LAML-Pro: Maximum Likelihood Inference of Cell Genotypes and Cell Lineage Trees

LAML-Pro è un algoritmo che infere congiuntamente i genotipi cellulari e gli alberi di lignaggio utilizzando un modello probabilistico per correggere gli errori di genotipizzazione e produrre alberi più accurati rispetto ai metodi esistenti.

L'essenziale

🌳 Il Grande Albero della Vita (in una sola cellula)

Immagina di voler ricostruire la storia completa di una famiglia, non di una sola persona, ma di ogni singola cellula che compone un organismo vivente (come un topo o un essere umano). Ogni volta che una cellula si divide, crea una "figlia". Se potessimo tracciare ogni divisione, otterremmo un albero genealogico gigantesco, dove ogni foglia è una cellula viva oggi e ogni ramo è una divisione passata.

Il problema? Non possiamo guardare dentro le cellule e vedere la storia scritta. Dobbiamo usare dei "messaggi segreti" che le cellule si lasciano dietro.

📝 Il Problema: Messaggi Sbiaditi e Rumorosi

Per leggere questi messaggi, gli scienziati usano tecnologie moderne (come l'editing genetico CRISPR) che agiscono come un pennarello indelebile. Ogni volta che una cellula si divide, il pennarello fa un piccolo segno (una "mutazione") sul DNA.

Tuttavia, c'è un grosso ostacolo:

1. Il pennarello a volte sbava: A volte il segno è poco chiaro.
2. La telecamera a volte si offusca: Quando proviamo a leggere questi segni (usando microscopi o sequenziatori), otteniamo dati imperfetti. Immagina di guardare un quadro antico attraverso un vetro sporco: vedi dei colori, ma non sei sicuro se quel punto sia rosso o rosa, o se sia addirittura un graffio.

Fino ad oggi, gli scienziati facevano così:

1. Passo 1: Guardavano il vetro sporco e cercavano di indovinare il colore esatto (il "genotipo"). Spesso sbagliavano.
2. Passo 2: Prendevano questi colori (spesso sbagliati) e costruivano l'albero genealogico.
   Risultato: Se il primo passo è sbagliato, l'albero finale è un disastro. È come costruire una mappa di famiglia basandosi su nomi scritti male: "Zio Mario" diventa "Zio Maro", e l'albero si rompe.

💡 La Soluzione: LAML-Pro (Il Detective Intelligente)

LAML-Pro è un nuovo algoritmo (un programma per computer molto intelligente) che cambia le regole del gioco. Invece di fare due passi separati e sbagliati, fa tutto insieme.

Ecco come funziona, con un'analogia:

Immagina di essere un detective che deve risolvere un crimine (ricostruire l'albero) basandosi su testimonianze di testimoni oculari (i dati delle cellule) che sono un po' confusi e hanno buchi nella memoria.

• I vecchi metodi: Chiedevano ai testimoni: "Di che colore era l'auto?" (Passo 1). Se il testimone diceva "Blu" (ma era in realtà Verde perché la luce era strana), il detective costruiva la teoria del crimine basandosi sul "Blu".
• LAML-Pro: Il detective non chiede solo il colore. Dice: "Ok, so che la tua vista non è perfetta e che a volte non ricordi nulla. Analizziamo tutte le testimonianze insieme. Se dici che l'auto era blu, ma il contesto suggerisce che era verde, e un altro testimone dice verde, allora correggiamo la tua memoria mentre costruiamo la teoria del crimine".

LAML-Pro fa due cose contemporaneamente:

1. Corregge gli errori: Capisce quali "segnali" sono stati letti male e li ripara.
2. Costruisce l'albero: Usa questi segnali corretti per disegnare l'albero genealogico perfetto.

🛠️ Come ci riesce? (La Magia Matematica)

Il programma usa un modello chiamato PMMO. Pensalo come una "lente magica" che tiene conto di tre cose:

1. Come si scrivono i segni: Sa che il pennarello genetico funziona in un certo modo (non può cancellare un segno vecchio, ne aggiunge solo di nuovi).
2. Come si leggono i segni: Sa che la telecamera a volte perde dati (come un telefono che non prende segnale) o vede cose sfocate.
3. La probabilità: Invece di dire "Questa cellula è rossa", dice "C'è il 90% di probabilità che sia rossa, ma se fosse verde, l'albero avrebbe più senso".

🚀 I Risultati: Perché è così importante?

Gli scienziati hanno provato LAML-Pro su dati reali e simulati, e i risultati sono straordinari:

• Riduce gli errori di 5 volte: Dove i vecchi metodi sbagliavano il colore della cellula nel 25-50% dei casi, LAML-Pro riduce l'errore quasi a zero (livello di errore di un sequenziatore di DNA perfetto).
• Alberi più coerenti: Quando usano dati di imaging (foto delle cellule), gli alberi costruiti da LAML-Pro hanno più senso logico. Ad esempio, cellule che vivono vicine nello spazio tendono ad essere più vicine nell'albero, il che è biologicamente corretto.
• Velocità: Riesce a gestire migliaia di cellule in meno di un'ora. È come se potesse ricostruire la storia di un'intera città in un pomeriggio, invece di impiegare anni.

🎯 In Sintesi

LAML-Pro è come un restauratore d'arte super-intelligente.
Mentre i metodi precedenti prendevano un quadro antico (i dati cellulari), pulivano la superficie con un panno grezzo (facendo errori) e poi provavano a capire chi aveva dipinto cosa.
LAML-Pro, invece, guarda il quadro attraverso una lente che sa esattamente come la vernice è sbiadita e dove ci sono buchi. Ripara i buchi mentre analizza il quadro, restituendoci l'immagine originale perfetta e la storia esatta di come è stato creato.

Questo ci permette di vedere finalmente la vera storia della vita, cellula per cellula, senza essere ingannati dai "rumori" della tecnologia.

Sommario tecnico

1. Il Problema

La ricostruzione della storia delle divisioni cellulari durante lo sviluppo di un organismo è un obiettivo fondamentale della biologia dello sviluppo, ma rimane una sfida computazionale significativa. Le tecnologie di tracciamento della discendenza dinamica (Dynamic Lineage Tracing - DLT) utilizzano l'editing genomico per indurre mutazioni ereditabili che si accumulano durante le divisioni cellulari. Queste mutazioni vengono misurate tramite sequenziamento a singola cellula o imaging (es. fluorescenza).

L'approccio computazionale attuale segue una pipeline in due fasi separate:

1. Genotipizzazione: Identificare le modifiche (genotipo) di ogni cella dai dati grezzi (sequenziamento o imaging).
2. Inferenza dell'albero: Costruire l'albero della discendenza cellulare basandosi sui genotipi ottenuti.

Limitazioni principali:

• La genotipizzazione è un processo impreciso, specialmente nei dati basati su imaging, dove una frazione significativa (25-50%) dei genotipi può essere incerta o errata.
• Gli errori di genotipizzazione si propagano, portando alla ricostruzione di alberi filogenetici inaccurati.
• I metodi esistenti non modellano esplicitamente l'incertezza delle osservazioni o i dati mancanti durante la costruzione dell'albero, trattando i genotipi come dati fissi e corretti.

2. Metodologia: LAML-Pro e il modello PMMO

Gli autori introducono LAML-Pro (Lineage Analysis via Maximum Likelihood with PRobabilistic Observations), un algoritmo che inferisce simultaneamente i genotipi cellulari e l'albero della discendenza, evitando la fase di genotipizzazione preliminare.

Il Modello PMMO (Probabilistic Mixed-type Missing with Observations)

LAML-Pro si basa su un nuovo modello probabilistico che integra il processo di editing genomico con il processo di osservazione dei dati.

• Processo di Editing (Stati Nascosti): Modellato come una Catena di Markov a Tempo Continuo (CTMC). Gli stati includono lo stato non modificato (0), gli stati modificati (1...M) e uno stato "mancante ereditabile" (-1), che rappresenta il silenziamento epigenetico o la resectione. Il modello assume che le modifiche siano non modificabili (una volta che un sito è modificato, non può essere modificato di nuovo nella discendenza).
• Processo di Osservazione: Gestisce tre tipi di dati:
  1. Osservazioni complete (es. intensità di fluorescenza o conteggi UMI).
  2. Dati mancanti ("dropout") con probabilità $\vartheta$.
  3. Stati "mancanti ereditabili" (-1) che non producono alcuna osservazione.
• Osservazioni Imaging: Per i dati basati su imaging, il modello utilizza stimatori di densità del kernel (Gaussian Kernel Density Estimators) addestrati su dati etichettati per mappare le intensità dei pixel agli stati nascosti.

Algoritmo di Inferenza

LAML-Pro risolve un problema di ottimizzazione per massimizzare la verosimiglianza (Maximum Likelihood) marginalizzando sui genotipi sconosciuti:
$$\max_{T, \Theta} \log L(T, \Theta; x)$$
Dove $T$ è l'albero, $\Theta$ sono i parametri del modello e $x$ sono le osservazioni.

• Ricerca dell'Albero: Utilizza una ricerca euristica che alterna tra la proposta di nuove topologie (tramite scambi di vicini più prossimi, NNI) e l'ottimizzazione dei parametri.
• Ottimizzazione dei Parametri (EM): Utilizza un algoritmo Expectation-Maximization (EM) migliorato.
  • E-step: Calcola le aspettative delle transizioni e delle emissioni utilizzando l'algoritmo di potatura di Felsenstein, sfruttando la sparsità della matrice di transizione per ridurre la complessità a $O(NM)$.
  • M-step: Aggiorna congiuntamente tutti i parametri (lunghezze dei rami, tassi di editing, tassi di dropout) utilizzando un metodo del punto interno (Interior Point Method) invece dell'ascesa coordinata a blocchi, garantendo una convergenza quadratica più rapida.
• Vincoli: L'algoritmo può operare con vincoli di orologio molecolare stretto (albero ultrametrico) o senza vincoli, e impone una lunghezza minima dei rami per evitare divisioni istantanee biologicamente irrealistiche.

3. Contributi Chiave

1. Inferenza Giunta: È il primo metodo che inferisce congiuntamente l'albero della discendenza e i genotipi direttamente dalle osservazioni grezze (imaging o sequenziamento), marginalizzando l'incertezza genotipica.
2. Correzione degli Errori: Il modello PMMO permette di correggere gli errori di genotipizzazione e imputare i dati mancanti, riducendo drasticamente il tasso di errore rispetto ai metodi che trattano i genotipi come dati fissi.
3. Scalabilità: Nonostante la complessità del modello, LAML-Pro scala a migliaia di cellule (es. 3.108 cellule in meno di un'ora), rendendolo applicabile a dataset reali su larga scala.
4. Adattabilità: Funziona sia con dati di sequenziamento che con dati di imaging (pixel intensities), gestendo nativamente i tassi elevati di dati mancanti tipici dell'imaging.

4. Risultati

I risultati sono stati valutati su dati simulati e due dataset reali basati su imaging (PEtracer e baseMEMOIR).

• Dati Simulati:

  • LAML-Pro ha ricostruito topologie di alberi significativamente più accurate rispetto a metodi esistenti (LAML, Neighbor Joining) in presenza di dati mancanti e rumore.
  • Ha ridotto la distanza di Robinson-Foulds (RF) normalizzata da 0.18 (LAML) a 0.03 (LAML-Pro) in scenari realistici.
  • Ha corretto gli errori di genotipizzazione, raggiungendo un'accuratezza del 90% dei siti, contro il 77% dei metodi basati su argmax indipendente.
  • Le stime delle lunghezze dei rami sono state quasi perfette ($R^2 = 0.995$).

• Dataset PEtracer (Imaging):

  • Riduzione degli errori: LAML-Pro ha ridotto gli errori di genotipizzazione da un tasso del 25-50% (tipico dell'imaging) a livelli paragonabili all'errore di sequenziamento (0.3%).
  • Gestione dei dati mancanti: Mentre la pipeline PEtracer originale scarta il 22.3% delle osservazioni a bassa confidenza, LAML-Pro imputa questi dati, eliminando i genotipi mancanti.
  • Coerenza Spaziale: Gli alberi ricostruiti da LAML-Pro mostrano una maggiore coerenza spaziale (correlazione tra distanza filogenetica e distanza spaziale delle cellule) rispetto agli alberi originali di PEtracer.

• Dataset baseMEMOIR:

  • LAML-Pro ha utilizzato osservazioni informative che la pipeline originale aveva scartato per bassa confidenza.
  • Gli alberi di LAML-Pro hanno mostrato una migliore concordanza genotipica tra fratelli e una maggiore coerenza spaziale rispetto agli alberi basati su modelli di migrazione Browniana utilizzati in baseMEMOIR.

5. Significato e Implicazioni

LAML-Pro rappresenta un avanzamento sostanziale nel campo della biologia computazionale e del tracciamento della discendenza cellulare:

• Superamento del collo di bottiglia della genotipizzazione: Elimina la necessità di una fase di pre-elaborazione error-prone, permettendo di utilizzare direttamente i dati grezzi.
• Abilitazione dell'Imaging: Rendendo l'accuratezza dei dati basati su imaging paragonabile a quella del sequenziamento, LAML-Pro amplia notevolmente la fattibilità delle tecniche di tracciamento basate su imaging, che offrono risoluzione spaziale e temporale superiore ma soffrono di rumore.
• Robustezza: La capacità di gestire dati mancanti e incerti rende il metodo robusto per esperimenti biologici reali dove la copertura dei dati è spesso incompleta.
• Disponibilità: L'algoritmo è open-source e disponibile su GitHub, facilitando l'adozione da parte della comunità di ricerca.

In sintesi, LAML-Pro offre un quadro probabilistico unificato che migliora drasticamente l'accuratezza della ricostruzione delle linee cellulari, trasformando dati rumorosi e incompleti in storie evolutive cellulari affidabili.