Causal gene regulatory network inference from Perturb-seq via adaptive instrumental variable modeling

Deze paper introduceert ADAPRE, een nieuw raamwerk dat CRISPR-interventies als instrumentele variabelen gebruikt binnen een Poisson-lognormaal model om causale genregulatienetwerken uit Perturb-seq-data af te leiden door variabele knockdown-efficiënties te compenseren en cyclische structuren te detecteren.

De kern

Stel je voor dat je een enorme, ingewikkelde stad probeert te begrijpen: de cel. In deze stad wonen duizenden genen (de bewoners). Deze bewoners praten constant met elkaar, geven commando's, en reguleren elkaars gedrag. Soms zegt gen A: "Stop met werken!" en soms zegt gen B: "Ga harder werken!". Dit netwerk van communicatie noemen we een Gen-Regulerend Netwerk (GRN).

Het probleem is dat we deze stad vaak alleen maar van buitenaf kunnen bekijken. We kijken naar de bewoners en zien wie er druk doet, maar we weten niet wie wie aan het sturen is. Is gen A druk omdat het zelf wil, of omdat gen B het heeft gezegd? Dit is als proberen te raden wie in een drukke kermis de muziek aan het regelen is, alleen door naar de dansende mensen te kijken. Er zijn te veel afleidende factoren (verwarring).

De nieuwe manier om te kijken: Perturb-seq

Wetenschappers hebben een slimme truc bedacht: Perturb-seq. In plaats van alleen maar te kijken, gaan ze de stad binnengaan en een paar bewoners tijdelijk "stilleggen" (met een techniek genaamd CRISPRi). Ze kijken dan wat er gebeurt met de rest van de stad.

• Als je gen A uitschakelt en gen B stopt met dansen, dan weet je: A gaf waarschijnlijk de opdracht aan B.

Dit klinkt perfect, maar er zit een addertje onder het gras.

Het probleem: De "Luie" en de "Energieke" Bewoners

In het verleden hadden methoden om deze netwerken te reconstrueren een groot gebrek. Stel je voor dat je een leraar hebt die een klas moet testen.

• Sommige leerlingen (genen) worden heel goed "stilgelegd" (ze worden heel stil).
• Andere leerlingen worden maar een beetje stilgelegd.

Oude methoden dachten: "Hé, die leerling die heel stil is geworden, moet wel de leider van de klas zijn, want hij heeft zoveel invloed!"
Maar dat was een fout! Die leerling was niet per se de leider; hij was gewoon beter stilgelegd door de leraar. De oude methoden verwarden de kracht van de stillegging met de echte macht van het gen. Dit noemen de auteurs een "bias" (vooroordeel). Ze dachten dat sterke stilleggers altijd de belangrijkste regelaars waren, terwijl dat niet waar was.

De oplossing: ADAPRE

De auteurs van dit paper hebben een nieuwe, slimme methode bedacht genaamd ADAPRE. Ze gebruiken twee creatieve trucs om dit probleem op te lossen:

1. De "Fotograaf" en de "Acteur" (Het PLN-model)
Stel je voor dat je een foto maakt van een acteur die een toneelstuk speelt.

• De acteur is het echte gedrag van het gen (de biologische activiteit).
• De camera is de meetapparatuur (de techniek die de genen telt).

Oude methoden keken alleen naar de foto en vergeten dat de camera soms wazig is of dat de belichting varieert. ADAPRE gebruikt een slimme wiskundige formule (een Poisson-lognormaal model) die onderscheid maakt tussen de echte acteur en de camera. Hierdoor zien ze de echte signalen, zonder ruis van de meetapparatuur.

2. De "Rechtvaardige Rechter" (Adaptieve Instrumenten)
Dit is de belangrijkste innovatie. Stel je een rechter voor die getuigenissen moet beoordelen.

• Sommige getuigen (genen) worden heel hard "stilgelegd" (sterke interventie).
• Andere getuigen worden zachtjes "stilgelegd" (zwakke interventie).

De oude methoden luisterden naar de harde getuigen en dachten: "Die moet wel de belangrijkste zijn!"
ADAPRE is als een rechtvaardige rechter die zegt: "Wacht even. Die getuige is niet belangrijker, hij is gewoon harder aangesproken. Ik ga mijn oordeel aanpassen."

ADAPRE past een straf toe op de sterke getuigen. Als een gen heel sterk is stilgelegd, maakt de computer het extra moeilijk om aan te nemen dat dit gen de leider is, tenzij het echt bewijs is. Hierdoor verdwijnt de onrechtvaardige voorkeur voor de "sterke" genen.

Wat levert dit op?

Met ADAPRE hebben de auteurs de stad K562 (een type leukemiecel) opnieuw in kaart gebracht.

• Ze vonden echte leiders: Genen zoals YY1, JUND en E4F1 die echt commando's geven.
• Ze zagen echte netwerken: Hoe deze leiders samenwerken om ziekteprocessen (zoals leukemie) in stand te houden.
• Ze zagen dat hun methode stabiel is: Als je de stad in tweeën deelt en apart bekijkt, krijg je hetzelfde beeld.

Samenvatting in één zin

ADAPRE is een slimme nieuwe manier om te kijken welke genen de baas zijn in een cel, door te zorgen dat we niet verward worden door de sterkte van de experimenten, maar echt kijken naar wie de echte regelaars zijn.

Dit helpt artsen en wetenschappers om beter te begrijpen hoe ziektes zoals kanker ontstaan en hoe we ze misschien kunnen genezen door de juiste "leiders" in de cel aan te spreken.

Technische samenvatting

Probleemstelling

Het afleiden van causale genregulatienetwerken (GRN's) uit observationele single-cell data is uitdagend vanwege verstorende factoren (confounding). Hoewel Perturb-seq (gecombineerd met CRISPRi en single-cell RNA-seq) causale inferentie mogelijk maakt door duizenden genen gelijktijdig te perturberen, kampen bestaande methoden met twee belangrijke beperkingen:

1. Bias door heterogene knockdown-efficiëntie: Bestaande frameworks (zoals inspre) veronderstellen vaak dat CRISPRi-interventies perfect en uniform zijn. In werkelijkheid varieert de knockdown-strength (de mate van onderdrukking) per gRNA en gen. Dit leidt tot een bias waarbij genen met sterkere knockdowns onterecht worden geïdentificeerd als "hubs" (genen met veel uitgaande verbindingen), wat de topologie van het netwerk vervormt.
2. Onjuiste modellering van tellingen: Veel methoden modelleren UMI-tellingen (Unique Molecular Identifiers) niet expliciet, maar normaliseren de data eerst (bijv. via z-scores) en passen daarna lineaire modellen toe. Dit negeert de Poisson-lognormal aard van single-cell data en de technische variatie, wat kan leiden tot het verkeerd toeschrijven van technische ruis aan biologische expressie.
3. Beperkingen in cycli: Veel methoden gaan uit van acyclische netwerken, terwijl biologische feedback-loops (cycli) essentieel zijn.

Methodologie: ADAPRE

De auteurs presenteren ADAPRE (ADAptive Penalized inverse REgression), een end-to-end framework dat CRISPR-interventies behandelt als instrumentele variabelen (IV) binnen een geavanceerd statistisch model. Het proces verloopt in twee fasen:

Fase 1: Schatting van totale effecten via een PLN-model

• Model: In plaats van genormaliseerde data te gebruiken, past ADAPRE een Poisson-lognormal (PLN) model toe op de ruwe UMI-tellingen ($Y_{ci}$).
  • De waargenomen tellingen worden gemodelleerd als Poisson-verdeeld, afhankelijk van een latente log-normale expressie ($X_{ci}$) en de library size.
  • De latente expressie volgt een lineair structureel vergelijkingenmodel (SEM): $X_c = X_c B + A_c \Gamma + \varepsilon_c$.
  • Hierbij is $B$ de directe effectmatrix (het GRN), $A_c$ de interventie-indicator (welke gRNA), en $\Gamma$ de directe CRISPRi-effecten (knockdown strength).
• Identificatie: Door gebruik te maken van de instrumentele variabele-aannames (gRNA-toewijzing is willekeurig en beïnvloedt expressie alleen via het doelwit), wordt de totale effectmatrix $T = (I - B)^{-1}$ geschat. Dit gebeurt door het verschil in de geschatte latente gemiddelden tussen geperturbeerde en controle-cellen te normaliseren met de knockdown-strength (Wald-ratio).

Fase 2: Adaptieve inverse regressie voor directe effecten

• Doel: De directe effectmatrix $B$ terugwinnen uit de geschatte totale effectmatrix $T$ via de relatie $B = I - T^{-1}$.
• Adaptieve Penalization: Het kerninnovatiepunt is het gebruik van een rij-specifieke $\ell_1$-straf (adaptive penalty) bij het oplossen van het inverse probleem.
  • De strafterm $\phi(\hat{\gamma}_i)$ is afhankelijk van de empirische knockdown-strength ($\hat{\gamma}_i$) van het regulator-gen.
  • Genen met een sterke knockdown krijgen een zwaardere straf, waardoor hun neiging om als hub te worden geïdentificeerd wordt gecompenseerd. Genen met een zwakke knockdown krijgen een lagere straf.
  • Dit lost het probleem op waarbij heterogene knockdown-strength de netwerktopologie vertekent.
• Optimalisatie: Het probleem wordt opgelost met de ADMM-algoritme (Alternating Direction Method of Multipliers) om een schaarse, directe effectmatrix te vinden die voldoet aan $V U = I_p$.

Belangrijkste Bijdragen

1. Expliciete modellering van tellingen: ADAPRE is de eerste methode die een PLN-observatielaag combineert met instrumentele variabelen voor GRN-inferentie, waardoor technische variatie en biologische variatie correct worden gescheiden.
2. Correctie van bias: Door adaptieve straffen in te voeren, elimineert ADAPRE de correlatie tussen knockdown-strength en het geschatte uitgaande graad (out-degree) van genen.
3. Cyclische netwerken: Het framework kan cyclische structuren (feedback loops) modelleren, in tegenstelling tot veel bestaande score-gebaseerde methoden.
4. Schalbaarheid: Het is ontworpen om schaalbaar te zijn voor genoomgrote datasets (duizenden genen en honderdduizenden cellen).

Resultaten

• Simulaties: In simulaties met heterogene instrumentenkrachten presteerde ADAPRE significant beter dan inspre, LiNGAM, GIES en IGSP. Het behaalde hogere F1-scores en lagere Structurele Hamming Afstanden (SHD), vooral bij zwakke instrumenten en kleine effectgroottes. De adaptieve straf elimineerde de bias waarbij sterke knockdowns onterecht als hubs werden gezien.
• Empirische Validatie (K562 en teloHAEC):
  • Toepassing op een K562 Perturb-seq dataset (Replogle et al.) toonde aan dat ADAPRE de sterke correlatie tussen knockdown-strength en out-degree (die bij inspre aanwezig was) volledig wegnam.
  • De geschatte netwerken vertoonden een sterkere verrijking voor bekende biologische interacties (gebaseerd op CORUM, STRING en ChIP-seq TF-binding) vergeleken met baselines.
  • De resultaten waren stabiel bij splitsing van de data en reproduceerbaar over verschillende datasets (GWPS vs. Essential dataset).
• Biologische Inzichten: ADAPRE identificeerde coherente subnetwerken rondom bekende hubs zoals YY1, JUND en E4F1. Deze netwerken toonden biologisch zinvolle patronen, zoals een YY1-netwerk gerelateerd aan RNA-biosynthese en een JUND-netwerk gerelateerd aan stressrespons en hematopoëse. Het identificeerde ook convergente reguleringspunten (bijv. YBX1 als doelwit van tegenstrijdige inputs).

Betekenis en Conclusie

ADAPRE vormt een kritische brug tussen hoge-doorvoer perturbatie-assays en de reconstructie van de onderliggende regulatoire logica van cellen. Door de twee belangrijkste beperkingen van eerdere methoden aan te pakken (het negeren van telling-variabiliteit en de bias door heterogene knockdowns), biedt het een schaalbare, interpreteerbare en robuuste aanpak voor het afleiden van causale GRN's. Dit stelt onderzoekers in staat om complexere, cyclische netwerken te modelleren die essentieel zijn voor het begrijpen van celidentiteit en ziekteprocessen, zoals leukemie. De code en scripts zijn openbaar beschikbaar gemaakt voor reproduceerbaarheid.