jazzPanda: A hybrid approach to find spatial markergenes in imaging-based spatial transcriptomics data

De auteurs presenteren jazzPanda, een hybride R-pakket dat een binning-methode toepast om ruimtelijke transcriptomics-data te analyseren en zo specifiekere ruimtelijke marker-genen te identificeren dan bestaande methoden die de ruimtelijke verdeling negeren.

De kern

JazzPanda: De Detective die de Ruimtelijke Verhalen van Cellen Ontcijfert

Stel je voor dat je een enorme, levende stad bekijkt: een stukje menselijk weefsel. In deze stad wonen miljarden kleine bewoners, de cellen. Sommige cellen zijn bouwvakkers, anderen zijn brandweerlieden, weer anderen zijn artsen. Om te begrijpen hoe deze stad werkt, moeten we weten wie waar woont en wat ze doen.

Vroeger hadden wetenschappers alleen een lijst met namen van alle bewoners (een "single cell" analyse), maar ze wisten niet waar ze precies woonden. Nu hebben we nieuwe camera's (spatiale transcriptomics) die niet alleen de namen, maar ook de exacte adresgegevens van elke cel en elk stukje DNA (transcript) kunnen vastleggen.

Het probleem? De data is zo rommelig en verspreid dat het moeilijk is om te zeggen: "Ah, deze groep cellen is een arts, en die groep is een bouwvakker." De oude methodes, die voor gewone lijsten waren bedacht, zagen de locatie niet en dachten dat alles door elkaar lag.

Hier komt JazzPanda om de hoek kijken. Het is een slim computerprogramma dat een nieuwe manier heeft gevonden om deze ruimtelijke puzzel op te lossen.

1. Het Probleem: De Verspreide Prikjes

Stel je voor dat je een foto maakt van een drukke markt. Je ziet duizenden mensen, maar je kunt ze niet goed tellen omdat ze te klein zijn en soms verdwijnen in de menigte. Als je probeert te zeggen wie de bakker is, kijk je naar de mensen die brood dragen. Maar als je alleen naar één persoon kijkt, zie je misschien niets.

In de nieuwe technologie zijn de "broden" (de genen) vaak heel klein en soms zelfs onzichtbaar per persoon. Als je naar één cel kijkt, heb je misschien maar één of twee stukjes DNA gevonden. Dat is te weinig om een betrouwbare conclusie te trekken.

2. De Oplossing: De "Puzzelborden" (Binning)

JazzPanda doet iets heel slim: het legt een groot raster (een soort schaakbord of honingraatpatroon) over de hele stad (het weefsel).

• De Analogie: In plaats van te kijken naar één persoon op één adres, kijkt JazzPanda naar een heel wijkje (een vakje in het raster).
• Het telt niet meer per persoon, maar per wijk. "Hoeveel brooddragers zitten er in dit ene wijkje?"
• Door alles in deze wijkjes te stoppen, wordt het beeld veel duidelijker. Het is alsof je van een wazige foto van één persoon overschakelt naar een heldere foto van een heel dorp. Dit noemen ze in het vakjargon "pseudobulking", maar je kunt het zien als het maken van een gemiddelde van een buurt.

3. De Twee Detectivemethodes

JazzPanda gebruikt twee manieren om te bepalen welke bewoners (cellen) bij welke groep horen:

Methode A: De Correlatie-Detective (De "Vriendenlijst")

Deze methode kijkt naar de patronen.

• Stel je voor dat je een lijst hebt van waar de "bakkers" wonen (het wijkje-raster).
• Dan kijk je naar een lijst van waar het "brood" (een specifiek gen) gevonden is.
• Als de bakkers en het brood exact dezelfde route door de stad lopen (ze zitten in dezelfde wijkjes), dan is er een sterke "vriendschap" (correlatie).
• JazzPanda schudt de stad even door elkaar (een wiskundige truc) om te zien of dit patroon toeval is of echt. Als het patroon echt is, is dat gen een markering voor die groep cellen.

Methode B: De Slimme Rekenmachine (Lineair Modelleren)

Deze methode is nog slimmer en kan meer factoren meenemen.

• Stel je voor dat je een vergelijking maakt: Gen = (Aantal Bakkers) + (Aantal Brandweerlieden) + (Stoorzenders).
• Soms is er "ruis" in de stad (bijvoorbeeld valse signalen of achtergrondgeluid). De oude methodes zagen dit niet.
• JazzPanda's rekenmachine kan deze ruis (achtergrondgeluid) apart zetten en negeren.
• Het gebruikt een trucje (Lasso) om te beslissen welke groepen echt belangrijk zijn en welke niet. Zo vindt het de echte markeringen, zelfs als er veel ruis is.

4. Waarom is dit beter dan de oude methodes?

De oude methodes (zoals de "Wilcoxon test") zijn als een hamer: ze slaan op alles en zeggen: "Dit is een bakker, en dit ook, en dit ook!" Ze vinden vaak te veel dingen die eigenlijk niets met elkaar te maken hebben.

JazzPanda is als een laserpointer:

1. Preciezer: Het vindt minder, maar veel betere markeringen.
2. Ruimtelijk: Het kijkt echt naar waar de cellen zitten, niet alleen naar wat ze zijn.
3. Robuust: Het kan omgaan met verschillende soorten data (van verschillende camera's) en zelfs met meerdere monsters tegelijk.

5. Het Resultaat: Een Heldere Kaart

Met JazzPanda kunnen wetenschappers nu een kaart maken van het weefsel waarop ze met zekerheid kunnen zeggen: "Hier woont de tumor, hier zijn de afweercellen, en hier is de gezonde lever."

Het programma heet JazzPanda omdat het een hybride aanpak is (een mix van verschillende slimme ideeën) en het werkt als een jazz-muzikant: het improviseert met de data om het beste ritme (patroon) te vinden, in plaats van stijfjes te doen wat de oude regels voorschrijven.

Kortom: JazzPanda helpt ons om de chaotische stad van cellen te ordenen, zodat we beter begrijpen hoe ons lichaam werkt en hoe we ziektes zoals kanker kunnen bestrijden. Het is een nieuwe bril waarmee we de ruimtelijke wereld van het leven scherp zien.

Technische samenvatting

Probleemstelling

Ruimtelijke transcriptomics (spatial transcriptomics) biedt inzicht in de architectuur van weefsels en cellulair micro-omgevingen. Een cruciale stap in de analyse is het identificeren van celtypen door middel van marker-genen.

• Huidige uitdaging: Bestaande methoden voor het vinden van marker-genen zijn vaak ontwikkeld voor single-cell RNA-sequencing (scRNA-seq) en negeren de ruimtelijke verdeling van genexpressie. Deze methoden behandelen data als onafhankelijke cellen zonder rekening te houden met de fysieke locatie.
• Specifieke beperkingen: Bij beeldgebaseerde ruimtelijke transcriptomics-platforms (zoals Xenium, CosMx, MERSCOPE) is de data zeer spaarzaam (sparsity); de meeste genen hebben slechts 0, 1 of 2 transcript-detecties per cel. Directe toepassing van scRNA-seq-methoden (zoals de Wilcoxon Rank Sum Test) op deze spaarzame data leidt vaak tot een overvloed aan statistisch significante genen, wat de biologische interpretatie bemoeilijkt en de specificiteit verlaagt.
• Behoefte: Er is een methode nodig die rekening houdt met de ruimtelijke coördinaten van transcript-detecties, achtergrondruis (non-specific binding) en experimentele designs met meerdere samples.

Methodologie: jazzPanda

De auteurs hebben jazzPanda ontwikkeld, een hybride aanpak die gebruikmaakt van een binning-strategie om ruimtelijke informatie te integreren in de marker-gen analyse. De workflow bestaat uit de volgende stappen:

1. Ruimtelijke Binning (Pseudobulking):

   • Het weefsel wordt opgedeeld in een rooster van tegels (tiles), die vierkant, rechthoekig of hexagonaal kunnen zijn.
   • Gen-vektoren: Het aantal transcript-detecties per gen wordt geteld per tegel. Dit creëert een 1-dimensionale vector voor elk gen, onafhankelijk van of het transcript aan een specifieke cel is toegewezen.
   • Cluster-vektoren: Het aantal cellen per cluster (celtype) wordt geteld per tegel, wat resulteert in een 1-dimensionale vector voor elk cluster.
   • Dit proces "pseudobulked" de data, waardoor de statistische power toeneemt door het samenvoegen van lage counts in ruimtelijke eenheden.

2. Twee Benaderingen voor Marker-identificatie:

   • Benadering 1: Correlatie met Permutatie:
     • Berekening van de Pearson-correlatie tussen de gen-vektor en de cluster-vektor.
     • Statistische significantie wordt bepaald door permutatie (het willekeurig herschikken van cel-labels) om een p-waarde te genereren.
     • Beperking: Moeilijk om covariaten (zoals batch-effecten of meerdere samples) te modelleren.
   • Benadering 2: Generalized Linear Modeling (GLM) met Lasso:
     • Een lineair model wordt gefit waarbij de gen-vektor de responsvariabele is en de cluster-vektoren de voorspellers.
     • Lasso-regulatie: Wordt gebruikt om de meest relevante clusters te selecteren voor elk gen (sparsiteit afdwingen).
     • Covariaten: Het model kan expliciet rekening houden met meerdere samples (sample-level vectors) en achtergrondruis (background noise).
     • Achtergrondruis: Specifieke negatieve controles (zoals "negative probes" of "falsecodes" op de verschillende platforms) worden omgezet in achtergrond-vektoren en als covariaten in het model opgenomen. Dit helpt bij het onderdrukken van vals-positieven veroorzaakt door non-specific binding.

3. Statistische Validatie:

   • De methode controleert de Type I-fout (vals-positieven) via simulaties met uniform verdeelde genen.
   • De methode is geïmplementeerd als een R Bioconductor package (jazzPanda).

Belangrijkste Resultaten

De methode is getest op zes openbare datasets van drie verschillende platforms (Xenium, CosMx, MERSCOPE) met variërende celtypen en sample-aantallen.

• Verbeterde Specificiteit: In vergelijking met de Wilcoxon Rank Sum Test (Seurat) en gematigde t-tests (limma), identificeert jazzPanda een kleinere, maar biologisch relevanter set van marker-genen. Waar traditionele methoden vaak een groot deel van het genenpaneel als "significant" markeren, focust jazzPanda op genen met een sterke ruimtelijke correlatie met het doelcluster.
• Ruimtelijke Correlatie: De door jazzPanda gevonden marker-genen tonen een sterkere ruimtelijke correlatie met de bijbehorende clusters dan die gevonden door andere methoden.
• Omgaan met Achtergrondruis: De GLM-benadering met inbegrip van achtergrond-vektoren (negatieve controles) bleek effectief in het verminderen van vals-positieven, vooral bij grote clusters waar de correlatie-benadering soms tekortschoot.
• Meerdere Samples: De GLM-benadering slaagt erin om gedeelde marker-genen te identificeren over meerdere biologische replicaten, terwijl rekening wordt gehouden met sample-specifieke variatie.
• Robuustheid: De resultaten zijn robuust voor verschillende keuzes van tegelgrootte (grid size), zolang de gemiddelde cel-aantallen per tegel voldoende zijn (regel: >1 cel per tegel). Hexagonale tegels bieden iets betere ruimtelijke resolutie maar zijn rekenkundig zwaarder dan vierkante tegels.
• Berekeningskosten: Het bouwen van de ruimtelijke vectoren is de meest tijdsintensieve stap, maar de daaropvolgende lineaire modellering is snel. De methode is schaalbaar voor datasets met honderden miljoenen transcripties.

Bijdragen en Impact

1. Nieuwe Statistische Framework: jazzPanda introduceert een hybride aanpak die de ruimtelijke coördinaten van transcript-detecties direct integreert in de marker-analyse, in plaats van alleen te vertrouwen op cel-level expressie.
2. Aanpak van Sparsiteit: Door het gebruik van binning ("pseudobulking") wordt het statistische probleem van extreem lage counts per cel opgelost, wat essentieel is voor beeldgebaseerde platforms.
3. Integratie van Achtergrondcontroles: Het is een van de eerste methoden die systematisch gebruikmaakt van platform-specifieke negatieve controles (negative probes/codewords) als covariaten in een lineair model om technische ruis te filteren.
4. Flexibiliteit: De software is compatibel met elke clustering-methode en kan worden toegepast op niches of gebieden van interesse, niet alleen op algoritme-gegenereerde clusters.
5. Uitbreidbaarheid: Het framework van ruimtelijke vectoren kan worden gebruikt voor andere analyses, zoals cluster-cluster correlatie (co-localisatie) en gen-gen correlatie (co-expressie in de ruimte).

Conclusie

jazzPanda biedt een robuuste en specifieke oplossing voor het identificeren van marker-genen in beeldgebaseerde ruimtelijke transcriptomics data. Door rekening te houden met de ruimtelijke verdeling en technische achtergrondruis, levert het een nauwkeurigere en biologisch betekenisvollere annotatie van celtypen op dan bestaande scRNA-seq-methoden. De methode is beschikbaar als een open-source R-pakket en is ontworpen om de gold-standard workflow voor ruimtelijke data-analyse te worden.