scLongTree: an accurate computational tool to infer the longitudinal tree for scDNAseq data

Het artikel introduceert scLongTree, een schaalbaar en nauwkeurig computergereedschap dat subclonale evolutiebomen voor kanker kan afleiden uit longitudinale single-cell DNA-sequencing-data en hiermee de bestaande methoden overtreft.

De kern

scLongTree: De Tijdmachine voor Kanker-Genen

Stel je voor dat kanker een enorme, chaotische familie is. Deze familie groeit en verandert continu. Sommige leden (cellen) krijgen nieuwe eigenschappen (mutaties), terwijl andere hun eigenschappen verliezen. Om te begrijpen hoe deze familie zich ontwikkelt en hoe we ze kunnen verslaan, willen we een stamboom maken.

Maar hier zit een probleem: als we alleen kijken naar één moment in de tijd, is het alsof we een foto van een familiefeest maken. We zien wie er is, maar we weten niet wie de opa is, wie de vader, en wie de zoon. We weten niet in welke volgorde de eigenschappen zijn ontstaan.

Wat is scLongTree?
De onderzoekers hebben een nieuwe computerprogramma gemaakt, genaamd scLongTree. Dit is als een slimme tijdmachine die niet alleen naar één foto kijkt, maar naar een video van het familiefeest. Ze hebben foto's genomen op verschillende momenten (tijdpunten) tijdens de ziekte.

Hier is hoe het werkt, vertaald in alledaagse taal:

1. Het Grote Puzzle-probleem

Kanker-DNA is vaak beschadigd of onvolledig, alsof je een puzzel probeert te maken waarbij sommige stukjes ontbreken (missende data) en er soms stukjes van een andere puzzel tussen zitten (fouten).

• De oude manier: Bestaande programma's (zoals LACE) waren als een kind dat probeert een puzzel te maken met alleen de stukjes van één foto. Als er te veel stukjes zijn (honderden mutaties), raakt het kind in de war en stopt het.
• De nieuwe manier (scLongTree): Dit programma kijkt naar de video. Omdat het weet wanneer een cel is gefotografeerd, kan het beter raden welke puzzelstukjes bij elkaar horen. Het kan zelfs stukjes invullen die tussen twee foto's in zijn verdwenen.

2. Het Oplossen van de "Spook-Clustertjes"

Soms denkt de computer dat er een nieuwe familie tak is ontstaan, terwijl het eigenlijk maar een foutje in de meting was (een "spook").

• De analogie: Stel je voor dat je een groep mensen ziet dansen. Soms denkt de computer dat er een nieuwe dansgroep is begonnen, terwijl het eigenlijk maar één persoon was die even apart stond.
• scLongTree's truc: Het programma is heel kritisch. Het zegt: "Wacht even, als we die 'nieuwe groep' weghalen, wordt de hele stamboom logischer en kloppen de fouten minder?" Als dat zo is, haalt het die spook-groep weg. Zo blijft alleen de echte, logische familiegeschiedenis over.

3. Het Invullen van de Gaten (Onzichtbare Voorouders)

Soms zijn er grote tijdsgaten tussen twee metingen. Misschien is er een hele nieuwe tak van de familie ontstaan en weer verdwenen, maar hebben we die nooit gefotografeerd.

• De analogie: Je ziet een foto van een baby en 10 jaar later een foto van een volwassene. Je ziet de baby niet als peuter of tiener.
• scLongTree's truc: Het programma is slim genoeg om te zeggen: "Er moet ergens een 'peuter' hebben gezeten die de brug vormt." Het bouwt deze onzichtbare voorouders digitaal in de stamboom in, zodat de evolutie logisch blijft, zelfs als we die cellen nooit hebben gezien.

4. Waarom is dit zo belangrijk?

• Schaalbaarheid: De oude programma's konden niet omgaan met grote datasets (duizenden cellen). scLongTree kan dit wel, alsof het een vrachtwagen is in plaats van een fiets.
• Betrouwbaarheid: Als je meer puzzelstukjes toevoegt, breekt de oude methode (LACE) vaak. scLongTree wordt juist sterker en blijft dezelfde logische stamboom geven, ongeacht hoeveel data je hebt.
• Behandeling: Door precies te weten hoe de kanker evolueert (wie de "ouders" zijn van de resistente cellen), kunnen artsen beter voorspellen welke medicijnen werken en welke niet.

Samenvattend:
scLongTree is een slimme, snelle en nauwkeurige tool die helpt om de complexe familiegeschiedenis van kanker te reconstrueren. In plaats van te raden op basis van één momentopname, gebruikt het de kracht van tijd en statistiek om de waarheid te vinden, zelfs als de data onvolledig is of als er duizenden cellen zijn. Het is een grote stap voorwaarts in de strijd tegen kanker.

Technische samenvatting

Probleemstelling

Longitudinale single-cell DNA-sequencing (scDNA-seq) biedt waardevolle inzichten in de evolutie van kanker door data op verschillende tijdstippen te verzamelen. Dit helpt bij het begrijpen van de volgorde van mutaties en de ontwikkeling van subclonen. Echter, er is een gebrek aan computergestuurde tools die specifiek ontworpen zijn om subclonale bomen te infereren op basis van longitudinale scDNA-seq-data. Bestaande state-of-the-art tools (zoals SCITE, SiCloneFit) gaan er vaak van uit dat alle data op één tijdstip is verzameld, wat de mogelijkheid om mutatievolgorde op te lossen en onwaargenomen knooppunten te infereren beperkt.

De enige bestaande tool die longitudinale data aankan, LACE, heeft aanzienlijke beperkingen:

1. Schaalbaarheid: LACE kan niet omgaan met datasets met honderden mutaties (het faalt vaak binnen 24 uur bij ~140 mutaties).
2. Aannames: LACE hanteert de "infinite site assumption" (ISA), wat parallelle mutaties en terugmutaties (back mutations) uitsluit. In werkelijkheid komen terugmutaties vaak voor door kopie-getalverlies.
3. Onwaargenomen subclonen: LACE kan geen subclonen reconstrueren die niet direct in de data voorkomen (tussen twee meetmomenten), wat cruciaal is als de tijdsintervallen groot zijn.
4. Robuustheid: LACE is gevoelig voor het aantal gebruikte mutaties; de afgeleide boomstructuur verandert onnodig bij het toevoegen van extra mutaties.

Methodologie: scLongTree

scLongTree is een computationeel hulpmiddel dat een nauwkeurige subclonale boom inferreert uit longitudinale scDNA-seq-data. De pijplijn bestaat uit de volgende stappen:

1. Clustering per Tijdstip:

   • In plaats van alle cellen over alle tijdstippen te clusteren, gebruikt scLongTree de Bayesian tool BnpC om cellen per tijdstip apart te clusteren. Dit stelt het model in staat om specifieke foutpercentages (False Positives, False Negatives) per tijdstip te schatten en voorkomt dat subclonen die slechts door een paar mutaties verschillen maar op verschillende tijdstippen voorkomen, verkeerd worden gegroepeerd.

2. Eliminatie van Spurious Clusters:

   • ScLongTree identificeert en verwijdert "spurious" (schijnbare) clusters die waarschijnlijk het resultaat zijn van over-clustering. Dit gebeurt probabilistisch: een cluster wordt verwijderd als het verwijderen ervan de waarschijnlijkheid van de boom verhoogt en de foutpercentages (FP/FN) binnen acceptabele grenzen houdt. Cellen van verwijderde clusters worden opnieuw toegewezen aan andere clusters.

3. Inferentie van de Longitudinale Boom:

   • ScLongTree gebruikt een combinatorische aanpak (in plaats van MCMC zoals bij LACE) om de boomtopologie te bouwen.
   • Onwaargenomen knooppunten: Een unieke functie is het vermogen om onwaargenomen subclonen (knooppunten zonder gesequencede cellen) te infereren tussen twee opeenvolgende tijdstippen. Het algoritme zoekt naar de grootste set mutaties die gedeeld wordt door subclonen op het volgende tijdstip en bouwt een tussenliggend knooppunt om parallelle mutaties te minimaliseren.
   • k-Dollo Model: Na het bouwen van de boom past scLongTree het k-Dollo model toe. Dit model staat parallelle mutaties niet toe (een mutatie gebeurt slechts één keer), maar staat maximaal k terugmutaties toe (verlies van een mutatie), wat biologisch realistischer is voor kopie-getalverlies.

4. Correctie en Selectie:

   • Parallelle en terugmutaties worden gecorrigeerd op basis van waarschijnlijkheidsverhoudingen.
   • Omdat BnpC niet-deterministisch is, wordt de tool meerdere keren uitgevoerd. De beste boom wordt geselecteerd op basis van de laagste foutpercentages en de hoogste "tree support score".

Belangrijkste Bijdragen

• Nieuwe Tool: Introductie van scLongTree, de eerste tool die schaalbaar is voor honderden mutaties en duizenden cellen voor longitudinale data.
• Onwaargenomen Subclonen: Het vermogen om onwaargenomen knooppunten te reconstrueren, wat essentieel is voor het begrijpen van evolutie tussen verre meetmomenten.
• Robuustheid: ScLongTree is robuust tegen het aantal mutaties; de boomstructuur blijft consistent zelfs bij het toevoegen van extra mutaties, in tegenstelling tot LACE.
• k-Dollo Integratie: Het toepassen van het k-Dollo model om biologisch plausibele terugmutaties toe te staan zonder de schaalbaarheid te verliezen.

Resultaten

• Simulaties:
  • ScLongTree presteerde beter dan LACE, SCITE, SiCloneFit en RobustClone in termen van paarsgewijze SNV-accuraatheid en Robinson-Foulds (RF) nauwkeurigheid.
  • Schaalbaarheid: Waar LACE faalde bij ~140 mutaties (reken tijd > 24 uur), kon scLongTree deze datasets verwerken. ScLongTree is schaalbaar tot duizenden cellen (getest op 4.617 cellen).
  • Onwaargenomen knooppunten: ScLongTree kon onwaargenomen knooppunten nauwkeurig detecteren, wat leidde tot een hogere RF-accuraatheid vergeleken met methoden die deze knooppunten negeren.
• Real Data (SA501):
  • Op een triple-negatief borstkanker-dataset (SA501) leverde scLongTree dezelfde boomstructuur op als de oorspronkelijke studie en LACE, maar alleen met 20 mutaties.
  • Cruciaal: Toen scLongTree werd getraind op 55 mutaties, bleef de boomstructuur consistent. LACE leverde daarentegen een inconsistente boom op bij 55 mutaties (verkeerde plaatsing van mutaties), wat aantoont dat scLongTree robuuster is tegen variaties in het aantal mutaties.
• Real Data (AML107):
  • Toepassing op een groot AML-dataset (4.617 cellen) bevestigde de schaalbaarheid en de juiste reconstructie van de evolutie van driver-mutaties (TP53 en DNMT3A), consistent met de oorspronkelijke publicatie.

Betekenis

ScLongTree vult een kritieke lacune in de bio-informatica voor kanker-evolutie. Het stelt onderzoekers in staat om subclonale bomen te reconstrueren die de complexe dynamiek van tumorprogressie over de tijd nauwkeuriger weergeven dan bestaande methoden. Door het vermogen om onwaargenomen subclonen te infereren en om te gaan met grote datasets (honderden mutaties, duizenden cellen), biedt het een krachtig instrument voor het begrijpen van kankerresistentie, metastase en het plannen van behandelingsstrategieën. De tool is open source beschikbaar via GitHub.