Poisson process factorization for mutational signature analysis with genomic covariates

1. Il Problema

L'analisi delle firme mutazionali (mutational signatures) è fondamentale per comprendere i processi biologici che alterano il DNA nelle cellule tumorali (es. carenze nella riparazione del DNA, stress ossidativo, esposizione a carcinogeni).
Il metodo standard attuale si basa sulla Fattorizzazione a Matrice Non Negativa (NMF) applicata a una matrice di conteggio delle mutazioni. Tuttavia, questo approccio presenta limitazioni critiche:

• Assunzione di omogeneità: La NMF classica assume un tasso di mutazione costante lungo tutto il genoma, ignorando la reale eterogeneità spaziale.
• Ignoranza delle covariate genomiche: Non tiene conto di fattori noti che influenzano i tassi di mutazione, come le modifiche istoniche, il timing di replicazione, la posizione dei nucleosomi, la metilazione del DNA e le variazioni del numero di copie (CNV).
• Approccio post-hoc: I metodi esistenti che cercano di collegare le firme alle caratteristiche genomiche lo fanno spesso in due fasi separate (prima stimano le firme, poi associano le covariate), perdendo informazioni e non permettendo una stima congiunta.

2. Metodologia: Fattorizzazione del Processo di Poisson (PPF)

Gli autori propongono un nuovo framework statistico chiamato Poisson Process Factorization (PPF) che supera i limiti della NMF modellando le mutazioni come realizzazioni di un processo di Poisson puntiforme non omogeneo.

Modello Statistico

• Processo di Poisson Non Omogeneo: Invece di contare le mutazioni in blocchi fissi, il modello definisce una funzione di intensità $\lambda_{ij}(t)$ per ogni tipo di mutazione $i$ e paziente $j$ lungo la posizione genomica $t$.
• Fattorizzazione dell'Intensità: L'intensità è scomposta come somma di $K$ processi indipendenti (firme):
  $$\lambda_{ij}(t) = \sum_{k=1}^{K} r_{ik} \vartheta_{kj}(t)$$
  Dove $r_{ik}$ è la firma mutazionale (costante nel genoma) e $\vartheta_{kj}(t)$ è l'attività della firma $k$ nel paziente $j$ che varia in funzione della posizione $t$.
• Modello Log-Lineare per l'Attività: L'attività $\vartheta_{kj}(t)$ è modellata dipendendo dalle covariate genomiche $x(t)$ e dal numero di copie $c_j(t)$:
  $$\vartheta_{kj}(t) = \frac{1}{2} \phi_{kj} c_j(t) e^{\beta_k^\top x(t)}$$
  • $\phi_{kj}$: Attività di base.
  • $c_j(t)$: Numero di copie (normalizzato).
  • $\beta_k$: Coefficienti di regressione che quantificano l'effetto moltiplicativo delle covariate (es. metilazione, istoni) sull'attività della firma $k$.
• Selezione Automatica del Rank: Viene utilizzato un prior gerarchico compressivo (Bayesiano) sui pesi di rilevanza $\mu_k$. Questo permette al modello di "azzerare" le firme ridondanti, selezionando automaticamente il numero ottimale di processi mutazionali attivi senza procedure di ricerca del rank computazionalmente costose.

Algoritmi di Inferenza

Gli autori sviluppano due approcci computazionali:

1. Stima MAP (Maximum A Posteriori): Un algoritmo efficiente basato su Majorization-Minimization (MM) combinato con il metodo di Newton per aggiornare i coefficienti di regressione. Garantisce la convergenza e la positività dei parametri.
2. Inferenza Bayesiana Completa (MCMC): Un campionatore Markov Chain Monte Carlo che utilizza l'aumento dei dati (data augmentation) con variabili latenti multinomiali per attribuire ogni singola mutazione a una specifica firma, permettendo di quantificare l'incertezza dei parametri.

3. Contributi Chiave

• Integrazione Congiunta: È il primo metodo che stima simultaneamente le firme mutazionali, le loro attività e l'effetto congiunto delle covariate genomiche su scala genomica.
• Attribuzione Spaziale: Permette di calcolare la probabilità che una singola mutazione specifica sia generata da una certa firma in una specifica posizione genomica, basandosi sul contesto locale (es. se la mutazione cade in una regione di replicazione tardiva o in un dominio eterocromatinico).
• Generalizzazione della NMF: Dimostra che la NMF classica è un caso particolare del PPF quando le funzioni di attività sono costanti e le covariate sono assenti.
• Interpretabilità Biologica: I coefficienti $\beta_k$ forniscono una misura diretta e quantitativa di come specifici fattori epigenetici (es. H3K9me3) aumentino o diminuiscano l'attività di una firma.

4. Risultati

Simulazioni

• Il modello PPF recupera con alta precisione il numero corretto di firme e i parametri veri ($R$, $\Theta$, $\beta$) in scenari con covariate indipendenti e correlate.
• L'inclusione delle covariate migliora significativamente la stima delle firme e delle attività rispetto alla NMF standard (CompNMF), riducendo l'errore quadratico medio (RMSE).
• Il metodo MAP mostra prestazioni superiori alla media a posteriori (MCMC) nella stima dei parametri puntuali, pur mantenendo una buona capacità di stima dell'intensità complessiva.

Applicazione su Dati Reali (Carcinoma Mammario - ICGC)

Analizzando 113 pazienti con carcinoma mammario:

• Recupero delle Firme: Il modello ha identificato 9 firme attive, molte delle quali corrispondono a firme note nel catalogo COSMIC (es. SBS1, SBS2, SBS3, SBS5, SBS13).
• Effetti delle Covariate:
  • Metilazione: Ha un forte effetto positivo sulla firma SBS1 (mutazioni C>T da siti CpG metilati) e riduce l'attività di firme associate a stress ossidativo.
  • Timing di Replicazione: Le regioni a replicazione tardiva mostrano un aumento significativo delle mutazioni per diverse firme (es. SBS7, SBS4), mentre alcune firme APOBEC (SBS1) mostrano attività ridotta.
  • Modifiche Istoniche: H3K9me3 e H3K27me3 (eterocromatina) sono associati a un aumento generale delle mutazioni. H3K36me3 ha un effetto inibitorio su alcune firme, coerente con il suo ruolo nel reclutamento dei fattori di riparazione.
• Attribuzione delle Mutazioni: Il modello ha dimostrato che l'attribuzione delle mutazioni cambia a seconda del contesto genomico. Ad esempio, mutazioni dello stesso tipo in regioni con timing di replicazione diverso sono attribuite a firme diverse (es. SBS3 vs SBS8), cosa che la NMF statica non può rilevare.
• Confronto: Il PPF ha ottenuto errori di ricostruzione comparabili o migliori rispetto a metodi avanzati come SignatureAnalyzer e CompNMF, ma con il vantaggio aggiunto della risoluzione spaziale e dell'interpretazione delle covariate.

5. Significato e Impatto

Questo lavoro rappresenta un avanzamento significativo nell'analisi del genoma del cancro:

1. Precisione Biologica: Sposta l'analisi da un approccio "aggregato" a uno "risolto spazialmente", allineando meglio i modelli statistici alla biologia reale della mutagenesi.
2. Ipotesi Meccanicistiche: Fornisce un modo rigoroso per generare ipotesi sui meccanismi biologici, collegando direttamente le firme mutazionali a specifici stati epigenetici e di riparazione del DNA.
3. Medicina di Precisione: La capacità di attribuire mutazioni specifiche a processi biologici in base al contesto genomico del paziente potrebbe migliorare la stratificazione dei pazienti e la scelta delle terapie (es. identificazione di pazienti con carenze nella riparazione per terapie con inibitori PARP).
4. Flessibilità: Il framework è adattabile e può incorporare future covariate specifiche per paziente (es. accessibilità della cromatina individuale), aprendo la strada a analisi più personalizzate.

In sintesi, il PPF trasforma l'analisi delle firme mutazionali da una semplice decomposizione di conteggi in un modello probabilistico dinamico che cattura la complessità spaziale e biologica del genoma tumorale.