HR-VILAGE-3K3M: A Human Respiratory Viral Immunization Longitudinal Gene Expression Dataset for Systems Immunity

Technische Samenvatting: HR-VILAGE-3K3M

Probleemstelling
Respiratoire virale infecties vormen een aanzienlijke wereldwijde gezondheidslast, maar de cellulaire immuunmechanismen die ten grondslag liggen aan bescherming en pathologie blijven onvolledig begrepen. Hoewel cohorten met natuurlijke infecties gegevens uit de echte wereld bieden, missen deze vaak pre-expositie baselines en gecontroleerde timing. Daartegenover genereren humane inoculatie- en vaccinatiestudies gestructureerde longitudinale transcriptomische data; deze datasets zijn echter momenteel verspreid over publieke repositories (bijv. GEO, ImmPort, ArrayExpress) en worden inconsistent verwerkt.

Belangrijke barrières voor integratieve en AI-gestuurde analyse zijn:

• Dataklaarheid: Publieke repositories hosten data op variërende niveaus van verwerking (rauw, gedeeltelijk verwerkt, genormaliseerd), vaak gegenereerd door afzonderlijke studiespecifieke pipelines, wat leidt tot ernstige batch-effecten.
• Metadatafragmentatie: Cruciale fenotypische data (infectiestatus, symptomen, antilichaamtiters) zijn vaak gefragmenteerd over supplementaire bestanden of verschillende repositories, waarbij sample-ID's frequent niet overeenkomen tussen expressie- en metadatafiles.
• Technische Inconsistenties: Data worden geprofileerd op diverse platforms (microarray, bulk RNA-seq, scRNA-seq) met inconsistente gen-symbolen en identificaties.
• Kwaliteitscontrole-tekortkomingen: Veel datasets missen rigoureuze preprocessing-evaluatie en bevatten technische artefacten (bijv. negatieve waarden, discrete expressieniveaus) of duplicaten van dezelfde subjecten die onder verschillende studies zijn gedeponeerd.

Methodologie
De auteurs hebben HR-VILAGE-3K3M (Human Respiratory Viral Immunization LongitudinAl Gene Expression) ontwikkeld, een gecureerde benchmark-repository die data integreert van 66 studies met 3.178 subjecten. De constructiewerkwijze omvatte:

1. Datacollectie: Aggregatie van genexpressieprofielen, metadata en ruwe antilichaamdata van GEO, ImmPort en ArrayExpress. Dit omvatte gerichte outreach naar studie-auteurs om ontbrekende subject-niveau antilichaamtiters te verkrijgen.
2. Gestandaardiseerde Preprocessing:
   • Bulk Data: Microarray-data (Affymetrix en Illumina) werden verwerkt met RMA-normalisatie, probe-naar-gen mapping, Quantile Normalization (QN) en log2-transformatie. RNA-seq data werden gemapt naar officiële HGNC-gensymbolen, waarbij ruwe counts werden geleverd of gegenereerd vanuit FASTQ-bestanden via alignment en kwantificatie.
   • Single-Cell Data: Data in diverse formaten (h5ad, 10x matrix) werden geïntegreerd in Python AnnData-objecten, gefilterd (genen die in <10 cellen tot expressie komen verwijderd) en genormaliseerd (total-count normalisatie naar 10.000, log1p transformatie).
3. Harmonisatie en QC:
   • Gen-symbool Standaardisatie: Alle symbolen werden uitgelijnd met de officiële HGNC-nomenclatuur met behulp van het HGNChelper pakket om door Excel veroorzaakte formatteringsfouten te corrigeren.
   • Verwijdering van Duplicaten: Dupliciet samples van dezelfde subjecten uit verschillende studies werden geïdentificeerd via Spearman-correlatie van expressieprofielen en verwijderd, waarbij de versie met de meest uitgebreide tijdstippen werd behouden.
   • Metadata Unificatie: Sample-ID's werden uitgelijnd met expressiematrices, en subject-niveau identificaties werden gestandaardiseerd om antilichaammetingen over studies heen te koppelen.
   • Uitkomstdefinitie: Infectie- en symptoomstatussen werden gestandaardiseerd. Voor influenza vaccins werd de responsstatus gedefinieerd door Hemagglutinatie Inhibitie (HAI) titers (Hoog: MFC ≥4, Dag 28 ≥40; Non-responders: MFC ≤1).
4. Benchmark Analyses: De auteurs valideerden de dataset via drie analyses:
   • Voorspelling van Biologische Kenmerken: Sekse- en leeftijdsvoorspelling met behulp van baseline volbloed-transcriptomen om datakwaliteit en platformconsistentie te beoordelen.
   • Uitkomstvoorspelling: Het voorspellen van de antilichaam-responder status in influenza vaccinatiestudies met behulp van longitudinale bulk-data, waarbij batch-correctiemethoden (QN, ComBat, Regressie) en modelleringsstrategieën (PCA-GEE, RNN, LSTM, GRU, Transformer) werden vergeleken.
   • Celtype Annotatie: Vergelijking van immuuncelproporties afgeleid van gekoppelde bulk en single-cell SARS-CoV-2 vaccinatiegegevens met behulp van xCell en automatische annotatietools (SingleR, GPTCelltype).

Belangrijkste Resultaten

• Dataset Samenstelling: HR-VILAGE-3K3M bevat 14.136 expressieprofielen van 3.178 deelnemers. Het omvat 15 inoculatiestudies (5 virussen: H3N2, H1N1, HRV, RSV, SARS-CoV-2), 47 vaccinatiestudies (Influenza, COVID-19) en 4 gemengde expositiestudies. Platforms omvatten microarray (52%), RNA-seq (38%) en 10x Genomics scRNA-seq (11%).
• Kwaliteitscontrole Validatie:
  • Sekse Voorspelling: Classifiers gebaseerd op Y-chromosoom markers bereikten bijna perfecte discriminatie (ROC-AUC: 0,989 voor microarray, 0,991 voor RNA-seq), wat de nauwkeurigheid van de sample-labeling bevestigt.
  • Leeftijd Voorspelling: Modellen behaalden sterke voorspellende prestaties ($R^2 \approx 0,83$ voor microarray, $0,71$ voor RNA-seq met Ridge regressie), wat aantoont dat baseline transcriptomen substantiële leeftijd-gerelateerde variatie coderen.
• Batch Effect en Voorspellend Modelleren:
  • Batch Correctie: Quantile Normalization (QN) behield het biologische signaal (scheiding van responder status) beter dan ComBat, dat over-corrigeerde en de uitkomst-scheiding verminderde.
  • Voorspellende Prestaties: Het Transformer-model met QN-correctie behaalde de hoogste prestatie bij het voorspellen van antilichaam responders (AUC: 0,737, Accuraatheid: 0,663), waarmee het recurrent neural networks (RNN, LSTM, GRU) en andere correctiemethoden overtrof.
• Multi-modale Consistentie: Analyse van gekoppelde bulk en scRNA-seq data van SARS-CoV-2 vaccinatie toonde consistente temporele trends (bijv. toename van B-cellen, afname van Monocyt/NK van Dag 1 naar Dag 7) tussen scRNA-seq proporties en bulk xCell enrichment scores.

Betekenis en Claims
Het artikel positioneert HR-VILAGE-3K3M als een fundamentele bron voor systeemimmunologie en AI-gestuurd onderzoek. De primaire bijdragen zijn:

1. Toegankelijkheid: Het transformeert gefragmenteerde, ruwe en inconsistente publieke data in een geharmoniseerde, direct bruikbare bron, waardoor de tijdrovende stappen van datadetectie, opschoning en integratie worden overgeslagen.
2. Benchmarking: Het dient als een rigoureuze benchmark voor het ontwikkelen en evalueren van computationele methodologieën, inclusief batch-effect correctie, genexpressie imputatie, deep learning voorspelling en de deconvolutie van bulk-data met behulp van single-cell referenties.
3. AI Enablment: De schaal en heterogeniteit van de dataset ondersteunen het pre-trainen van foundation models om complexe immuundynamiek te vangen, wat transfer learning voor kleinere, ondergepowered datasets faciliteert.
4. Wetenschappelijke Bruikbaarheid: De bron maakt de ontdekking van vroege biomarkers mogelijk, de identificatie van causale genen en de studie van temporele immuundynamiek over diverse pathogenen en expositypten (vaccinatie versus inoculatie).

De auteurs benadrukken dat de dataset publiekelijk beschikbaar is op Hugging Face met analysecode op GitHub, ontworpen om reproduceerbaar en schaalbaar onderzoek naar vaccin- en antivirale ontwikkeling te versnellen.