scVGAE: A ZINB-Based Variational Graph Autoencoder for Single-Cell RNA-Seq Imputation

In elke levende cel wordt een kleine bibliotheek met instructies, genaamd RNA, constant gelezen en herschreven om de cel te vertellen wat hij moet doen. Wetenschappers hebben een manier ontwikkeld om een momentopname van deze instructies te maken voor individuele cellen, een techniek die bekend staat als single-cell RNA-sequencing. Deze technologie stelt onderzoekers in staat om de unieke verschillen te zien tussen cellen die er onder een microscoop identiek uitzien, waardoor de verborgen diversiteit die weefsels en organen vormt, zichtbaar wordt. Het proces van het maken van deze momentopnamen is echter imperfect. Omdat de hoeveelheid materiaal in een enkele cel zo klein is, zijn de resulterende gegevens vaak incompleet, vol met lege plekken waar de machine er niet in slaagde een signaal te detecteren dat er eigenlijk wel was. Deze ontbrekende stukjes, vaak nullen genoemd, kunnen eruitzien alsof de cel een bepaald gen simpelweg niet gebruikt, terwijl het gen in werkelijkheid actief is maar de meting te zwak was om het te vangen. Deze schaarste maakt het moeilijk om cellen in hun juiste typen te groeperen of om te begrijpen hoe ze functioneren, vergelijkbaar met het proberen op te lossen van een puzzel met veel ontbrekende stukjes.

Om dit probleem op te lossen, hebben onderzoekers verschillende methoden ontwikkeld om de gaten op te vullen, een proces dat imputatie wordt genoemd. Sommige methoden kijken naar vergelijkbare cellen en lenen informatie van hen, terwijl andere wiskundige trucjes gebruiken om te raden wat de ontbrekende waarden zouden moeten zijn op basis van patronen in de gegevens. Een nieuwe aanpak genaamd scVGAE, ontwikkeld door Yoshitaka Inoue aan de Universiteit van Minnesota, biedt een andere strategie. In plaats van alleen maar ontbrekende getallen te raden, bouwt deze methode een kaart van hoe cellen met elkaar samenhangen en gebruikt een probabilistisch kader om het volledige beeld te reconstrueren. Het doel is om het ware biologische signaal te herstellen uit de ruisachtige, incomplete gegevens zonder valse informatie te verzinnen.

De onderzoekers begonnen door de cellen te organiseren in een netwerk op basis van hoe vergelijkbaar hun genetische profielen zijn. Stel je de cellen voor als punten op een kaart, waarbij lijnen degenen verbinden die het meest op elkaar lijken. Om deze kaart hanteerbaar te maken voor een computer, heeft het team de complexe genetische gegevens eerst vereenvoudigd tot een kleinere set kenmerken, en vervolgens elke cel verbonden met zijn dertig dichtstbijzijnde buren. Dit creëerde een ijle, efficiënte web van relaties die de structuur van de celpopulatie vastlegt zonder het systeem te overbelasten met te veel verbindingen.

Zodra de kaart was gebouwd, gebruikte het team een type kunstmatige intelligentie genaamd een graph neural network om ervan te leren. Dit systeem behandelt elke cel als een knooppunt in het netwerk en stuurt informatie langs de verbindende lijnen, waardoor elke cel kan leren van zijn buren. In tegen tegenstelling tot oudere methoden die één enkel, vast antwoord voor elke cel produceren, creëert dit nieuwe systeem een reeks mogelijke antwoorden, die de onzekerheid die inherent is aan de gegevens vertegenwoordigt. Het vraagt de computer in feite om een wolk van mogelijkheden voor te stellen voor wat het ware genetische profiel van een cel zou kunnen zijn, in plaats van hem te dwingen slechts één getal te kiezen. Deze probabilistische aanpak helpt het model eerlijk te blijven over wat het weet en wat het raadt.

Het systeem probeert vervolgens de oorspronkelijke genetische gegevens te herbouwen vanuit deze geleerde mogelijkheden. Dit doet het op twee manieren tegelijkertijd. Ten eerste gebruikt het een statistisch model dat specifiek is ontworeten voor count-data om het aantal keren te voorspellen dat een gen is afgelezen, rekening houdend met het feit dat sommige nullen echt zijn en sommige slechts fouten. Ten tweede reconstrueert het direct de expressiematrix, waarbij de ontbrekende waarden worden ingevuld om een volledige, schone versie van de gegevens te creëren. Het model wordt getraind door zijn gissingen constant te vergelijken met de werkelijke gegevens waarmee het begon, waarbij het zijn interne regels aanpast totdat het betrouwbaar onderscheid kan maken tussen echte biologische stilte en technische fouten.

De onderzoekers testten deze nieuwe methode op veertien verschillende real-world datasets, die een grote verscheidenheid aan weefsels en soorten beslaan. Ze vergeleken scVGAE met vijf andere gevestigde methoden voor het invullen van ontbrekende gegevens, evenals met de originele, onbewerkte gegevens. De prestaties werden gemeten aan de hand van hoe goed de cellen in hun juiste typen konden worden gegroepeerd na het opschonen van de gegevens. In deze test behaalde de nieuwe methode de hoogste gemiddelde score voor het correct identificeren van celgroepen, waarbij zij de andere benaderingen overtrof. Het rangschikte ook als tweede in een gerelateerde maatstaf voor hoe goed de groepen overeenkwamen met de bekende biologische categorieën. De resultaten suggereren dat het combineren van een kaart van celrelaties met een probabilistische aanpak voor datareconstructie een krachtige manier is om de ware structuur van biologische monsters te herstellen.

Om te begrijpen welke delen van het systeem het belangrijkst waren, voerde het team experimenten uit waarbij ze specifieke componenten verwijderden. Ze ontdekten dat het statistische model dat ontworend is voor count-data het meest cruciale onderdeel was; zonder dit daalde het vermogen om cellen correct te groeperen aanzienlijk. De directe reconstructie van de gegevens hielp ook, maar in mindere mate. Interessant genoeg droeg het deel van het systeem dat met onzekerheid en willekeur omgaat bij aan het succes, maar de specifieke wiskundige straf die werd gebruikt om het model stabiel te houden, had een kleiner effect dan verwacht. Dit geeft aan dat de kracht van de methode meer voortkomt uit het vermogen om te samplen uit een reeks mogelijkheden en de gespecialiseerde behandeling van count-data, dan uit de strikte wiskundige beperkingen die vaak in soortgelijke modellen worden gebruikt.

De studie concludeert dat deze nieuwe aanpak een concurrerende manier biedt om single-cell gegevens op te schonen, waarbij de natuurlijke structuur van celpopulaties behouden blijft en een volledige expressiematrix wordt geproduceerd. De auteur merkt op dat hoewel de methode goed werkt bij veel verschillende soorten gegevens, de prestaties kunnen variëren afhankelijk van de specifieke kenmerken van de dataset. Er wordt ook op gewezen dat de huidige evaluatie zich richtte op hoe goed de methode hielp bij het groeperen van cellen, in plaats van op de vraag of het elke enkele ontbrekende waarde perfect kon herstellen. Toekomstig werk zal moeten onderzoeken hoe goed het model met onzekerheid omgaat en of het kan worden aangepast aan verschillende manieren om de celkaarten te bouwen. Voor nu demonstreert het werk dat het behandelen van celgegevens als een verbonden netwerk met ingebouwde onzekerheid een veelbelovende weg voorwaarts biedt voor het begrijpen van de complexiteit van het leven op cellulair niveau.