scLodestar: Scalable probabilistic clustering of single  cells in a continuous probability space

Sintesi Tecnica di scLodestar

Problematica
L'analisi convenzionale del sequenziamento dell'RNA a singola cella (scRNA-seq) si affida ad algoritmi di clustering "hard" (ad esempio, Leiden, Louvain) che assegnano ogni cellula a un singolo cluster discreto. Gli autori sostengono che questo paradigma imponga una discretezza artificiale alla realtà biologica, dove le cellule spesso esistono in traiettorie di differenziazione continue, co-esprimono marcatori di più linee cellulari e occupano stati transitori. Il clustering hard oscura questa eterogeneità, impone decisioni arbitrarie sui confini e non fornisce una quantificazione del principio di incertezza. Inoltre, le alternative esistenti — come il clustering soft, l'inferenza di traiettoria o i modelli generativi profondi — spesso mancano di scalabilità per dataset di dimensioni "atlas", non forniscono appartenenze interpretabili o richiedono conoscenze pregresse sulla direzionalità.

Metodologia
scLodestar (Single Cell Landmark-based Teleportation Markov Chain Clustering) propone un framework in cui ogni cellula non è rappresentata come un'etichetta discreta, ma come una distribuzione di probabilità su un insieme di $L$ stati "landmark" all'interno di un simplesso di probabilità $\Delta_{L-1}$. Il flusso di lavoro consiste in tre fasi primarie:

1. Costruzione del Grafo: Viene costruito un grafo dei vicini più prossimi condivisi (SNN) a partire dagli embedding cellulari (tipicamente coordinate PCA). I pesi degli archi sono determinati dalla similarità di Jaccard degli insiemi di vicini, seguiti da un'opzionale potatura e rinormalizzazione anisotropa per gestire l'eterogeneità della densità.
2. Selezione dei Landmark Sensibile alla Densità: Le cellule rappresentative (landmark) vengono selezionate tramite clustering k-medoids. Per garantire la rappresentazione delle regioni a bassa densità, il metodo impiega un sovracampionamento consapevole della densità, pesando maggiormente le cellule a bassa densità durante il processo di selezione. Gli autori introducono un algoritmo personalizzato, OneBatchPAM, per accelerare questo passaggio.
3. Proiezione tramite Random Walk with Restart (RWR): Le cellule vengono proiettate nel simplesso di probabilità utilizzando il PageRank personalizzato. Un camminatore casuale parte da un landmark e, con una probabilità $\alpha$, teletrasporta verso quel landmark, oppure, con una probabilità $1-\alpha$, transita verso un vicino basandosi sui pesi SNN. La distribuzione stazionaria di questo cammino per ogni landmark definisce le probabilità di appartenenza per tutte le cellule. Questo viene risolto tramite iterazione di potenza su una matrice sparsa.

Contributi Tecnici Chiave

• Rappresentazione Probabilistica: Invece di etichette discrete, scLodestar produce un vettore di appartenenza $m_i \in \Delta_{L-1}$ per ogni cellula. Ciò consente:
  • Quantificazione dell'Incertezza: L'incertezza di assegnazione è misurata tramite entropia ($H_i$) e margine di probabilità ($\Delta_i$), identificando cellule transitorie o ambigue.
  • Identificazione Continua dei Marcatori: I geni vengono identificati correlando l'espressione con vettori di appartenenza continui piuttosto che con gruppi discreti, catturando cambiamenti graduali di espressione.
  • Imputazione Fedele: L'espressione genica è imputata come una media pesata di Dirichlet dei profili di espressione dei landmark. Questo previene l' "allucinazione" (assegnare pattern di espressione a cellule con zero affinità per uno stato).
• Scalabilità tramite Kernel Personalizzati: Per affrontare il costo computazionale dei metodi probabilistici su grandi dataset, gli autori hanno implementato due kernel ad alte prestazioni in C/Cython:
  • OneBatchPAM: Accelera la selezione dei landmark di 400 volte rispetto al k-medoids standard (BanditPAM) utilizzando calcoli di distanza in batch e terminazione anticipata.
  • RWR Ottimizzato per CSR Sparsi: Accelera il calcolo del random walk di 100 volte rispetto alle implementazioni NetworkX, sfruttando le operazioni su matrici Compressed Sparse Row (CSR).
• Correzione del Batch nello Spazio delle Probabilità: Il metodo integra dati multi-campione allineando le distribuzioni di probabilità nel simplesso piuttosto che nello spazio di espressione grezza, sfruttando la normalizzazione intrinseca dei vettori di probabilità per ridurre la sensibilità alla variazione tecnica.

Risultati
Gli autori hanno validato scLodestar attraverso quattro diversi dataset:

1. Midollo Osseo Umano (17k cellule): Il metodo ha identificato 26 cluster landmark e ha rivelato popolazioni transitorie con alta entropia che erano oscurate dal clustering hard. Ha permesso visualizzazioni a colori sfumati dei continui cellulari e il rilevamento di marcatori basato sulla correlazione.
2. PBMC 10x Genomics 3k: Ha dimostrato la selezione di cellule basata sulla confidenza (filtraggio delle cellule ambigue) e un'imputazione genica fedele. Per marcatori come Ptprc e Reln, l'imputazione ha rimosso il rumore di fondo senza introdurre segnali spuri nelle popolazioni negative.
3. Mesoderma Embrionale di Topo (3 milioni di cellule): La pipeline ha elaborato 3 milioni di cellule in circa cinque minuti. Ha raggiunto un'alta purezza (0.78) e omogeneità (0.68) rispetto alle annotazioni degli autori, catturando con successo complesse traiettorie di sviluppo e sottotipi (ad es. sottotipi di condrociti).
4. Malattia Renale Diabetica (14 donatori): In un benchmark di correzione del batch contro Harmony, scLodestar ha ottenuto un mixing dei batch superiore (punteggi iLISI e KBET più elevati) mantenendo al contempo metriche di conservazione biologica competitive.

Significatività e Rivendicazioni
L'articolo sostiene che scLodestar fornisca un framework unificato che colma il divario tra la sfumatura biologica e la scalabilità computazionale. Rappresentando l'identità cellulare come una distribuzione di probabilità completa, risolve la tensione tra la natura continua della differenziazione e i requisiti discreti delle pipeline di analisi standard.

Gli autori sottolineano che il loro approccio:

• Rivela la Biologia Nascosta: Scopre popolazioni transitorie e cambiamenti graduali di espressione invisibili al clustering hard.
• Garantisce la Fedeltà: Previene gli artefatti di "allucinazione" comuni nei metodi di imputazione aggressivi ancorando il denoising alla appartenenza probabilistica.
• Scala alla Dimensione degli Atlas: Attraverso il co-design algoritmico (OneBatchPAM e CSR-RWR), rende fattibile il clustering probabilistico per dataset contenenti milioni di cellule, elaborando 3 milioni di cellule in cinque minuti.
• Offre un Nuovo Paradigma di Integrazione: Suggerisce che l'allineamento delle cellule nello spazio delle probabilità sia un'alternativa valida e spesso superiore all'allineamento nello spazio di espressione per rimuovere gli effetti batch.

Gli autori concludono che questo paradigma probabilistico sposta il campo verso analisi consapevoli dell'incertezza, consentendo rappresentazioni più fedeli dell'identità cellulare mentre continua a scalare verso dataset di livello atlas.