Partial domain adaptation enables cross domain cell type annotation between scRNA-seq and snRNA-seq

Dit artikel introduceert ScNucAdapt, een methode die gebruikmaakt van partiële domeinadaptatie om nauwkeurige en robuuste celtypeannotatie mogelijk te maken tussen gekoppelde en niet-gekoppelde scRNA-seq- en snRNA-seq-datasets.

De kern

De "Taalvertaler" voor Cellen: Hoe ScNucAdapt twee werelden samenbrengt

Stel je voor dat je twee verschillende bibliotheken hebt die vol staan met boeken over hetzelfde onderwerp: het menselijk lichaam.

• Bibliotheek A (scRNA-seq): Hier staan de boeken in perfect gebonden, nieuwe edities. Ze zijn helder en makkelijk te lezen, maar je kunt ze alleen krijgen als je de "boeken" (cellen) levend en gezond uit de bibliotheek kunt halen.
• Bibliotheek B (snRNA-seq): Hier staan de boeken in oude, soms beschadigde edities. Ze zijn vaak bevroren of uit moeilijk bereikbare plekken gehaald. Je kunt ze niet als heel boek lezen, maar je kunt wel de kern (de "nucleus") eruit halen om te zien wat erin staat.

Het probleem? De schrijfstijl, de papierkwaliteit en zelfs de inhoud van de boeken lijken heel anders. Als je een expert vraagt om de boeken uit Bibliotheek A te gebruiken om de boeken in Bibliotheek B te begrijpen, raakt hij in de war. Hij ziet verschillen die er niet echt zijn, of hij mist belangrijke details.

De uitvinding: ScNucAdapt

De onderzoekers in dit papier hebben een slimme computerprogramma bedacht, genaamd ScNucAdapt. Je kunt dit zien als een super-vertaler die niet alleen woorden vertaalt, maar ook de cultuurverschillen tussen de twee bibliotheken begrijpt.

Hier is hoe het werkt, in simpele termen:

1. De "Gemeenschappelijke Vertaalcode" (Deel 1: De Encoder)

Stel je voor dat ScNucAdapt eerst een nieuwe, neutrale taal bedenkt die beide bibliotheken kunnen begrijpen. Het neemt de complexe informatie uit beide soorten data en drukt deze om in een simpele, gemeenschappelijke "code". Of het nu een levende cel of een bevroren kern is, in deze code zien ze eruit als vrienden die dezelfde taal spreken.

2. De "Slimme Groepering" (Deel 2: Dynamische Clustering)

In Bibliotheek B (de bevroren kernen) weten we vaak niet precies hoeveel soorten boeken er zijn. Misschien zijn er 5 soorten, misschien 7.
ScNucAdapt doet alsof het een dynamische boekindeling is. Het begint met een paar grote stapels boeken en kijkt dan heel nauwkeurig: "Zie ik hier een boek dat net iets anders is? Dan splits ik die stapel." Of: "Zie ik twee stapels die eigenlijk hetzelfde zijn? Dan smeed ik ze samen."
Het doet dit zonder dat iemand hoeft te zeggen hoeveel soorten er precies zijn. Het leert zelf het juiste aantal te vinden.

3. De "Matchmaker" die geen fouten maakt (Deel 3: Partial Domain Adaptation)

Dit is het slimste deel. Soms heeft Bibliotheek A een boek over "Zeldzame Bloedcellen", maar heeft Bibliotheek B die soort helemaal niet.
Een stomme vertaler zou proberen die zeldzame cel toch te vinden in Bibliotheek B en zou dan een fout maken.
ScNucAdapt is slimmer. Het werkt met een Partial Domain Adaptation-strategie. Het zegt: "Oké, ik zie dat Bibliotheek A een boek heeft dat Bibliotheek B niet heeft. Ik negeer dat boek en focus alleen op de boeken die we beide hebben."
Zo voorkomt het dat de vertaler in de war raakt door dingen die er niet zijn. Het matcht alleen de dingen die echt overeenkomen.

Waarom is dit belangrijk?

• Het redt bevroren schatten: Veel oude medische monsters zijn bevroren en kunnen niet met de "levende" methode (scRNA-seq) worden onderzocht. Met ScNucAdapt kunnen wetenschappers nu die oude, bevroren monsters toch vergelijken met nieuwe, levende monsters.
• Het maakt de puzzel compleet: Wetenschappers kunnen nu een completer plaatje maken van hoe ziektes werken, omdat ze data van verschillende bronnen (levend vs. bevroren) eindelijk samen kunnen voegen.
• Het werkt beter dan de rest: De tests in het papier tonen aan dat ScNucAdapt veel nauwkeuriger is dan de oude methoden. Het maakt minder fouten en herkent cellen beter, zelfs als de data heel verschillend is.

Kort samengevat:
ScNucAdapt is als een slimme tolk die twee groepen mensen die totaal anders spreken en eruitzien, toch in staat stelt om perfect met elkaar te communiceren. Het negeert de verschillen die verwarrend zijn, focust op wat ze gemeen hebben, en helpt wetenschappers om de geheimen van ons lichaam beter te ontrafelen, of de data nu vers of bevroren is.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Partial domain adaptation enables cross domain cell type annotation between scRNA-seq and snRNA-seq" in het Nederlands.

Probleemstelling

In de single-cell analyse is het nauwkeurig annoteren van celtypen over verschillende datasets heen een grote uitdaging. Hoewel scRNA-seq (single-cell RNA sequencing) de standaard is, is het vaak onmogelijk om levende cellen te isoleren uit bevroren weefsels of moeilijk te dissociëren weefsels. snRNA-seq (single-nucleus RNA sequencing) biedt hier een oplossing voor, maar introduceert een significant "domain shift" (domeinverschuiving) ten opzichte van scRNA-seq.

De huidige methoden behandelen scRNA-seq en snRNA-seq vaak als onafhankelijke datasets, wat leidt tot inconsistenties. De specifieke uitdagingen zijn:

1. Verschillen in distributie: scRNA-seq en snRNA-seq vangen verschillende biologische signalen op (geheel cel vs. kern), wat leidt tot fundamentele verschillen in genexpressiepatronen.
2. Mismatch in labelruimtes: In een realistische scenario is de samenstelling van celtypen in de doel-dataset (target) onbekend. De doel-dataset kan een subset van de bron-dataset (source) zijn, of juist unieke celtypen bevatten. Traditionele domeinadaptatie-methoden, die uitgaan van identieke labelruimtes, falen hierdoor of veroorzaken "negatieve transfer" (waarbij irrelevante bronklassen de prestaties verslechteren).

Methodologie: ScNucAdapt

De auteurs stellen ScNucAdapt voor, een computerautomatisch kader dat gebruikmaakt van Partial Domain Adaptation (PDA). Het doel is om kennis over te dragen van een gelabelde bron-dataset naar een ongelabelde doel-dataset, waarbij alleen de gedeelde celtypen worden gematcht en niet-gedeelde typen worden genegeerd.

Het kader bestaat uit drie kerncomponenten:

1. Gedeelde Encoder (Shared Encoder):

   • Een gedeeld neurale netwerk (bestaande uit twee volledig verbonden lagen) extrahereert features van zowel de bron- als de doel-datasets.
   • Het projecteert beide datasets naar een gemeenschappelijke latente ruimte, waardoor vergelijkbare biologische patronen worden vastgelegd ondanks de technische verschillen.

2. Dynamische Clustering in Doeldata:

   • Omdat het aantal celtypen in de doel-dataset onbekend is, gebruikt ScNucAdapt een dynamisch clustering-mechanisme (geïnspireerd door DeepDPM en PRAGA).
   • Het start met een Gaussische Mixture Model (GMM) dat de doel-representaties clusteren.
   • Via een split-and-merge framework (gebaseerd op de Metropolis-Hastings ratio) worden clusters automatisch opgesplitst of samengevoegd. Dit stelt het model in staat het juiste aantal clusters te leren zonder voorafgaande kennis.

3. Cauchy-Schwarz Divergentie (CS Divergence) Matching:

   • Om de overeenkomst tussen de bekende bron-celtypen en de dynamisch gegenereerde doel-clusters te meten, wordt de Cauchy-Schwarz Divergentie gebruikt.
   • Dit is een maatstaf voor de afstand tussen twee kansdistributies. Het model minimaliseert deze divergentie tussen bronklassen en doelclusters.
   • Door alleen de paren met de laagste divergentie te selecteren, wordt negatieve transfer van niet-overlappende celtypen geminimaliseerd.

Trainingsstrategie:
Het model wordt getraind in twee fasen:

• Fase 1 (Warm-up): De encoder wordt getraind op minibatches zonder clustering om een zinvolle feature-ruimte te leren.
• Fase 2: Per epoch worden GMM-clustering en split/merge-operaties uitgevoerd op de volledige doel-dataset. Vervolgens worden de bron- en doel-datasets gematcht via de CS-divergentie. De totale loss functie is een combinatie van classificatieverlies (cross-entropy) en het CS-divergentie-verlies, gewogen door een hyperparameter $\lambda$.

Belangrijkste Bijdragen

• Eerste PDA-toepassing: ScNucAdapt is, voor zover bekend, de eerste methode die zich specifiek richt op cross-annotatie tussen gepaarde en ongepaarde scRNA-seq en snRNA-seq datasets.
• Omgaan met onbekende labelruimtes: Het kader lost het probleem op waarbij de doel-dataset een subset is van de bron-dataset (Partial Domain Adaptation), wat cruciaal is voor real-world toepassingen.
• Robuustheid: Het combineert distributie-uitlijning met dynamische clusterselectie, waardoor het zowel distributieverschillen als verschillen in celsamenstelling aankan.

Resultaten

De auteurs hebben ScNucAdapt getest op diverse weefsels (blaas, nier, tumoren, muiscortex) en vergeleken met bestaande methoden zoals SingleCellNet, ScMap, ScAdapt en ScNCL.

• Prestaties: ScNucAdapt overtrof consistent alle vergelijkende methoden in zowel nauwkeurigheid (Accuracy) als Macro-F1-score.
  • Voorbeeld (Blaas, Immune): ScNucAdapt behaalde 91,05% nauwkeurigheid vs. 90,24% voor ScAdapt en 81,02% voor SingleCellNet.
  • Voorbeeld (Tumor, MBC): ScNucAdapt behaalde 95,39% vs. 94,17% voor ScAdapt.
• Ablatie-studies: Experimenten waarbij de CS-divergentie of de dynamische clustering werden verwijderd, toonden een aanzienlijke daling in prestaties, wat aantoont dat beide componenten essentieel zijn.
• Sensitiviteitsanalyse: Het model is robuust tegenover variaties in de initiële cluster-aantallen (hyperparameter $C$) en de afwegingsparameter ($\lambda$), wat de toepasbaarheid in de praktijk vergroot.
• Schaalbaarheid: Het geheugengebruik schaalt lineair met het aantal cellen. De rekentijd wordt beperkt door de GMM-operaties op de volledige dataset per epoch, maar dit kan worden geoptimaliseerd door deze minder vaak uit te voeren.

Betekenis en Toekomstperspectief

ScNucAdapt biedt een praktisch en krachtig raamwerk voor het integreren van single-cell en single-nucleus data. Dit is van groot belang voor:

• Het analyseren van bevroren archiefstalen (waarbij scRNA-seq vaak niet mogelijk is).
• Het identificeren van fragiele of zeldzame celtypen die in snRNA-seq beter worden gevangen.
• Het creëren van een consistent beeld van celdiversiteit over verschillende experimentele protocollen en weefselcondities heen.

Beperkingen en Toekomstig Werk:
De auteurs wijzen op enkele uitdagingen voor toekomstig onderzoek:

• Het omgaan met labelruis in de bron-datasets.
• Het ontdekken van nieuwe celtypen in de doel-dataset (Open-Set Domain Adaptation).
• Het hanteren van heterogene feature-ruimtes (waarbij de genensets tussen datasets sterk verschillen).
• Het verbeteren van generalisatie in hoge dimensies en het aanpakken van ongelijke verdelingen van celtypen binnen een domein.

Samenvattend vult ScNucAdapt een belangrijke leemte in de single-cell bio-informatica door een robuuste oplossing te bieden voor de complexe uitdagingen van cross-domein annotatie tussen twee fundamenteel verschillende sequencing-technologieën.