scGRIP: a graph-based explainable AI framework for single-cell multi-omics Gene Regulatory Inference with Prior Knowledge

Het paper introduceert scGRIP, een verklaarbaar AI-framework dat een grafvariatiële autoencoder en vooraf bestaande kennis gebruikt om op celniveau nauwkeurige genregulatienetwerken te infereerren uit single-cell multi-omics data, wat leidt tot beter inzicht in ziekteprocessen zoals de ziekte van Alzheimer.

De kern

Stel je voor dat een menselijk lichaam een enorme, levende stad is. In deze stad wonen miljarden cellen, en elke cel is als een klein huis met een eigen bewoner. Om te begrijpen hoe deze stad werkt, moeten we weten welke bewoners (genen) met elkaar praten en wie de leiding neemt.

In de wetenschap noemen we dit een Genetisch Regulerend Netwerk (GRN). Het is een soort "stroomdiagram" dat laat zien welke factoren (zoals transcriptionele factoren) welke deuren openen of dichtdoen in het DNA, waardoor bepaalde eigenschappen ontstaan.

Het probleem is dat deze stad erg complex is. Elke cel is uniek, en de communicatie tussen hen is vaak vaag, vol ruis en moeilijk te volgen. Bestaande methoden om dit te lezen zijn vaak als een oude, onleesbare kaart: ze zijn niet scherp genoeg of te traag om de hele stad in kaart te brengen.

Hier komt scGRIP in beeld. Het is een nieuwe, slimme computerprogramma dat deze kaart opnieuw tekent, maar dan met drie speciale trucs:

1. De "Stadsplanner" (De Kennis-Graph)

Stel je voor dat je een nieuwe stad bouwt, maar je hebt geen idee waar de wegen moeten liggen. scGRIP begint niet bij nul. Het gebruikt een vooraf bestaande stadsplaat (de "prior knowledge").

• Het weet al welke gebouwen (genen) in de buurt van elkaar liggen.
• Het weet welke architecten (transcriptiefactoren) waarschijnlijk welke gebouwen beïnvloeden.
• Het maakt een groot netwerk van punten en lijnen, waarbij het weet dat bepaalde architecten bepaalde deuren openen. Dit is de "graaf" (graph) in de naam.

2. De "Talenvertaler" (Tokenisatie)

Nu moet het programma de taal van de cellen begrijpen. Elke cel spreekt een beetje anders; sommige fluisteren, anderen schreeuwen.

• scGRIP gebruikt een soort woordenboek (een "codebook"). Het vertaalt de complexe chemische signalen van een cel (wat er aan en uit staat) naar een simpele, unieke code.
• Denk hierbij aan het vertalen van een ingewikkeld gedicht naar een paar sleutelwoorden die de sfeer van het gedicht perfect samenvatten. Zo krijgt elke cel een eigen "identiteitskaart" die het programma direct kan lezen.

3. De "Detective" (Explainable AI)

Dit is misschien wel het coolste deel. Veel AI-modellen zijn een "zwarte doos": ze geven een antwoord, maar je weet niet waarom. scGRIP is geen zwarte doos; het is een detective met een vergrootglas.

• Het gebruikt een techniek genaamd GraphSHAP. Stel je voor dat de detective een misdaad oplost. Hij vraagt zich af: "Wie heeft hier echt invloed gehad?"
• Het kijkt naar elke mogelijke verdachte (een gen of een regulerend element) en zegt: "Als we deze persoon uit het verhaal halen, verandert het verhaal dan?"
• Zo kan het precies vertellen: "In deze specifieke cel is het gen APOE (bekend van Alzheimer) actief omdat SPI1 de knop heeft omgedraaid." Het geeft een duidelijke reden voor elke conclusie.

Wat heeft scGRIP ontdekt? (Het Alzheimer-voorbeeld)

De onderzoekers hebben scGRIP getest op een heel lastige zaak: Alzheimer. Ze keken naar de hersencellen van mensen met de ziekte versus gezonde mensen.

• Het resultaat: scGRIP zag iets dat andere methoden misten. In de hersencellen van Alzheimer-patiënten (vooral de "opruimers" van het brein, de microglia) was er een enorme paniekreactie.
• Het programma zag dat specifieke genen die te maken hebben met ontsteking en amyloïde (de plak die in Alzheimer-hersenenvormt) aan het werk waren.
• Het kon precies laten zien welke architecten (genen) deze paniek veroorzaakten. Het was alsof ze de brandweer niet alleen zagen brand blussen, maar ook wisten wie de brand had gestart en welke brandblussers er precies gebruikt werden.

Waarom is dit geweldig?

• Snel en schaalbaar: Het kan de hele stad (miljoenen cellen) in kaart brengen zonder vast te lopen, terwijl andere methoden vastlopen in de chaos.
• Duidelijk: Het vertelt niet alleen wat er gebeurt, maar ook waarom.
• Nauwkeurig: Het combineert de beste delen van oude kennis met nieuwe data, waardoor het veel minder fouten maakt dan eerdere methoden.

Kortom: scGRIP is als een super-slimme, nieuwsgierige stadswacht die met een moderne bril en een oude kaart de geheimen van onze cellen ontrafelt. Het helpt ons niet alleen te begrijpen hoe een gezond brein werkt, maar ook precies wat er misgaat bij ziektes zoals Alzheimer, zodat artsen in de toekomst beter kunnen ingrijpen.

Technische samenvatting

Probleemstelling

De opkomst van single-cell multi-omics technologieën (zoals gekoppelde scRNA-seq en scATAC-seq) maakt het mogelijk om genregulatoire netwerken (GRN's) op celniveau te reconstrueren. Dit is cruciaal voor het begrijpen van celheterogeniteit, ontwikkelingsroutes en ziektemechanismen. Echter, bestaande methoden voor het infereren van GRN's kampen met twee belangrijke beperkingen:

1. Gebrek aan interpretbaarheid: Veel modellen zijn "black boxes" die moeilijk te interpreteren zijn op het niveau van individuele cellen.
2. Schaalbaarheid en nauwkeurigheid: De data zijn extreem schaars, ruisgevoelig en hoogdimensionaal. Bestaande methoden die externe kennis integreren (zoals LINGER of scGLUE) vertonen vaak variabiliteit door het gebruik van heterogene motief-databases en zijn niet altijd schaalbaar naar grote datasets zonder in te leveren op prestaties.

Er is dus behoefte aan een framework dat schaalbaar is, prior-kennis (vooraf bekende biologische kennis) integreert, en interpreteerbare, cel-specifieke regulatoire interacties kan afleiden.

Methodologie: scGRIP Framework

scGRIP (single-cell Gene Regulatory Inference with Prior knowledge) is een framework dat Graph Neural Networks (GNN's), tokenisatie gebaseerd op foundation-modellen en graph-based Shapley-waarde attributie combineert. Het model bestaat uit drie hoofdfasen:

1. Gestructureerde Representatie (Prior Knowledge Graph):

   • Het regulatoire landschap wordt gemodelleerd als een heterogeen graaf.
   • Nodes: Transcriptiefactoren (TF), Regulatoire Elementen (RE, zoals enhancers/promoters) en Doelgenen (TG).
   • Edges: Potentiële interacties (TF-RE en RE-TG) afgeleid uit cis-regulatoire kennis (bijv. cisTarget voor TF-binding en genomische nabijheid tot TSS voor RE-TG koppelingen).
   • Static Features: Node2vec wordt gebruikt om statische embeddings te genereren die de globale structurele connectiviteit van het netwerk vastleggen.

2. Cel-specifieke Dynamische Embeddings (Tokenisatie):

   • Om de statische graaf dynamisch te maken, worden single-cell chromatin toegankelijkheid (ATAC) en genexpressie (RNA) getokeniseerd via een gedeelde "codebook" (geïnspireerd door xTrimoGene).
   • Dit transformeert scalair data (expressie/aanwezigheid) in latent vectorrepresentaties.
   • Een GraphSAGE-architectuur (neighborhood aggregation) wordt gebruikt om deze cel-specifieke embeddings te combineren met de statische node2vec embeddings. Hierdoor krijgt elke cel een unieke, dynamische weergave van het regulatoire netwerk.

3. Interpreteerbare Inference (GraphSHAP):

   • In plaats van alleen voorspellingen te doen, gebruikt scGRIP GraphSHAP (een uitbreiding van SHAP voor grafen) om de bijdrage van specifieke nodes (TF's en RE's) aan de voorspelling van een doelnode (TG) te kwantificeren.
   • Het model steekt subgrafen af (masking van TF's/RE's) en past een gewogen lineair surrogate-model toe om Shapley-waarden te berekenen.
   • Deze waarden fungeren als gewichten voor de randen in het GRN, waardoor de bijdrage van elke interactie op het niveau van een individuele cel kan worden gemeten.

Belangrijkste Bijdragen

1. Integratie van Prior Knowledge in een GNN: scGRIP formaliseert het regulatoire landschap als een graaf en gebruikt deze structuur om de leerprocessen te sturen, wat leidt tot biologisch fidele embeddings.
2. Tokenisatie voor Multi-omics: Door een gedeelde codebook te gebruiken voor RNA en ATAC data, kunnen cel-specifieke features worden berekend die zowel lokale data-insights als bredere netwerkcontext combineren.
3. Explainable AI voor GRN's: Het gebruik van GraphSHAP maakt het mogelijk om de "black box" van deep learning te doorbreken en cel-specifieke regulatoire bijdragen kwantitatief te maken, in plaats van alleen gemiddelde populatie-effecten te zien.

Resultaten

scGRIP werd geëvalueerd op drie multimodale single-cell datasets (PBMC, BMMC, en een Alzheimer's Disease dataset) en vergeleken met state-of-the-art methoden zoals LINGER, scGLUE en een Pearson-correlatie-baseline.

• Nauwkeurigheid in TF-RE Inference: scGRIP presteerde consistent beter in het voorspellen van TF-bindingssites (gemeten met AUPRC) vergeleken met LINGER en GLUE. Bijvoorbeeld, voor CD4 T-cells behaalde scGRIP een AUPRC van 0,630 tegenover 0,620 voor LINGER.
• Cel-type Classificatie: Op basis van de afgeleide regulatoire scores kon scGRIP celtypen nauwkeuriger classificeren (gemeten met AUROC) dan ablatie-versies zonder SHAP of zonder graaf-kennis. Dit toont aan dat de regulatoire dynamiek essentieel is voor het onderscheiden van celidentiteit.
• Ziekte-specifieke Inference (Alzheimer's Disease):
  • In microglia van Alzheimer-patiënten identificeerde scGRIP significante verschuivingen in regulatoire netwerken.
  • Het vond geassocieerde interacties met bekende risicogenen zoals APOE en SPI1.
  • Gen-set verrijking analyses (GSEA) toonden aan dat de afgeleide netwerken geactiveerde immuunpaden (neutrofiel degranulatie) en amyloïd-gerelateerde responsen weerspiegelen, wat consistent is met de pathologie van de ziekte.
• Interpretabele Topics: Het Embedded Topic Model (ETM) component identificeerde coherente regulatoire modules (topics) die specifiek waren voor microglia en andere celtypen, met duidelijke TF-RE-TG tripletten die biologische programma's vertegenwoordigden.
• Cross-modale Imputatie: scGRIP overtrof bestaande modellen (zoals BABEL) in het voorspellen van genexpressie uit chromatin toegankelijkheid en vice versa, wat aantoont dat het model de functionele koppeling tussen epigenetica en transcriptie goed leert.

Betekenis en Conclusie

scGRIP biedt een krachtig, schaalbaar en interpreteerbaar framework voor het ontrafelen van genregulatie op het niveau van individuele cellen. De belangrijkste implicaties zijn:

• Biologische Validatie: Het model levert niet alleen voorspellingen, maar deze worden ondersteund door experimentele data (ChIP-seq) en onafhankelijke datasets.
• Mechanistisch Inzicht: Door cel-specifieke netwerken te kunnen visualiseren, kunnen onderzoekers nu zien hoe ziekteprocessen (zoals bij Alzheimer) specifieke regulatoire circuits in bepaalde celtypen (zoals microglia) beïnvloeden, in plaats van alleen gemiddelde effecten te zien.
• Toekomstperspectief: De methode opent de deur voor het analyseren van ruimtelijke transcriptomics en het integreren van proteomics-data, en kan helpen bij het ontdekken van de novo regulatoire interacties die niet in bestaande databases staan.

Kortom, scGRIP combineert de kracht van deep learning met biologische prior-kennis en explainable AI om een nieuw niveau van resolutie te bereiken in het begrijpen van celidentiteit en ziektemechanismen.