Causal differential expression analysis under unmeasured confounders with causarray

Dit artikel introduceert causarray, een robuust causaliteitsinference-framework dat ongemeten verstorende factoren corrigeert om causale genexpressie-effecten te onthullen in heterogene single-cell en bulk-genomische datasets, zoals aangetoond in studies naar autisme en de ziekte van Alzheimer.

De kern

Titel: causarray: De detective die de ware oorzaak vindt in een rommelige kamer

Stel je voor dat je een enorme, drukke kamer hebt vol met duizenden mensen (cellen). Iedereen praat, beweegt en reageert op iets. Je wilt weten: Wat veroorzaakt wat? Bijvoorbeeld: "Als we dit ene medicijn geven (de behandeling), verandert dan het gedrag van de mensen (de genen)?"

Het probleem is dat deze kamer niet eerlijk is. Er zijn veel dingen die je niet ziet, maar die wel invloed hebben:

• Iemand is net wakker geworden (een biologische factor).
• Iemand zit in een tocht (een technische factor).
• Iemand is net een ruzie begonnen met een buurman (een verborgen oorzaak).

In de wetenschap noemen we dit verwarrende factoren (confounders). Als je niet oppast, denk je dat het medicijn iets doet, terwijl het eigenlijk de tocht of de ruzie was.

De auteurs van dit papier (Du en collega's) hebben een nieuwe tool bedacht, genaamd causarray. Hier is hoe het werkt, vertaald naar simpele taal:

1. Het probleem: De "Grote Rommel"

In het verleden hadden wetenschappers twee manieren om dit op te lossen, maar beide hadden gebreken:

• De "Lijntrekker" (Lineaire modellen): Dit is alsof je probeert een rommelige kamer op te ruimen met een rechte lijn. Het werkt goed als alles netjes is, maar in biologie is alles vaak rommelig, vol gaten (nul-waarden) en onvoorspelbaar. De lijntrekker mist dan veel belangrijke details.
• De "Matchmaker" (Matching-methoden): Dit is alsof je probeert twee mensen te vergelijken die precies hetzelfde zijn. Maar als de kamer te groot en te complex is, kun je geen perfecte match vinden. Dan blijft er nog steeds rommel over die je resultaten verpest.

2. De oplossing: causarray (De Slimme Detective)

causarray is als een super-slimme detective die twee dingen tegelijk doet:

Stap 1: De onzichtbare geesten opsporen (Confounder Adjustment)
De detective kijkt niet alleen naar wat je ziet, maar zoekt naar de "onzichtbare geesten" in de kamer. Hij gebruikt een slimme wiskundige methode (een generalized factor model) om te raden welke verborgen factoren (zoals batch-effecten of cel-cyclus) de mensen beïnvloeden.

• Analogie: Stel je voor dat je ziet dat mensen in de kamer sneller lopen. De detective zegt: "Wacht, ik zie dat de vloer nat is (verborgen factor). Dat is de reden, niet het medicijn!" Hij corrigeert zijn berekening voor die natte vloer.

Stap 2: Het "Wat-zou-er-gebeurd-zijn"-scenario (Semiparametrische Inference)
Nu de detective de rommel heeft opgeruimd, gebruikt hij een andere truc. Hij vraagt zich af: "Als deze persoon het medicijn had gekregen, hoe had hij zich dan gevoeld? En wat als hij het niet had gekregen?"
Hij gebruikt hiervoor geavanceerde computermodellen (zoals Random Forests en Neurale Netwerken) die flexibel genoeg zijn om de complexe, rommelige data te begrijpen zonder dat ze vastlopen.

• Analogie: Het is alsof je een tijdmachine hebt. Je kijkt naar iemand die het medicijn niet heeft gekregen, en je simuleert precies hoe hij zou hebben gereageerd als hij het wel had gekregen. Dan vergelijk je dat met de werkelijkheid.

3. Wat hebben ze ontdekt? (De Test)

De auteurs hebben hun detective getest op twee echte mysteries:

• Mysterie 1: Autismes en de hersenen (De Muis)
  Ze keken naar genen die risico's geven voor autisme. Eerdere methoden zagen alleen grote, vaag georganiseerde groepen. causarray zag echter precies welke specifieke genen de schuldigen waren en hoe ze de ontwikkeling van zenuwcellen en synapsen (de verbindingen tussen hersencellen) beïnvloedden. Het was alsof ze van een wazige foto naar een scherpe 4K-beeld gingen.

• Mysterie 2: Alzheimer (De Mens)
  Ze keken naar drie verschillende datasets van mensen met Alzheimer. Andere methoden gaven willekeurige resultaten die per dataset verschilde. causarray vond echter dezelfde, consistente schuldigen in alle drie de datasets. Het onthulde dat bepaalde genen direct te maken hebben met hoe hersencellen met elkaar praten (synaptische functies), wat cruciaal is voor het begrijpen van de ziekte.

Waarom is dit belangrijk?

Vroeger was het alsof je probeerde een spoor te vinden in een modderpoel: je zag alleen modder. Met causarray hebben ze een regenjas en een kompas. Ze kunnen nu:

1. Het echte effect vinden: Ze weten zeker dat het het medicijn was, en niet de tocht of de ruzie.
2. Minder fouten maken: Ze vinden minder "valse aanwijzingen".
3. Beter begrijpen: Ze zien niet alleen dat iets verandert, maar ook hoe het verandert onder verschillende omstandigheden (bijvoorbeeld: werkt het medicijn anders voor oudere mensen dan voor jongeren?).

Kortom: causarray is de nieuwe, slimme manier om uit de chaos van biologische data de echte oorzaak-gevolg relaties te halen, zodat artsen en wetenschappers betere behandelingen kunnen ontwikkelen voor ziektes als Alzheimer en autisme.

Technische samenvatting

Titel: Uncovering causal relationships in single-cell omic studies with causarray

Auteurs: Jin-Hong Du, Maya Shen, Hansruedi Mathys, en Kathryn Roeder.
Publicatie: bioRxiv (voorgesteld op 20 maart 2026).

---

1. Het Probleem

De opkomst van single-cell RNA-sequencing (scRNA-seq) en CRISPR-perturbatietechnologieën heeft de mogelijkheid geopend om causale relaties op celniveau te bestuderen. Echter, het afleiden van causale relaties uit observationele genomische data blijft een grote uitdaging vanwege:

• Onopgemeten verstorende variabelen (Unmeasured Confounders): Factoren zoals batch-effecten, technische variatie, en biologische heterogeniteit (bijv. celgrootte, celcyclusfase) die zowel de behandeling (perturbatie of ziektestatus) als het uitkomst (genexpressie) beïnvloeden.
• Tekortkomingen in bestaande methoden:
  • Methoden zoals CINEMA-OT en CoCoA-diff vertrouwen op matching-technieken die aannemen dat de causale structuur overdraagbaar is tussen behandelings- en controlegroepen. Dit faalt vaak wanneer covariaten-distributies sterk verschillen.
  • Methoden zoals RUV (Remove Unwanted Variation) en SVA (Surrogate Variable Analysis) veronderstellen lineaire relaties en zijn vaak niet optimaal voor de kenmerken van single-cell data, zoals zero-inflatie (veel nullen), overdispersie en sparsiteit.
  • Standaard tools zoals DESeq2 modelleren geen onopgemeten verstorende variabelen expliciet, wat leidt tot vertekende schattingen in observationele studies.

2. Methodologie: CausArray

De auteurs introduceren causarray, een robuust raamwerk voor causale inferentie dat specifiek is ontworpen voor array-based genomische data (zowel op pseudo-bulk als single-cell niveau) onder onopgemeten verstorende variabelen.

Het raamwerk bestaat uit drie hoofdstappen:

A. Probabilistische Modellering van Verstorende Variabelen

In plaats van lineaire modellen te gebruiken, past causarray een generalized latent factor model toe dat is aangepast voor teldata (count data).

• Model: De genexpressie $Y_{ij}$ wordt gemodelleerd via een Generalized Linear Model (GLM) met een negatief binomiale verdeling om overdispersie en zero-inflatie te hanteren.
• Decompositie: De natuurlijke parameters $\Theta$ worden ontbonden in:
  $$\Theta = \tilde{X}B^T + U\Gamma^T$$
  Waarbij $\tilde{X}$ de waargenomen covariaten en behandelingen bevat, en $U$ de latente (onopgemeten) verstorende variabelen vertegenwoordigt.
• Schattingsprocedure: De methode gebruikt een verbeterde versie van GCATE (Generalized Confounder Adjustment via Tensor Estimation) om $U$ en de bijbehorende coëfficiënten te schatten, zelfs als de relatie tussen covariaten en uitkomst niet-lineair is.

B. Semiparametrische Inferentie

Om de behandelingseffecten te schatten, gebruikt causarray het potential outcomes framework (counterfactuals) gecombineerd met semiparametrische schatting.

• Dubbel Robuustheid (Double Robustness): De methode schat twee modellen:
  1. Het outcome model ($\mu$): De verwachte genexpressie gegeven covariaten en behandeling.
  2. Het propensity score model ($\pi$): De kans op behandeling gegeven covariaten.
• Flexibiliteit: Voor het outcome model wordt een GLM (negatief binomiaal) gebruikt. Voor het propensity score model biedt de methode flexibiliteit door machine learning-algoritmen zoals Random Forests of logistieke regressie toe te staan.
• Voordeel: De schatting van het behandelingseffect is consistent (onbevooroordeeld) zolang minstens één van de twee modellen correct is gespecificeerd. Dit maakt de methode zeer robuust tegen modelmisspecificatie.

C. Downstream Analyse

Op basis van de geschatte potentiële uitkomsten ($Y(0)$ en $Y(1)$) kunnen diverse analyses worden uitgevoerd:

• Berekening van de Log Fold Change (LFC) als maatstaf voor het causale effect.
• Counterfactual imputatie: Het genereren van "denoised" expressiewaarden onder verschillende condities.
• Conditionele behandelingseffecten (CATE): Het analyseren van hoe het effect varieert afhankelijk van covariaten (bijv. leeftijd).

3. Belangrijkste Bijdragen

1. Integratie van GLM en Semiparametrische Inferentie: Causarray is de eerste methode die generaliseerde factormodellen (specifiek voor teldata) koppelt aan semiparametrische causale inferentie, waardoor het beter presteert dan lineaire benaderingen voor single-cell data.
2. Robuustheid tegen Onopgemeten Verstorende Variabelen: Door expliciet $U$ te schatten en te integreren in een dubbel-robust raamwerk, kan causarray behandelingseffecten effectief scheiden van verstorende factoren.
3. Flexibiliteit in Machine Learning: Het gebruik van flexibele algoritmen (zoals Random Forests) voor het propensity score model verbetert de aanpassing aan complexe, niet-lineaire datastructuren.
4. Toepasbaarheid op Pseudo-bulk en Single-cell: Het raamwerk werkt op beide niveaus, waarbij het bij single-cell data per celtype wordt toegepast om computatie-efficiëntie en biologische relevantie te waarborgen.

4. Resultaten

Simulatiestudies

• Benchmarking: Causarray werd vergeleken met bestaande methoden zoals DESeq2, RUV, RUV-III-NB, CINEMA-OT, CoCoA-diff en Mixscape.
• Foutcontrole: Causarray behield een False Positive Rate (FPR) dicht bij het nominale niveau (0.1) over een breed scala aan steekproefgroottes en verstorende niveaus. Andere methoden (zoals RUV en CINEMA-OT) vertoonden vaak geinflatieerde FPR's (>0.15-0.22).
• Kracht (Power): Causarray behaalde de hoogste True Positive Rate (TPR) (0.80–0.90), wat aangeeft dat het beter in staat is om echte biologische signalen te detecteren zonder valse ontdekkingen.
• Confounder Schatting: De methode toonde een hoge nauwkeurigheid (ARI > 0.7) bij het reconstrueren van onopgemeten verstorende variabelen en behield biologische signalen (ASW > 0.7) beter dan concurrerende methoden.

Toepassingen op Real Data

1. In vivo Perturb-seq (Autisme Risicogenen):

   • Analyse van CRISPR-perturbaties in ontwikkelende muizenhersenen.
   • Causarray identificeerde geclusterde causale effecten van meerdere autisme-risicogenen.
   • In tegenstelling tot RUV (dat vooral ribosoomprocessen vond, wat controversieel is als directe oorzaak), identificeerde causarray biologisch relevante paden gerelateerd aan neurale ontwikkeling en synaptische functie (bijv. bij het gen Satb2).
   • Het onthulde dat batch-effecten sterk gecorreleerd waren met de perturbatiecondities, wat leidde tot vertekende resultaten bij methoden die dit niet correct modelleren.

2. Alzheimer's Disease Case-Control Studie:

   • Integratie van drie onafhankelijke datasets (ROSMAP, SEA-AD MTG, SEA-AD PFC).
   • Causarray toonde consistentie in het identificeren van causaal beïnvloede genen over de verschillende datasets, terwijl andere methoden dataset-specifieke resultaten opleverden.
   • Het onthulde consistente veranderingen in genexpressie die direct gekoppeld zijn aan synaptische signalering en celontwikkeling.
   • Conditionele Analyse: Door leeftijd als covariaat te gebruiken, kon causarray leeftijdsafhankelijke trends in genregulatie blootleggen (bijv. sterkere effecten bij extreme leeftijden voor bepaalde genen).

5. Betekenis en Conclusie

Causarray vertegenwoordigt een significante doorbraak in de analyse van single-cell genomische data. Het lost het fundamentele probleem op van onopgemeten verstorende variabelen in observationele studies door een combinatie van geavanceerde statistische modellering (GLM voor teldata) en causale inferentie (semiparametrische dubbel-robustheid).

• Wetenschappelijke Impact: Het stelt onderzoekers in staat om van correlatie naar causaliteit te gaan in complexe ziektemechanismen zoals autisme en Alzheimer, met een hogere specificiteit en reproduceerbaarheid.
• Technische Innovatie: Het bewijst dat het modelleren van de mean-variance relatie in teldata cruciaal is voor het extraheren van biologisch relevante latente structuren, in plaats van deze als ruis te behandelen.
• Toekomstperspectief: Het raamwerk is uitbreidbaar naar andere 'omics'-leesopnames (zoals ATAC-seq of proteomics) en kan worden geïntegreerd met ruimtelijke transcriptomics of trajectanalyse.

Samenvattend biedt causarray een robuust, statistisch onderbouwd instrument om de causale architectuur van ziekten op single-cell resolutie te ontrafelen, waarbij het de valkuilen van bestaande methoden omzeilt.