Sintesi Tecnica: SCPInt – Disgiunzione Esplicita della Variazione Biologica e di Batch per l'Integrazione della Proteomica Single-Cell

Problematica

La proteomica single-cell (SCP) basata sulla spettrometria di massa offre una misurazione diretta degli stati funzionali cellulari, superando i limiti dei metodi basati sul sequenziamento come il CITE-seq, che catturano meno dell'1% del proteoma. Tuttavia, i dati SCP basati su MS sono intrinsecamente a bassa produttività, rendendo necessaria l'integrazione di molteplici dataset per supportare studi su scala atlas. Gli attuali metodi di integrazione (es. Harmony, scVI, Scanorama) sono progettati principalmente per dati di conteggio basati sul sequenziamento (scRNA-seq) e non riescono a modellare adeguatamente i dati SCP, che presentano distribuzioni continue, strutture di assenza eterogenee e una sostanziale variazione tecnica derivante da diverse piattaforme e protocolli di preparazione dei campioni. Inoltre, gli strumenti esistenti mancano della capacità di disgiungere e quantificare esplicitamente i complessi effetti di batch specifici per la MS-based SCP, ostacolando una completa analisi a valle e la costruzione di atlas proteomici unificati.

Metodologia: Il Framework SCPInt

SCPInt è un framework di deep learning progettato per apprendere una rappresentazione biologica unificata separando esplicitamente la variazione tecnica. Esso affronta due sfide principali: la modellazione della distribuzione specifica dei dati proteomici MS e la disgiunzione dei segnali biologici dagli effetti di batch.

1. Architettura e Componenti

Il modello opera su una matrice di espressione proteica in input e su etichette di batch, generando due embedding latenti distinti per ogni cellula: un embedding biologico e un embedding di batch.

• Encoder: Un multilayer perceptron (MLP) condiviso estrae caratteristiche globali dalla matrice di espressione in input. Queste caratteristiche vengono proiettate in due teste separate: una testa biologica e una testa di batch, producendo i rispettivi embedding.
• Decoder Batch-Conditioned Gaussian Mixture (GMM): A differenza degli autoencoder standard che assumono una singola distribuzione Gaussiana, SCPInt utilizza un modello di miscela gaussiana a due componenti, adattato alla natura continua e con eccesso di zeri (zero-inflated) dei dati SCP. Il decoder riceve in input la concatenazione dell'embedding biologico e del vettore delle etichette di batch one-hot. Esso ricostruisce la matrice di espressione proteica predicendo il peso della miscela ($\pi$), la media ($\mu$) e la varianza ($\sigma$) per ogni proteina. Questo design garantisce che l'embedding biologico non sia confuso dalle informazioni di batch, poiché la ricostruzione si basa sull'input esplicito del batch.
• Disgiunzione Avversaria (Adversarial Disentanglement):
  • Classificatore di Batch: Un classificatore predice l'etichetta di batch dall'embedding di batch, incoraggiando quest'ultimo a catturare completamente le informazioni associate al batch.
  • Discriminatore di Batch: Un discriminatore tenta di predire l'etichetta di batch dall'embedding biologico. Fondamentalmente, un livello di inversione del gradiente (Gradient Reversal Layer, GRL) è inserito tra la testa biologica e il discriminatore. Durante la backpropagation, il GRL inverte il gradiente, costringendo l'encoder a minimizzare la capacità del discriminatore di predire il batch a partire dall'embedding biologico. Questo processo avversario rimuove esplicitamente le informazioni specifiche del batch dalla rappresentazione biologica.

2. Funzione di Perdita (Loss Function)

La perdita totale è una somma pesata di quattro componenti:

1. Perdita di Ricostruzione GMM: Massimizza la verosimiglianza dei dati osservati sotto il modello di miscela gaussiana a due componenti.
2. Perdita Mean Squared Error (MSE): Una perdita ausiliaria applicata alla media della miscela per preservare il profilo globale dell'espressione proteica.
3. Perdita di Classificazione del Batch: Cross-entropy loss sull'embedding di batch per garantire che esso conservi l'informazione del batch.
4. Perdita Avversaria: Cross-entropy loss sull'embedding biologico (tramite il discriminatore) per rimuovere l'informazione del batch.

Contributi Chiave

1. Modellazione Consapevole della Distribuzione: SCPInt è il primo metodo di integrazione specificamente progettato per i dati MS-based SCP, utilizzando un modello di miscela gaussiana a due componenti per affrontare la distribuzione continua e lo zero-inflation inerenti alla proteomica, invece di fare affidamento su assunzioni basate sui conteggi.
2. Disgiunzione Esplicita: Il framework va oltre la correzione implicita del batch. Generando separatamente gli embedding biologici e di batch, permette la preservazione simultanea della struttura biologica e la quantificazione esplicita della variazione tecnica.
3. Fenotipi Tecnici Quantitativi: Gli embedding di batch fungono da "fenotipi tecnici quantitativi", consentendo la misurazione del bias delle piattaforme, degli effetti di criopreservazione e della sensibilità tecnica specifica per tipo cellulare.

Risultati

SCPInt è stato valutato attraverso sei compiti di integrazione comprendenti 18 dataset da otto studi indipendenti, che spaziano tra molteplici tecnologie, stadi di sviluppo e condizioni campionarie.

• Benchmarking su Dataset Eterogenei: Nei compiti che coinvolgono più batch da singoli studi (es. Huffman et al.) e integrazione cross-studio (es. Derks, Leduc, Specht), SCPInt ha superato costantemente i metodi allo stato dell'arte (Harmony, scVI, Scanorama, LIGER, scProtein). Ha raggiunto un equilibrio superiore tra conservazione biologica (preservazione della separazione dei tipi cellulari) e correzione del batch (mescolamento delle cellule da diversi batch).
• Costruzione di Atlas e Continuità dello Sviluppo: Applicato ai dati SCP del cervello umano attraverso vari stadi di sviluppo (GW13, GW15, GW19), SCPInt ha integrato con successo i dati preservando i manifold continui dello sviluppo. Ha permesso la ricostruzione delle traiettorie di sviluppo proteomico dai radial glia ai neuroni eccitatori, un tragufe dove altri metodi non sono riusciti a mantenere la continuità o la separazione dei tipi cellulari.
• Identificazione degli Stati Cellulari: Nei dataset di macrofagi, SCPInt ha preservato stati biologici distinti (es. trattati con LPS vs non trattati) rimuovendo al contempo gli effetti di batch. Ha identificato stati biologici significativi ("Normal" e "Inflammatory"), con l'analisi di arricchimento dei pathway che ha confermato come gli stati identificati correlassero con la segnalazione del Tipo I IFN e il riprogramma metabolico.
• Quantificazione della Variazione Tecnica:
  • Bias della Piattaforma: Utilizzando gli embedding di batch, SCPInt ha quantificato la separazione tra tre piattaforme MS (pSCoPE, SCoPE2, plexDIA). I risultati erano in linea con i principi tecnici noti, mostrando che pSCoPE e SCoPE2 (basati su TMT) erano più vicini tra loro rispetto a plexDIA (basato su DIA).
  • Effetti della Preparazione del Campione: Nei dati di tessuto fresco vs congelato, SCPInt ha rivelato che, sebbene le differenze di piattaforma spieghino la maggior parte della varianza, gli effetti di criopreservazione sono specifici per il tipo cellulare. Ad esempio, i condrociti hanno mostrato uno spostamento (shift) fresh-to-frozen maggiore rispetto ad altri tipi cellulari, e la direzione di questo spostamento variava tra i tipi cellulari, indicando una variazione tecnica strutturata piuttosto che rumore casuale.

Significato e Rivendicazioni

L'articolo sostiene che SCPInt sposti il paradigma dell'integrazione della proteomica single-cell dalla rimozione implicita degli effetti di batch verso una rappresentazione biologica unificata accoppiata a un'analisi esplicita, interpretabile e quantitativa della variazione tecnica.

Fornendo una base per la costruzione di atlas scalabili, SCPInt affronta la frammentazione degli attuali dataset MS-based SCP. La capacità di generare fenotipi tecnici quantitativi consente ai ricercatori di valutare sistematicamente i workflow sperimentali, la strumentazione e le strategie di preparazione dei campioni. Gli autori affermano che questa capacità supporta una costruzione di atlas più riproducibile e l'ottimizzazione dei workflow SCP, specialmente in contesti in cui i metadati dettagliati non sono disponibili.

Limitazioni Riconosciute:
Gli autori notano che SCPInt attualmente si affida a etichette di batch predefinite e non identifica i fattori sperimentali causali dietro i cambiamenti tecnici. Inoltre, il framework è progettato per l'integrazione di matrici di espressione e non modella coordinate spaziali o caratteristiche derivate da imaging, limitando la sua applicazione diretta alle tecnologie SCP a risoluzione spaziale come scDVP.