Finding stable clusterings of single-cell RNA-seq data

Questo studio propone un metodo basato sulla clustering spettrale gerarchica divisiva e su un'analisi di stabilità mediante sottocampionamenti per identificare cluster robusti nei dati di RNA-seq a singola cella, confermando la validità dei risultati su diversi dataset reali.

L'essenziale

Il Grande Problema: "Quante cellule ci servono per avere la verità?"

Immagina di avere una stanza piena di persone (le cellule) e il tuo compito è dividerle in gruppi basandoti su cosa stanno "pensando" (i loro geni attivi). Questo è ciò che fanno gli scienziati con il RNA-seq a cellula singola: cercano di capire quali tipi di cellule ci sono in un tessuto (come un polmone o un tumore) raggruppandole insieme.

Il problema è: quanto possiamo fidarci di questi gruppi?
Se domani prendessimo altre 10.000 persone dalla stessa stanza e facessimo la stessa divisione, otterremmo gli stessi gruppi? O cambierebbe tutto?

L'autore si chiede: "Se avessimo il doppio dei dati, il risultato cambierebbe?" Poiché non possiamo viaggiare nel tempo per avere più dati, ha trovato un trucco geniale.

La Soluzione: Il Gioco del "Specchio e Mezza"

Invece di aspettare di avere più dati, l'autore fa l'opposto: prende i dati che ha e li taglia a metà.

1. L'Esperimento: Prende tutte le cellule, ne sceglie a caso la metà (come se prendesse solo metà della folla in una stanza) e le raggruppa.
2. Il Confronto: Poi prende l'altra metà e fa lo stesso.
3. La Verifica: Chiede: "Se guardo solo le persone che ho messo nel primo gruppo, sono ancora nello stesso gruppo in cui le ho messe quando avevo tutta la folla?"

Se la risposta è SÌ (i gruppi sono stabili anche con metà dei dati), allora il raggruppamento è affidabile. Se la risposta è NO (i gruppi cambiano o si mescolano), allora il raggruppamento è instabile e probabilmente sbagliato. È come costruire una torre di carte: se togli metà delle carte e la torre crolla, non era una buona torre.

Gli Strumenti: La "Lente" e il "Filtro"

Per fare questo, l'autore usa un processo in tre fasi, che possiamo paragonare a preparare un'immagine perfetta:

1. Il Filtro (Pulizia): Prima di tutto, butta via le "spazzatura". Ci sono cellule che sono rotte o geni che non dicono nulla di interessante. È come pulire una finestra prima di guardare il paesaggio.
2. La Lente (Mappatura): Le cellule sono come punti su una mappa complessa. L'autore usa una "lente speciale" (chiamata spettroscopia) per trasformare questa mappa confusa in una forma più semplice, dove le cellule simili si avvicinano e quelle diverse si allontanano.
3. L'Albero (Il Raggruppamento): Invece di usare un metodo rigido per dividere le cellule, costruisce un albero genealogico.
   • Immagina di dividere la folla in due grandi gruppi.
   • Poi dividi ogni gruppo in due sottogruppi.
   • E così via, fino a ottenere piccoli gruppi molto specifici.
   • Questo crea una "scala" di raggruppamenti: dal più grande (tutti insieme) al più piccolo (ognuno per conto suo).

Cosa hanno scoperto? (I Risultati)

L'autore ha provato questo metodo su 7 diversi "laboratori" (dataset di dati reali). Ecco cosa è successo:

• Il Successo (Polmoni e Retina): In alcuni casi, come con i dati dei polmoni o della retina, il metodo ha trovato gruppi molto stabili. Significa che anche se avessimo analizzato solo metà delle cellule, avremmo trovato gli stessi tipi di cellule. È come se la natura avesse creato gruppi molto chiari e distinti.
• Il Problema (Il Tumore al Seno): Con i dati del cancro al seno, il metodo ha fallito. I gruppi non erano stabili. Se cambiavi anche solo un po' di cellule, i gruppi si mescolavano. Questo suggerisce che in quel tessuto, le cellule sono così confuse o miste che è difficile dire con certezza "questa è una cellula di tipo A e quella di tipo B".
• I "Cattivi" (Outlier): Hanno scoperto che alcune cellule "strane" (outlier) rovinavano tutto. Se c'era una cellula rotta o molto diversa, faceva crollare l'intera torre di carte. Rimuovendole, i risultati miglioravano.

La Metafora Finale: La Festa di Compleanno

Immagina di organizzare una festa e dover dividere gli ospiti in tavoli basati sui loro gusti musicali.

• Il metodo vecchio: Metti tutti i nomi su un foglio e chiedi a un amico di dividerli. Se l'amico è stanco o distratto, i tavoli saranno un caos.
• Il metodo di Klebanoff: Prendi metà degli ospiti, dividili in tavoli. Poi prendi l'altra metà e dividili di nuovo.
  • Se al tavolo "Rock" della prima metà ci sono gli stessi rockstar della seconda metà, allora il tavolo è stabile e hai fatto un buon lavoro.
  • Se nel primo gruppo i rockstar erano al tavolo "Jazz" e nel secondo al tavolo "Metal", allora il tuo metodo di divisione è instabile e non ti fidi di quei tavoli.

Perché è importante?

Questo lavoro ci insegna che non basta fare un'analisi e basta. Dobbiamo chiederci: "Se rifacessi questo esperimento domani, otterrei lo stesso risultato?".

L'autore ci dà una "regola d'oro" per dire se un gruppo di cellule è reale o se è solo un'illusione statistica. Se il gruppo regge anche quando togliamo metà dei dati, allora possiamo fidarci di esso per fare scoperte mediche vere e proprie. Se crolla, meglio buttare via quei dati e riprovare.

In sintesi: La stabilità è la prova della verità. Se un gruppo di cellule è solido, resiste anche quando lo guardiamo attraverso una finestra più piccola.

Sommario tecnico

Titolo: Trovare clusterizzazioni stabili per dati di single-cell RNA-seq

1. Il Problema

L'analisi dei dati di single-cell RNA-seq (scRNA-seq), rappresentati come matrici di conteggi UMI (Unique Molecular Identifiers), si basa spesso sulla clusterizzazione per identificare tipi cellulari o stati biologici. Tuttavia, esiste un consenso limitato su come determinare quali clusterizzazioni siano stabili e replicabili.
Il problema centrale è: se si disponesse di un numero doppio di cellule dallo stesso esperimento, i risultati della clusterizzazione cambierebbero? Spesso, le clusterizzazioni attuali sono sensibili al campionamento casuale, portando a risultati non riproducibili. Esistono cluster all'interno di una stessa partizione che possono essere molto stabili, mentre altri sono estremamente instabili, rendendo difficile decidere quali risultati siano affidabili per analisi a valle.

2. Metodologia

L'autore propone un approccio sistematico basato sul campionamento e sulla valutazione della stabilità tramite errori di classificazione.

A. Definizione di Stabilità
Invece di chiedersi se aggiungere dati cambi i risultati (scenario irrealistico), l'approccio inverte la prospettiva:

1. Si esegue una clusterizzazione sull'intero set di dati ($C$).
2. Si estraggono campioni casuali di metà delle cellule ($C_s$).
3. Si esegue la clusterizzazione su ciascun campione $C_s$.
4. Si confronta la clusterizzazione del campione con la restrizione della clusterizzazione completa al campione stesso.
5. Se l'accordo è buono su molti campioni, la clusterizzazione è considerata stabile.

B. Pipeline di Analisi

1. Preprocessing e Filtraggio:

   • Filtraggio preliminare dei geni (almeno 50 cellule con conteggi non nulli) e delle cellule (rimozione di quelle con alta percentuale di mitocondri, se applicabile).
   • Calcolo dei residui di Pearson per modellare la variabilità dei conteggi UMI secondo un modello di Poisson.
   • Selezione dei geni altamente variabili (top 2.000) presenti in tutti i campioni e nel set completo.
   • Riduzione della dimensionalità: Utilizzo di una decomposizione SVD (Singular Value Decomposition) su una matrice a basso rango dei residui di Pearson per ottenere una rappresentazione euclidea delle cellule. Il rango è stimato tramite l'algoritmo optht.

2. Identificazione e Rimozione degli Outlier:

   • Outlier Euclidei: Vengono calcolate le distanze tra i punti nello spazio euclideo. Le cellule con distanze dai loro $k$-vicini (kNN) eccessivamente elevate (oltre 3 deviazioni standard dalla media) vengono rimosse.
   • Outlier di Conteggio: Vengono rimossi geni e cellule che contribuiscono in modo sproporzionato alla varianza (SSQ dei residui di Pearson) in modo inconsistente tra i campioni. Questo processo viene iterato (fino a 3 iterazioni) per affinare i dati.

3. Algoritmo di Clusterizzazione:

   • Utilizzo di una clusterizzazione spettrale divisiva gerarchica (basata sull'algoritmo di Ng, Jordan e Weiss modificato).
   • L'affinità tra punti è definita come l'inverso della distanza euclidea per i $k$-vicini più prossimi (k=64).
   • Viene costruita un'albero gerarchico dove ogni nodo rappresenta una divisione in due cluster.
   • Mappatura dell'albero: La lunghezza dei rami è definita dal "Normalized Cut" (misura di separazione). La distanza di un nodo dalla radice determina la gerarchia delle clusterizzazioni nidificate (da 2 cluster fino al numero massimo possibile).

4. Metriche di Stabilità:

   • MED (Misclassification Error Distance): Distanza di errore di classificazione tra la clusterizzazione del campione e quella del set completo (limitata al campione). Viene normalizzata rispetto a clusterizzazioni casuali.
     • Criterio di stabilità: Il 90° percentile della MED normalizzata deve essere $\le 0.10$.
   • CMER (Cluster Misclassification Error Rate): Tasso di errore di classificazione per singolo cluster.
     • Criterio di stabilità del cluster: Il 90° percentile della CMER normalizzata deve essere $\le 0.50$ (meno della metà delle cellule del cluster sono mal classificate nel 90% dei campioni).
   • Un clusterizzazione è considerata "ammissibile" per analisi a valle se i cluster instabili contengono meno di 500 cellule.

3. Risultati Chiave

L'analisi è stata condotta su 7 dataset pubblici (Zhengmix4eq/8eq, 68k PBMC, Monociti CD14, Retina 25k, Polmone 65k, Cancro al seno 100k).

• Zhengmix4eq: La clusterizzazione a 4 cluster corrisponde perfettamente alle etichette "ground truth" ed è estremamente stabile (CMER $\le 0.017$).
• Zhengmix8eq: La clusterizzazione a 7-8 cluster mostra buona stabilità, sebbene alcuni sottotipi di cellule T siano difficili da separare (problema noto nella letteratura).
• Monociti CD14: Nessun cluster stabile trovato, coerente con l'ipotesi che i dati siano omogenei (tutte le cellule dello stesso tipo).
• 68k PBMC:
  • È stata identificata una clusterizzazione a 12 cluster "ammissibile" (con alcuni cluster instabili ma piccoli).
  • Confrontando con i risultati k-means pubblicati da 10x Genomics, si nota che alcuni cluster k-means sono spaccati in cluster instabili o instabili nella gerarchia proposta, suggerendo che la clusterizzazione gerarchica identifica meglio le strutture stabili.
• Retina (25k): Una clusterizzazione a 11 cluster è stata trovata stabile e compatibile con i cluster pubblicati, sebbene alcuni cluster biologici (es. bastoncelli) vengano divisi in cluster stabili distinti, suggerendo possibili sottotipi.
• Polmone (65k):
  • La clusterizzazione a 16 cluster si è rivelata eccezionalmente stabile (MED 90° percentile = 0.01), con 10 cluster estremamente stabili. Questo risultato è superiore alla clusterizzazione a 19 cluster (che conteneva cluster totalmente instabili).
  • L'indice di Rand aggiustato rispetto ai tipi cellulari riportati è 0.81.
• Cancro al seno (100k): Nessun clusterizzazione completamente stabile è stata trovata (il miglior MED è 0.107, superiore alla soglia di 0.10). Tuttavia, una clusterizzazione a 9 cluster, sebbene instabile, mostra compatibilità con i risultati pubblicati. L'iterazione di rimozione degli outlier ha avuto un impatto sproporzionato sui plasmablasti, evidenziando la sensibilità del metodo alla composizione del campione.

4. Contributi Principali

1. Framework di Stabilità: Propone un metodo rigoroso per valutare la stabilità delle clusterizzazioni scRNA-seq basandosi sulla consistenza tra campioni casuali, utilizzando MED e CMER normalizzati.
2. Mappatura Gerarchica: Introduce un modo per mappare l'albero della clusterizzazione spettrale divisiva in un insieme di clusterizzazioni nidificate, permettendo di valutare la stabilità a diversi livelli di granularità.
3. Gestione degli Outlier: Sviluppa una procedura iterativa per identificare ed escludere cellule e geni "outlier" basata sulla loro contribuzione alla varianza dei residui di Pearson, migliorando la qualità dei dati prima della clusterizzazione.
4. Analisi Comparativa: Dimostra che molte clusterizzazioni pubblicate contengono cluster instabili e che la stabilità non è una proprietà globale della partizione, ma specifica per ogni cluster.

5. Significato e Conclusioni

Il lavoro sottolinea che la replicabilità è fondamentale nell'analisi scRNA-seq. Non tutte le clusterizzazioni che sembrano biologicamente plausibili sono statisticamente stabili.

• Il metodo permette di distinguere tra cluster biologici reali (stabili) e artefatti di clustering (instabili).
• Suggerisce che per alcuni dataset (come il polmone) esistono strutture di clusterizzazione molto stabili che non corrispondono necessariamente al numero massimo di tipi cellulari riportati in letteratura, ma a una partizione più robusta.
• Per dataset complessi come il cancro al seno, la mancanza di stabilità totale potrebbe indicare eterogeneità biologica reale o problemi nei dati (batch effects, outlier) che richiedono ulteriori indagini.
• L'approccio è indipendente dall'algoritmo di clustering specifico (può essere applicato a qualsiasi pipeline), ma l'autore dimostra l'efficacia combinando filtraggio avanzato, riduzione della dimensionalità e clusterizzazione spettrale gerarchica.

In sintesi, il paper fornisce un "filtro di qualità" essenziale per l'analisi scRNA-seq, spostando il focus dalla semplice scoperta di cluster alla validazione della loro robustezza statistica.