Context-dependent correlations mislead transcriptomic network inference in bulk and single-cell data

Sintesi Tecnica: Le correlazioni dipendenti dal contesto traggono in inganno l'inferenza di reti trascrizionali in dati bulk e single-cell

Problematica
Il documento affronta un difetto fondamentale nell'inferenza di reti trascrizionali, specificamente nella scoperta di moduli di co-espressione e nell'inferenza miRNA-target. Queste analisi si basano prevalentemente su coefficienti di correlazione di Pearson calcolati su pool eterogenei di campioni (ad esempio, diversi tessuti, tipi di cancro o tipi cellulari). Il problema centrale è l'assunzione implicita che un singolo coefficiente di correlazione aggregato stimi una singola quantità biologicamente significativa. Gli autori sostengono che tale assunzione sia fragile a causa del paradosso di Simpson, in cui gli spostamenti delle medie tra i gruppi possono dominare o addirittura invertire la direzione delle associazioni osservate all'interno di specifici sottogruppi. Sebbene sia un fenomeno teoricamente noto, la frequenza e l'entità di questo fenomeno nei dati trascrizionali del mondo reale non erano state quantificate.

Metodologia
Per quantificare la prevalenza delle inversioni di correlazione dipendenti dal contesto, lo studio ha analizzato un enorme dataset composto da 8.890 tumori TCGA attraverso 31 coorti di cancro e 23.170.038 coppie miRNA-mRNA. La metodologia ha previsto:

1. Decomposizione delle correlazioni: Confronto tra le correlazioni globali aggregate ($r_{global}$) e le correlazioni intra-coorte per identificare inversioni di segno.
2. Metriche di eterogeneità: Calcolo della statistica $I^2$ per misurare la proporzione della variazione totale dovuta all'eterogeneità piuttosto che al caso, e test per l'uguaglianza delle correlazioni tra le coorti tramite test di ipotesi controllati per FDR.
3. Set di validazione: Correlazione dei risultati con target sperimentalmente validati da miRTarBase v10 (692.770 coppie) e analisi di dati da GTEx (tessuti normali), 10x PBMC scRNA-seq e CITE-seq (coppie proteina-RNA).
4. Raffinamento del contesto: Investigazione sulla possibilità che la stratificazione dei dati in contesti biologici più fini (ad esempio, sottotipi molecolari PAM50, stato del recettore clinico IHC o sottotipi cellulari definiti dal trascrittoma) riduca il tasso di inversioni di segno della correlazione.

Risultati Chiave
L'analisi ha rivelato che l'eterogeneità è la regola piuttosto che l'eccezione nei dati trascrizionali:

• Prevalenza di segnali misti: Attraverso le coorti TCGA, il 94,8% delle coppie miRNA-mRNA ha esibito correlazioni sia positive che negative all'interno di diverse coorti.
• Inversioni di segno: In un subset ad alta varianza di un milione di coppie, il 13,3% delle correlazioni aggregate con $|r_{global}| \ge 0,2$ ha invertito direzione rispetto alla maggioranza intra-coorte (con una tolleranza di segno $\epsilon = 0,05$).
• Statistiche di eterogeneità: La mediana di $I^2$ era 0,86 (IQR 0,80–0,90) e il 99,5% delle coppie ha rifiutato l'ipotesi nulla di uguale correlazione tra le coorti con FDR < 0,05.
• Validità biologica: Dei target di miRTarBase sperimentalmente validati, solo lo 0,9% era uniformemente negativo in tutte le coorti, sfidando l'assunto che sia richiesta una singola correlazione negativa aggregata per la validazione.
• Consistenza cross-modale: Il pattern di inversione del segno è persistito attraverso le modalità:
  • GTEx: Il 21,0% dei segni aggregati non concordava con la maggioranza dei tessuti; il 23,5% è invertito dopo la rimozione della media del tessuto.
  • scRNA-seq (10x PBMC): Il 13,1% delle correlazioni gene-gene è invertito dopo la rimozione della media del tipo cellulare.
  • CITE-seq: Il 37,9% delle coppie proteina-RNA è invertito sotto una partizione WNN congiunta.
• Impatto del raffinamento del contesto: Il raffinamento del contesto di analisi ha ridotto significativamente i tassi di inversione, sebbene l'efficacia dipendesse dalla granularità della partizione. Ad esempio, in BRCA, i tassi di inversione sono scesi dal 5,5% (sottotipi PAM50) allo 0,35% (stato clinico IHC). Nelle PBMC, il raffinamento delle cellule T in sottotipi definiti dal trascrittoma ha ridotto le inversioni dall'11,8% allo 0,13%.

Significatività e Rivendicazioni
Il documento conclude che un singolo coefficiente di correlazione aggregato può invertire la direzione rispetto ai suoi costituenti intra-contesto a tassi non trascurabili, portando potenzialmente a inferenze biologiche errate. Gli autori sostengono che le correlazioni non debbano essere riportate come valori isolati ma devono essere accompagnate da:

1. La distribuzione intra-contesto.
2. Una statistica di eterogeneità (ad esempio, $I^2$).
3. Un diagnostico che separi gli spostamenti delle medie tra i contesti dalle associazioni intra-contesto.

Per facilitare ciò, gli autori forniscono una piccola interfaccia R progettata per calcolare questi specifici riassunti, con l'obiettivo di migliorare il rigore e l'interpretabilità dell'inferenza di reti trascrizionali sia in dati bulk che single-cell.