cell del vaccino SARS-CoV-2 utilizzando xCell e strumenti di annotazione automatica (SingleR, GPTCelltype).

Risultati Chiave

• Composizione del Dataset: HR-VILAGE-3K3M contiene 14.136 profili di espressione da 3.178 partecipanti. Include 15 studi di inoculazione (5 virus: H3N2, H1N1, HRV, RSV, SARS-CoV-2), 47 studi di vaccinazione (Influenza, COVID-19) e 4 studi di esposizione mista. Le piattaforme includono microarray (52%), RNA-seq (38%) e 10x Genomics scRNA-seq (11%).
• Validazione del Controllo Qualità:
  • Predizione del Sesso: I classificatori basati sui marcatori del cromosoma Y hanno raggiunto una discriminazione quasi perfetta (ROC-AUC: 0,989 per microarray, 0,991 per RNA-seq), confermando l'accuratezza dell'etichettatura dei campioni.
  • Predizione dell'Età: I modelli hanno ottenuto prestazioni predittive elevate ($R^2 \approx 0,83$ per microarray, $0,71$ per RNA-seq utilizzando la regressione Ridge), dimostrando che i trascrittomi basali codificano una sostanziale variazione legata all'età.
• Effetto Batch e Modellazione Predittiva:
  • Correzione del Batch: La Normalizzazione Quantile (QN) ha preservato meglio il segnale biologico (separazione dello stato di responder) rispetto a ComBat, che ha sovra-corretto riducendo la separazione degli esiti.
  • Performance di Predizione: Il modello Transformer con correzione QN ha ottenuto le prestazioni più elevate nella predizione dei responder anticorpali (AUC: 0,737, Accuratezza: 0,663), superando le reti neurali ricorrenti (RNN, LSTM, GRU) e altri metodi di correzione.
• Coerenza Multi-Modale: L'analisi dei dati accoppiati bulk e single-cell dalla vaccinazione SARS-CoV-2 ha mostrato tendenze temporali coerenti (ad es., aumento delle cellule B, diminuzione di Monociti/NK dal Giorno 1 al Giorno 7) tra le proporzioni scRNA-seq e i punteggi di arricchimento xCell del bulk.

Significatività e Rivendicazioni
Il documento posiziona HR-VILAGE-3K3M come una risorsa fondamentale per l'immunologia dei sistemi e la ricerca guidata dall'IA. I suoi principali contributi sono:

1. Accessibilità: Trasforma dati pubblici frammentati, grezzi e incoerenti in una risorsa armonizzata e pronta all'uso, bypassando le fasi laboriose di scoperta, pulizia e integrazione dei dati.
2. Benchmarking: Funge da rigoroso benchmark per lo sviluppo e la valutazione di metodologie computazionali, inclusa la correzione dell'effetto batch, l'imputazione dell'espressione genica, la predizione tramite deep learning e la deconioluzione di dati bulk utilizzando riferimenti single-cell.
3. Abilitazione dell'IA: La scala e l'eterogeneità del dataset supportano il pre-addestramento di modelli di fondazione (foundation models) per catturare dinamiche immunitarie complesse, facilitando il transfer learning per dataset più piccoli o con scarsa potenza statistica.
4. Utilità Scientifica: La risorsa consente la scoperta di biomarcatori precoci, l'identificazione di geni causali e lo studio delle dinamiche temporali immunitarie attraverso diversi patogeni e tipi di esposizione (vaccinazione vs. inoculazione).

Gli autori sottolineano che il dataset è pubblicamente disponibile su Hugging Face con il codice di analisi su GitHub, progettato per accelerare la ricerca riproducibile e scalabile nello sviluppo di vaccini e antivirali.