Technische Samenvatting: Efficiënte Imputatie voor Patch-gebaseerde Ontbrekende Single-cell Data via Cluster-geregulariseerde Optimaal Transport

1. Probleemstelling

Single-cell sequencing-technologieën genereren hoogdimensionale data die berucht zijn om hun spaarzaamheid, veroorzaakt door "dropout"-gebeurtenissen (technische nullen) en biologische afwezigheid van expressie. Hoewel er talloze imputatiemethoden bestaan, gaan deze doorgaans uit van uniforme ontbrekende waarden of volledigheid van de data. Ze hebben vaak moeite met patch-gebaseerde ontbrekende data, een scenario waarbij volledige blokken van kenmerken (bijvoorbeeld alle eiwitmetingen in een CITE-seq-batch of alle genexpressiewaarden in een specifieke modaliteit) ontbreken voor een subset van de dataset.

Bestaande methoden vertrouwen vaak op lokale gelijkenissen of sterke aannames over de volledigheid van de data, wat leidt tot oververzachting (het vervagen van biologische onderscheidingen) of het niet kunnen herstellen van gestructureerde afwezigheden. Bovendien missen veel benaderingen de rekenkundige efficiëntie die vereist is voor datasets op grote schaal; imputatie vereist hierbij vaak minuten tot uren.

2. Methodologie: CROT

De auteurs stellen Cluster-Regularized Optimal Transport (CROT) voor, een algoritme dat is ontworpen om ontbrekende waarden in tabulaire single-cell data imputeren door een incomplete dataset ($X_2$) af te stemmen op een complete referentiedataset ($X_1$).

Kernmechanisme

CROT formuleert imputatie als een optimalisatieprobleem dat de afstand tussen de verdelingen van de incomplete en complete data minimaliseert, terwijl de biologische structuur behouden blijft. De methode maakt gebruik van Entropisch Optimaal Transport (OT) om een transportplan te berekenen dat kenmerken van $X_1$ naar $X_2$ mapt.

De totale verliesfunctie, $L_{CROT}$, bestaat uit twee termen:

1. Data-niveau Afstemming: De Sinkhorn-divergentie ($S^\epsilon_p$) tussen de ruwe data-verdelingen van $X_1$ en $X_2$. Dit zorgt ervoor dat de geïmputeerde waarden overeenkomen met de waargenomen verdeling.
2. Cluster-regularisatie: Een regularisatieterm ($\alpha S^\epsilon_p$) die de Sinkhorn-divergentie minimaliseert tussen de clustercentroïden van $X_1$ en $X_2$.

Algoritmische Werkflow

1. Initialisatie: Ontbrekende invoer in $X_2$ wordt geïnitieerd met de kolomgemiddelden van $X_1$ plus Gaussisch ruis.
2. Bepaling van Clusters: Het optimale aantal clusters ($k$) wordt bepaald voor de referentiedata $X_1$ met behulp van de Elbow-methode en toegepast op $X_2$.
3. Alternatieve Optimalisatie:
   • Clustering-stap: K-means clustering wordt uitgevoerd op bemonsterde subsets van $X_1$ en de huidige schatting van $X_2$ om clusterlabels toe te wijzen en centroïden ($C_1, C_2$) te berekenen. Merk op dat de discrete toewijzingsstap niet-differentieerbaar is; daarom worden toewijzingen vastgehouden tijdens de gradiëntupdate.
   • Transport-stap: De Sinkhorn-divergentie wordt berekend voor zowel de datamonsters als de clustercentroïden.
   • Update: De ontbrekende invoer in $X_2$ wordt bijgewerkt via gradiëntafstijging (met de Adam-optimizer) om de gecombineerde verliesfunctie te minimaliseren.
4. Convergentie: Het proces wordt herhaald totdat het verlies convergeert, doorgaans binnen 150 iteraties.

Complexiteit

Het algoritme maakt gebruik van mini-batching (bemonstering van $l$ rijen) om schaalbaarheid te waarborgen. De totale tijdscomplexiteit is $O(m_1 \cdot n + T \cdot l^2)$, waarbij $m_1$ het aantal cellen in de referentie is, $n$ het aantal kenmerken, $T$ het aantal buitenste iteraties en $l$ de batchgrootte. Deze lineaire afhankelijkheid van de datasetgrootte zorgt voor aanzienlijke snelheidswinsten ten opzichte van full-matrix OT-benaderingen.

3. Belangrijkste Bijdragen

• Nieuw Kader: Introductie van CROT, de eerste op optimaal transport gebaseerde imputatiemethode die specifiek is ontworpen om patch-gebaseerde ontbrekende waarden (volledige modaliteitsblokken) in single-cell data te behandelen.
• Behoud van Structuur: De integratie van een cluster-regularisatieterm zorgt ervoor dat de geïmputeerde data de celtype-structuur (centroïden) van de referentiedata nabootst, waardoor het instorten van onderscheiden celidentiteiten wordt voorkomen.
• Efficiëntie: De methode bereikt superieure imputatie-accuraatheid met drastisch gereduceerde runtime (seconden versus minuten/uren voor baselines) door gebruik te maken van entropische regularisatie en mini-batch optimalisatie.
• Robuste Evaluatie: Uitgebreide evaluatie op drie real-world datasets (CITE-seq, Multiome, PBMC) onder gesimuleerde patch-gebaseerde dropout-scenario's.

4. Experimentele Resultaten

De auteurs hebben CROT geëvalueerd tegen state-of-the-art baselines, waaronder MAGIC, scImpute, DeepImpute, totalVI, MultiVI en SCOTv2.

• Numeriek Herstel: CROT behaalde de hoogste Pearson-correlatiecoëfficiënt (PCC) en de laagste Mean Absolute Error (MAE) en Root Mean Square Error (RMSE) over alle drie de datasets. Bijvoorbeeld, op de CITE-seq-dataset behaalde CROT een PCC van $0,76 \pm 0,04$ en een MAE van $0,47 \pm 0,02$, waarmee het de volgende beste methode (totalVI) overtrof.
• Clusteringprestaties: In termen van celtype-clustering (gemeten aan de hand van Adjusted Rand Index, NMI en Purity) overtrof CROT consistent andere methoden. Op CITE-seq behaalde het een ARI van $0,83$ en een Purity van $0,93$, significant hoger dan ruwe data of andere imputatiemethoden.
• Biologische Fideliteit: Visualisaties (UMAP) en analyse van de expressie van marker-eiwitten (bijvoorbeeld CD3, CD14, CD19) bevestigden dat CROT biologische heterogeniteit en celtype-specifieke signatuur beter behoudt dan concurrenten, die vaak een afgezwakte marker-specificiteit vertoonden.
• Rekenkundige Efficiëntie: CROT toonde uitzonderlijke snelheid en voltooide imputatie in 5, 12 en 39 seconden voor respectievelijk de CITE-seq-, Multiome- en PBMC-datasets. Dit vertegenwoordigt ongeveer 1–2% van de runtime die nodig is voor de gemiddelde baseline-methode.
• Ablatie en Robuustheid:
  • Ablatiestudies bevestigden dat zowel de data-niveau verliesfunctie als de cluster-regularisatieterm noodzakelijk zijn voor optimale prestaties.
  • Sensitiviteitsanalyse toonde aan dat de methode robuust is tegen variaties in de regularisatiesterkte ($\alpha$) en het aantal clusters ($k$).
  • Robuustheidstests gaven aan dat hoewel de prestaties genadig verslechteren onder gedeeltelijke willekeurige ontbrekende waarden (50-75% masking) en niet-overeenkomende cluster-samenstellingen (ontbrekende celtypen), het toch concurrerend blijft, hoewel de methode uitgaat van een vergelijkbare biologische samenstelling tussen referentie en doel.

5. Betekenis en Beweringen

Het artikel beweert dat CROT een robuste oplossing biedt voor imputatie in heterogene, hoogdimensionale datasets met gestructureerde data-afwezigheid, en zo een kritieke kloof aanpakt waar traditionele, op dropout gerichte algoritmen falen.

De auteurs benadrukken dat door optimaal transport te koppelen aan regularisatie op clusterniveau, CROT effectief een balans vindt tussen numerieke nauwkeurigheid en behoud van biologische structuur. De methode wordt gepresenteerd als een praktisch, schaalbaar hulpmiddel voor single-cell analyse op grote schaal met meerdere modaliteiten, capable om betekenisvolle biologische signalen (zoals zeldzame celpopulaties en ontwikkelings-trajecten) te herstellen die vaak worden verduisterd door ruis of ontbrekende data. De auteurs erkennen beperkingen met betrekking tot expliciete batch-correctie en afhankelijkheid van de referentiedata die een vergelijkbare biologische samenstelling deelt, en wijzen deze aan als gebieden voor toekomstige verfijning.