📊 statistics

Conformal inference for cell type annotation with graph-structured constraints

Dit artikel introduceert een nieuw conform inferentiekader, geïmplementeerd in het R-pakket `scConform`, dat gebruikmaakt van graafgestructureerde celontologieën en risicobeheersing om de interpreteerbaarheid en coherentie van celtype-annotaties in single-cell transcriptomica te verbeteren, terwijl het tegelijkertijd distributieverschuivingen tussen trainings- en testdata aanpakt.

Oorspronkelijke auteurs: Daniela Corbetta, Livio Finos, Ludwig Geistlinger, Davide Risso

Gepubliceerd 2026-06-09

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Daniela Corbetta, Livio Finos, Ludwig Geistlinger, Davide Risso

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Plaatje: Gokken met een Veiligheidsnet

Stel je voor dat je een detective bent die een verdachte probeert te identificeren uit een rij van 15 verschillende mensen. Een standaard computermodel werkt als een detective die naar één persoon wijst en zegt: "Dat is hij!" Maar soms is de detective niet 100% zeker. Missie kan zijn dat de verdachte een beetje op Persoon A lijkt, maar ook een beetje op Persoon B.

Als de detective alleen Persoon A kiest, kan hij ernaast zitten. Als hij zowel A als B kiest, is hij veiliger, maar als A en B totaal vreemden voor elkaar zijn (zoals een bakker en een piloot), dan maakt de lijst niet veel zin.

Dit artikel introduceert een nieuwe manier voor computers om deze gokken te doen. In plaats van alleen naar één persoon te wijzen, geeft het een lijst met mogelijkheden die er gegarandeerd in zorgt dat het echte antwoord meestal in de lijst staat. Nog beter: het zorgt ervoor dat de mensen op de lijst aan elkaar gerelateerd zijn, zoals een stamboom, zodat de lijst logisch is.

Het Probleem: De "Stamboom" van Cellen

In de biologie bestuderen wetenschappers minuscule bouwstenen die cellen worden genoemd. Er zijn veel soorten cellen (zoals T-cellen, B-cellen, spiercellen) en ze zijn aan elkaar gerelateerd in een specifieke hiërarchie, vergelijkbaar met een stamboom.

De Boom: Alle "T-cellen" zijn kinderen van "Lymfocyten". "CD4+ T-cellen" en "CD8+ T-cellen" zijn neven van elkaar.
Het Probleem: Oude computermethoden kunnen zeggen dat een cel óf een "CD4+ T-cel" óf een "Spiercel" is. Deze twee staan heel ver uit elkaar op de stamboom. Als de computer in de war is, is het geven van een lijst met deze twee ongerelateerde opties verwarrend en niet erg nuttig.

De Oplossing: Een "Slim Veiligheidsnet"

De auteurs hebben een methode ontwikkeld genaamd Conformal Inference. Zie dit als een "veiligheidsnet" voor voorspellingen.

De Garantie: De methode belooft: "Als je mijn lijst met gokken gebruikt, garandeer ik dat het echte antwoord in 9 much 90% van de gevallen in die lijst zit." Het maakt niet uit hoe goed of slecht het oorspronkelijke computermodel is; het veiligheidsnet past zichzelf aan om deze belofte na te komen.
De Grafiekbeperking (Graph Constraint): Dit is de speciale draai van het artikel. In plaats van zomaar willekeurige gokken te pakken, kijkt de methode naar de "Stamboom" (de grafiek).
- Als de computer heel zeker is, geeft hij je één specifiek blad aan de boom (bijv. "CD4+ T-cel").
- Als de computer onzeker is, in plaats van een willekeurige mix van verre verwanten te geven, beweegt hij omhoog in de stamboom naar een gemeenschappelijke voorouder.
- Analogie: Als je niet zeker weet of de verdachte een "CD4+ T-cel" of een "CD8+ T-cel" is, zet de methode niet beide op de lijst. In plaats daarvan zegt het: "Het is zeker een T-cel." Dit is één duidelijk antwoord dat beide mogelijkheden dekt zonder verwarrend te zijn.

Het Omgaan met het "Verschillende Kamers" Probleem (Distribution Shift)

Stel je voor dat je de detective hebt getraind met foto's van mensen uit New York, maar nu probeer je mensen uit Tokio te identificeren. De belichting, kleding en gemiddelde kenmerken kunnen anders zijn. Dit wordt een "distribution shift" genoemd.

Het Probleem: Als de computer getraind is op een dataset met voornamelijk "Spiercellen" en je test het op een dataset met voornamelijk "Bloedcellen", kan het veiligheidsnet breken omdat de computer in de war is door de nieuwe mix.
De Oplossing: De auteurs hebben een "resampling"-truc bedacht. Voordat de definitieve veiligheid net wordt gemaakt, doen ze alsoen dat ze de trainingsfoto's door elkaar husselen, zodat de mix van mensen in de trainingskamer precies lijkt op de mix van mensen in de testkamer. Dit helpt het veiligheidsnet correct te werken, zelfs wanneer de data afkomstig is van verschillende bronnen (zoals verschillende ziekenhuizen of patiënten).

Praktijktesten

De auteurs hebben dit idee op twee manieren getest:

De Darmtest van de Muis: Ze gebruikten data uit de darmen van muizen. Ze ontdekten dat hun nieuwe methode lijsten produceerde die logischer waren. Wanneer de computer onzeker was, groepeerde het gerelateerde cellen samen (zoals zeggen dat het een "T-cel" is in plaats van een mix van "CD4" en "B-cel"). Ze lieten ook zien dat wanneer de computer echt in de war was (zoals bij een celtype dat hij nog nooit eerder had gezien), hun methode zou zeggen: "Ik weet het niet, het zou een van deze kunnen zijn," wat een eerlijk en nuttig antwoord is.
De COVID-19 Test: Ze bekeken bloedcellen van COVID-19 patiënten. Ze simuleerden een scenario waarin ze de celtypen van een nieuwe patiënt moesten voorspellen op basis van oude gegevens. Hun methode kon de verschillen in celaantallen tussen de oude en nieuwe data succesvol afhandelen, waarbij betrouwbare groepen gokken werden geleverd die de biologische stamboom respecteerden.

De Kern van het Verhaal

Dit artikel geeft wetenschappers een hulpmiddel om celvoorspellingen te doen die:

Eerlijk zijn: Ze geven toe wanneer ze het niet zeker weten door een bredere, veiligere lijst te geven.
Logisch zijn: De lijsten respecteren de biologische stamboom, zodat de antwoorden zinvol zijn.
Betrouwbaar zijn: Ze hebben een wiskundige garantie dat het juiste antwoord meestal in de lijst staat.
Aanpasbaar zijn: Ze kunnen situaties aan waarin de nieuwe data er anders uitziet dan de oude trainingsdata.

De auteurs hebben dit hulpmiddel beschikbaar gesteld als een gratis softwarepakket genaamd scConform, zodat andere wetenschappers dit kunnen gebruiken om hun eigen celvoorspellingen betrouwbaarder te maken.

Technische Samenvatting: Conformal Inference voor Celtype-annotatie met Grafen-gestructureerde Constraints

Probleemstelling
Single-cell transcriptomics staat voor aanzienlijke uitdagingen bij de voorspelling van celtypen, met name wat betreft de kwantificering van onzekerheid. Traditionele referentie-gebaseerde benaderingen vertrouwen vaak op puntvoorspellingen (het toewijzen van een enkel label met de hoogste waarschijnlijkheid), wat de inherente onzekerheid van het model niet in beeld brengt, vooral wanneer meerdere celtypen vergelijkbare waarschijnlijkheden hebben. Ho hoewel conformal prediction een raamwerk biedt voor het genereren van geldige voorspellingssets met garanties voor eindige steekproeven, blijft de toepassing ervan in single-cell genomics onderbelicht. Bovendien produceren standaard conformal methoden vaak voorspellingssets die semantisch ver verwijderd zijn of niet gerelateerd zijn binnen de biologische hiërarchie (bijv. het voorspellen van zowel een specifieke T-cel als een stroma-cel), wat de interpretatie bemoeilijkt. Daarnaast lijden real-world toepassingen frequent aan distributieverschuivingen, specifiek label shifts waarbij de celtype-compositie verschilt tussen de referentie (training/kalibratie) en de test-datasets, wat de vereiste uitwisselbaarheid (exchangeability) voor standaard conformal inference schendt.

Methodologie
De auteurs stellen een nieuw raamwerk voor dat conformal risk control integreert met de grafen-gestructureerde constraints van de Cell Ontology.

Grafen-gestructureerde Conformal Risk Control:
- Ontologie Integratie: De methode maakt gebruik van de Cell Ontology als een Directed Acyclic Graph (DAG), waarbij bladknopen (leaf nodes) specifieke celtypen vertegenwoordigen en interne knopen bredere categorieën.
- Score Constructie: Voor een voorspelde klasse $\hat{y}(x)$ berekent het algoritme scores $g(v, x)$ voor voorouderknopen (ancestor nodes) $v$ , gedefinieerd als de som van de voorspelde waarschijnlijkheden van alle blad-afstammelingen van $v$ .
- Voorspellingsset Constructie: In plaats van verspreide bladknoden terug te geven, identificeert het algoritme de meest specifieke voorouder $v$ van de voorspelde klasse wiens cumulatieve score een drempelwaarde $\lambda$ overschrijdt. De voorspellingsset $C_\lambda(x)$ bestaat uit alle blad-afstammelingen van deze voorouder, plus de blad-afstammelingen van elke andere voorouder met scores strikt onder $\lambda$ (om de nestelingseigenschap te waarborgen die vereist is voor risk control).
- Verliesfunctie: De methode hanteert een miscoverage loss function, waardoor de kans dat het ware label buiten de voorspellingsset valt, begrensd wordt door een door de gebruiker gespecificeerde foutmarge $\alpha$ .
Adresseren van Distributieverschuiving (Label Shift):
- In het besef dat celtype-composities vaak verschillen tussen referentie- en test-datasets, stellen de auteurs een tweestapsbenadering voor. Eerst wordt aangenomen dat technische en biologische covariant-shifts worden gemitigeerd via bestaande integratiemethoden (bijv. Harmony, LIGER).
- Ten tweede, om label shift (verschillen in celtype-frequenties) aan te pakken, introduceren zij een resampling strategie. De testdata wordt verdeeld in twee subsets ( $S_1, S_2$ ). Een model wordt getraind op de referentie-data, en waarschijnlijkheden worden geschat op $S_1$ . De kalibratieset wordt vervolgens ge-resampled volgens deze geschatte waarschijnlijkheden om de testdistributie te matchen. Deze ge-resamplede set wordt gebruikt om voorspellingssets te kalibreren voor $S_2$ . Het proces wordt herhaald met omgewisselde rollen. Deze strategie benadert de importance-weighted expectation die vereist is voor geldige dekking onder label shift zonder voorafgaande kennis van de testdistributie.

Belangrijkste Bijdragen

Grafen-geconstraineerde Voorspellingssets: Het artikel introduceert een conformal algoritme dat de hiërarchische structuur van celontologieën benut om voorspellingssets te genereren die semantisch coherent zijn. In plaats van onsamenhangende labels, geeft de methode sets terug die overeenkomen met specifieke voorouders in de ontologie, wat een enkele, interpreteerbare label (of diens afstammelingen) levert die de onzekerheid samenvat.
Label Shift Correctie: De auteurs bieden een praktische resampling techniek aan om de label shift in single-cell annotatie te corrigeren, waardoor de geldige dekking (coverage) wordt hersteld wanneer referentie- en test-datasets verschillende celtype-composities hebben.
Implementatie: De methode is geïmplementeerd in het open-source R-pakket scConform (beschikbaar via Bioconductor), waardoor de aanpak toegankelijk is voor de genomics community.

Resultaten
De auteurs hebben hun methode geëvalueerd met behulp van twee datasets:

Merfish Mouse Ileum Dataset:
- In vergelijking met standaard split conformal inference produceerde de grafen-gestructureerde methode voorspellingssets met lagere intra-set afstanden (gemiddelde afstand 1.148 vs. 1.616), wat wijst op een hogere semantische coherentie.
- Hoewel de grafen-gebaseerde sets gemiddeld iets groter waren, produceerden ze frequent single-label voorspellingen wanneer de zekerheid hoog was.
- Cruciaal is dat voor cellen die behoren tot categorieën die niet aanwezig zijn in de referentie (bijv. "Myenteric Plexus"), de grafen-gebaseerde methode correct "onbesliste" (inconclusive) sets produceerde (bevat alle 15 labels), terwijl standaard conformal inference onjuist specifieke referentie-labels toeweegde, waardoor faalde in het signaleren van de out-of-distribution aard van de data.
COVID-19 Patiënt Dataset:
- In een realistische klinische setting met ongebalanceerde celtype-distributies, slaagde de voorgestelde resampling strategie erin de onderdekking (under-coverage) problemen te corrigeren.
- Zonder resampling overschreed de empirische dekking het nominale niveau (over-coverage). Met de resampling correctie (zowel oracle als geschat), convergeerde de dekking dichter naar de doelwaarde van 0.9.
- De methode slaagde erin fijnmazige voorspellingen te consolideren in biologisch betekenisvolle voorouders (bijv. het groeperen van plasma-cel subtypes onder "antibody secreting cell"), wat een verbeterde interpreteerbaarheid demonstreert.

Significantie en Claims
Het artikel claimt dat het integreren van grafen-gestructureerde constraints in conformal inference de interpreteerbaarheid van celtype-voorspellingen in single-cell data aanzienlijk verbetert. Door voorspellingssets af te stemmen op de biologische hiërarchie, vermijdt de methode de ambiguïteit van onsamenhangende labels en biedt het een meer intuïtieve samenvatting van de modelonzekerheid.

De auteurs benadrukken dat hun aanpak finite-sample validiteitsgaranties biedt, ongeacht de nauwkeurigheid van de onderliggende classifier. In tegen tegenstelling tot hiërarchische classificatiemethoden die fouten door de boom propageren zonder dekking-garanties, zorgt deze methode ervoor dat de gerapporteerde set het ware celtype bevat met een voorgeschreven waarschijnlijkheid ( $1-\alpha$ ). Voorts biedt de voorgestelde resampling strategie een principiële oplossing voor het veelvoorkomende probleem van label shift in genomics, waardoor betrouwbare onzekerheidskwantificering mogelijk is, zelfs wanneer referentie- en test-datasets verschillen in compositie. Het werk positioneert conformal inference als een robuust instrument voor downstream analyse, waardoor onderzoekers expliciet modelonzekerheid kunnen integreren in plaats van te vertrouwen op potentieel misleidende puntvoorspellingen.