pysigscore: gene signatures scoring across bulk and single-cell transcriptomics

Riepilogo tecnico di pysigscore: gene signatures scoring across bulk and single-cell transcriptomics

Problema
La trascrittomica ad alto rendimento ha stabilito le firme geniche (gene signatures) come strumenti centrali per l'interpretazione dei dati di espressione genica nella diagnosi, nella prognosi e nella caratterizzazione della funzione biologica. Tuttavia, quantificare l'attività delle firme e valutarne la robustezza rimane una sfida. I metodi di calcolo esistenti si basano su diverse assunzioni riguardanti le distribuzioni di fondo, la robustezza e le fondamenta statistiche (ad esempio, riassunti semplici, statistiche Z o approcci basati sul rango). Di conseguenza, nessun singolo approccio di calcolo è universalmente ottimale per tutti i dataset o per tutte le domande biologiche. Esiste una chiara necessità di un framework unificato che permetta ai ricercatori di calcolare, confrontare e testare il benchmark di molteplici metodi di calcolo, valutandone al contempo la significatività statistica e l'affidabilità.

Metodologia
Gli autori presentano pysigscore, un framework Python progettato per il calcolo del punteggio di set genici (gene set scoring) sia in dati di RNA-seq bulk che single-cell (scRNA-seq). Il framework è coordinato da un oggetto Scorer() che gestisce un workflow unificato comprendente la pre-elaborazione dei dati, il calcolo del punteggio, la valutazione dell'affidabilità e la visualizzazione.

• Input e Pre-elaborazione: Il sistema accetta matrici di espressione (come oggetti DataFrame o AnnData) e set genici (come dizionari o matrici binarie). Supporta un'estesa pre-elaborazione, inclusi trasformazioni logaritmiche, standardizzazione, scaling min-max, smoothing k-Nearest-Neighbours (k-NN) e trasformazioni step/quantile.
• Motore di Calcolo (Scoring Engine): La funzionalità principale è guidata dalla funzione compute_scores(), che genera una matrice di punteggi dove le righe rappresentano campioni/cellule e le colonne rappresentano i set genici. Il framework implementa 18 metodi di calcolo integrati organizzati in tre famiglie:
  1. Statistiche Dirette (14 metodi): Include Sum, WeightedSum, Mean, Median, Mode e statistiche robuste come IQR, MAD e AAD. Questi calcolano riassunti scalari direttamente dai valori dei geni della firma.
  2. Z-score (1 metodo): Standardizza la media dell'espressione di un set genico rispetto al profilo di espressione completo del campione.
  3. Metodi Basati sul Rango (3 metodi): Include AUCell, ssGSEA e GSVA, che valutano l'arricchimento dei geni della firma tra i geni con il rango più alto all'interno di un campione.
• Personalizzazione: Una caratteristica chiave è il Custom Scorer, che consente agli utenti di definire nuove funzioni di calcolo tramite codice Python senza modificare il codice sorgente della libreria. Queste funzioni devono accettare il vettore di espressione dei geni della firma e il vettore di espressione completo del campione.
• Affidabilità e Significatività:
  • Stima del P-value: Per i metodi diretti, la significatività è stimata tramite test di permutazione utilizzando set genici casuali di dimensioni corrispondenti per generare una distribuzione nulla, applicando una correzione plus-one. Gli Z-score utilizzano p-value analitici a due code dalla distribuzione normale standard. I metodi basati sul rango utilizzano procedure empiriche o implementazioni backend.
  • Esperimenti Leave-One-Out (LOO): La robustezza è valutata ricalcolando i punteggi dopo aver rimosso iterativamente ogni gene in una firma. Le deviazioni sono quantificate utilizzando Mean Absolute Error (MAE), Mean Squared Error (MSE) o Mean Absolute Percentage Error (MAPE) per identificare la dipendenza da specifici "hub" genici.

Contributi Chiave
L'articolo rivendica cinque contributi primari che estendono il lavoro precedente (come il pacchetto R sigscores e sigQC):

1. Integrazione dei Metodi scRNA-seq: Incorpora nuovi approcci sviluppati specificamente per la trascrittomica single-cell, espandendo il numero di metodi integrati a 18.
2. Personalizzazione Unificata: Fornisce un flessibile custom scorer integrato, consentendo agli utenti di implementare, testare il benchmark e confrontare direttamente le proprie funzioni di calcolo rispetto agli approcci esistenti all'interno di una singola libreria.
3. Analisi del Contributo a Livello Genico: Facilita la valutazione del contributo dei singoli geni all'attività della firma attraverso esperimenti LOO.
4. Scalabilità: Il framework è ottimizzato per gestire in modo efficiente grandi dataset trascrittomici.
5. Interoperabilità: È direttamente compatibile con i principali framework di analisi RNA-seq (ad esempio, AnnData), garantendo una perfetta integrazione nei flussi di lavoro esistenti.

Risultati
Gli autori hanno validato pysigscore utilizzando i dataset CCLE, TCGA e PBMC. La validazione ha dimostrato la capacità del framework di recuperare gli arricchimenti biologici attesi, specificamente nelle firme legate al fegato, all'ipossia, all'infiammazione e al ciclo cellulare. I risultati confermano che il framework può elaborare con successo diversi tipi di dati e produrre punteggi coerenti e interpretabili attraverso differenti contesti sperimentali.

Significatività
L'articolo posiziona pysigscore non solo come uno strumento di calcolo, ma come un framework riproducibile per il confronto metodologico. Consentendo agli utenti di calcolare, confrontare e valutare simultaneamente la robustezza di diversi metodi di calcolo, esso affronta il limite per cui non esiste un singolo approccio ottimale per tutti i contesti. Lo strumento permette ai ricercatori di andare oltre la semplice selezione di un metodo "migliore" a priori, abilitando invece decisioni basate sui dati su quale strategia di calcolo si adatti meglio a specifiche domande biologiche e caratteristiche del dataset.