Integration of single-cell multi-omic data with graph-based topic modelling

De auteurs presenteren bionSBM, een nieuwe grafgebaseerde topic-modelleringstechniek die superieure prestaties en biologische interpreteerbaarheid biedt bij het clusteren van complexe single-cell multi-omics-data.

De kern

Stel je voor dat je een enorme bibliotheek binnenloopt. Maar dit is geen gewone bibliotheek. In plaats van boeken met tekst, zitten hier miljoenen kleine, ingewikkelde "cellen" (de bouwstenen van ons lichaam). Elke cel heeft duizenden verschillende "boodschappen" in zich: welke genen aan staan, welke eiwitten erop zitten, en welke delen van het DNA open liggen.

Vroeger keken we naar deze cellen alsof we door een sleutelgat tuurden: we zagen maar één laag tegelijk. Nu kunnen we met nieuwe technologieën (zoals 10X Multiome of CITE-seq) alles tegelijk zien. Het probleem? Dat is een overweldigende berg data. Het is alsof je probeert te lezen terwijl er duizenden mensen tegelijk in je hoofd schreeuwen in verschillende talen.

De uitdaging: De chaos ordenen
Wetenschappers willen weten: "Welke cellen horen bij elkaar?" (bijvoorbeeld: dit is een immuuncel, dat is een levercel). En ze willen ook weten: "Waarom horen ze bij elkaar?" (welke genen maken hen tot een immuuncel?).

Bestaande methoden zijn vaak als een strakke, maar saaie lijst. Ze zeggen: "Deze cel hoort bij groep A." Maar biologisch gezien is het leven niet zo zwart-wit. Cellen zijn vaak een mix, en de regels zijn complex.

De oplossing: bionSBM (De slimme bibliothecaris)
In dit artikel presenteren de auteurs een nieuwe tool genaamd bionSBM. Om dit uit te leggen, gebruiken we een analogie met een gigantisch, slim netwerk van vrienden en interesses.

Stel je voor dat je een feestje organiseert met duizenden gasten (de cellen). Elke gast heeft een lijstje met interesses (de genen en eiwitten).

• De ene gast houdt van rockmuziek en pizza.
• De andere van jazz en sushi.
• Een derde van techno en tacos.

Hoe werkt bionSBM?

1. Het Netwerk (De Grafiek): In plaats van de gasten in rijen te zetten, maakt bionSBM een enorm web. Gasten worden verbonden met hun interesses. Als twee gasten dezelfde interesses hebben, trekken ze elkaar aan.
2. De Groepen (Clustering): De tool kijkt naar dit web en zegt: "Oh, ik zie een groepje mensen die allemaal van rock en pizza houden. Laten we die in een hoekje zetten." En een ander groepje dat van jazz en sushi houdt, gaat in een ander hoekje.
3. De "Topics" (De Thema's): Dit is het slimme deel. De tool maakt niet alleen groepen voor de gasten, maar ook groepen voor de interesses.
   • Het ontdekt een "thema": Rock & Pizza.
   • Het ontdekt een ander thema: Jazz & Sushi.
   • Het kan zelfs zien dat een gast van beide thema's houdt, maar dat hij meer naar het rock-thema neigt.

Waarom is dit beter dan de oude methoden?

• Geen gedwongen keuzes: Oude methoden (zoals LDA of NMF) dwingen je vaak om te zeggen: "Je moet precies 10 groepen kiezen." bionSBM kijkt naar de data en zegt: "Ik zie dat er eigenlijk 12 groepen zijn, en dat is logisch." Het kiest zelf het juiste aantal.
• Geen "vervuiling": Bij andere methoden worden alle interesses door elkaar gehusseld in één grote soep. bionSBM houdt de "muziek" en de "eten" gescheiden, maar ziet wel hoe ze samenwerken. Zo kun je precies zien: "Deze cel is een immuuncel omdat deze specifieke genen (muziek) en eiwitten (eten) samenwerken."
• Betrouwbare resultaten: De auteurs hebben getoond dat bionSBM beter is in het vinden van de juiste groepen (zoals immuuncellen of stamcellen) dan de huidige beste tools. Het is alsof de slimme bibliothecaris de juiste boeken veel sneller en accurater vindt dan de andere.

De echte winst: Begrijpen waarom
Het mooiste aan bionSBM is dat het niet alleen zegt wie bij elkaar hoort, maar ook waarom.
Stel, de tool vindt een groep cellen die belangrijk zijn voor de bloedstolling. Dankzij bionSBM kunnen we direct zien: "Ah, deze groep wordt gedefinieerd door het gen KLF1 en een specifiek stukje DNA dat openstaat." Het is alsof de tool niet alleen de groep mensen bij elkaar zet, maar ook het verhaal vertelt: "Deze mensen zijn vrienden omdat ze allemaal van dezelfde hobby houden."

Kortom:
bionSBM is een nieuwe, slimme manier om de chaos van moderne cel-data te ordenen. Het gebruikt een slim netwerk om cellen te groeperen op basis van hun unieke "interesses" (genen en eiwitten), zonder de data te forceren in hokjes die niet passen. Hierdoor krijgen wetenschappers een helderder beeld van hoe ons lichaam werkt, wat essentieel is voor het vinden van nieuwe medicijnen en het begrijpen van ziektes.

Technische samenvatting

Probleemstelling

De opkomst van single-cell multi-omics technologieën (zoals 10X Multiome, SHARE-seq en CITE-seq) maakt het mogelijk om meerdere moleculaire lagen (transcriptoom, epigenoom, oppervlakte-eiwitten) binnen één enkele cel te profileren. Dit biedt unieke inzichten in complexe biologische systemen, maar brengt ook aanzienlijke uitdagingen met zich mee voor data-integratie:

• Complexiteit en Heterogeniteit: De data is hoogdimensionaal, spaarzaam (sparse) en ruisachtig. Verschillende 'omics'-lagen hebben vaak verschillende statistische eigenschappen (tellingen, continue waarden, binaire metingen).
• Integratie-uitdagingen: Bestaande methoden, zoals diep leren (auto-encoders), zijn vaak gevoelig voor schaalverschillen tussen modaliteiten. Andere topic-modelleringstechnieken, zoals Latent Dirichlet Allocation (LDA) en Non-Negative Matrix Factorization (NMF), hebben beperkingen:
  • LDA maakt vaak sterke homogeniteitsaannames (via Dirichlet-priors) die niet goed passen bij de biologische heterogeniteit.
  • NMF is lineair en neigt tot scherpe grenzen tussen clusters, wat problematisch is voor de vloeiende overgangen in biologische data.
• Interpreteerbaarheid: Het is cruciaal om niet alleen cellen te clusteren, maar ook om de onderliggende biologische mechanismen (co-actieve genen, chromatinetoegang) te begrijpen die deze clusters definiëren.

Methodologie: bionSBM

De auteurs stellen bionSBM (biological Stochastic Block Model) voor, een grafgebaseerde methode voor het integreren en interpreteren van single-cell multi-omics data.

• Kernconcept: De methode is gebaseerd op Stochastic Block Models (SBM), specifiek een hiërarchische versie (hSBM) die is uitgebreid naar multipartiete grafen (nSBM).
• Grafconstructie:
  • De input bestaat uit telpatronen (count matrices) van verschillende modaliteiten (bijv. mRNA, ATAC-seq peaks, ADTs).
  • Er wordt een multipartiete netwerk opgebouwd waarbij knopen cellen en features (genen, peaks, eiwitten) vertegenwoordigen.
  • Features zijn verbonden met cellen via gewogen randen (proportioneel aan expressie/opensbaarheid), maar features zijn niet direct met elkaar verbonden.
• Inferentie:
  • Het algoritme maximaliseert de posterior-kans van het model gegeven de data binnen een Bayesiaans kader.
  • Het gebruikt het Minimum Description Length (MDL) principe voor modelselectie. Dit betekent dat het algoritme automatisch de optimale complexiteit (aantal clusters en topics) bepaalt zonder dat de gebruiker hyperparameters zoals het aantal clusters hoeft in te stellen.
  • Het prior is "agnostisch" (vlak/niet-informatief), in tegenstelling tot de unimodale priors van LDA, waardoor het beter past bij de heterogeniteit van biologische systemen.
• Output:
  • Een hiërarchische clustering van cellen.
  • Modality-specifieke toewijzingen van "topics" (groepen van co-actieve features). In bionSBM zijn topics dus sets van features (bijv. een mRNA-topic, een peak-topic), terwijl in LDA-based methoden topics vaak mengsels van alle modaliteiten zijn.
• Implementatie: De tool is geïntegreerd in het Python-ecosysteem voor single-cell data (AnnData en Muon objecten) en vereist geen voorafgaande schaling of batch-correctie over modaliteiten heen.

Belangrijkste Bijdragen

1. Nieuwe Architectuur: Introductie van een grafgebaseerde topic-modellering (bionSBM) die multipartiete netwerken gebruikt om multi-omics data te integreren zonder schaalvergelijking tussen modaliteiten.
2. Automatische Parameterbepaling: Het vermogen om het optimale aantal clusters en topics automatisch af te leiden via MDL, wat de afhankelijkheid van subjectieve hyperparameterkeuzes elimineert.
3. Interpreteerbaarheid: Het scheiden van topics per modaliteit (in plaats van mengen) maakt het mogelijk om specifieke biologische programma's per laag (bijv. chromatinetoegang vs. genexpressie) te analyseren en te koppelen.
4. Open Source: Beschikbaarheid van de code en tutorials via GitHub, geïntegreerd in de standaard single-cell workflow.

Resultaten

De auteurs hebben bionSBM geëvalueerd op zes verschillende datasets (muis en mens, variërend van PBMCs tot huid en beenmerg), inclusief 10X Multiome, SHARE-seq en CITE-seq data. De prestaties zijn vergeleken met de state-of-the-art methoden ShareTopic (LDA-gebaseerd) en Mowgli (NMF-gebaseerd).

• Kwaliteit van Clustering (Cell Type Retrieval):
  • bionSBM presteerde consistent beter dan Mowgli en ShareTopic bij het herkennen van celtypen, gemeten aan de hand van de genormaliseerde wederzijdse informatie (NMI/NMI*).
  • De prestaties waren vooral superieur op complexe datasets met veel celtypen (bijv. Spleen en BMMCCite datasets).
• Specificiteit en Distinctiviteit:
  • Specificiteit: bionSBM toonde een hogere specificiteit, wat betekent dat de toegewezen topics sterker geassocieerd waren met specifieke celtypen dan bij de andere methoden.
  • Distinctiviteit: Alle methoden presteerden goed in het scheiden van topics, maar bionSBM leverde specifiekere "signatures" op.
• Biologische Interpretatie:
  • De methode slaagde erin om betekenisvolle koppelingen tussen chromatinetoegang (ATAC) en transcriptie (RNA) te vinden.
  • Voorbeelden: In B-cellen werd een topic geïdentificeerd dat verrijkt was voor het PAX5 motief (ATAC) en het PAX5 gen (RNA). In erytroblasten werd een topic gevonden met het KLF1 motief en gen, wat bekend staat als een master-regulator van erytropoëse.
  • Dit bevestigt dat bionSBM biologisch zinvolle, celtype-specifieke regulatoire programma's kan terugvinden.

Significantie

De studie presenteert bionSBM als een krachtig alternatief voor bestaande integratiemethoden in de single-cell biologie.

• Biologische Validiteit: Door het gebruik van een grafgebaseerde aanpak en een agnostische prior, kan het de complexe, niet-lineaire interacties in biologische systemen beter modelleren dan lineaire of sterk geprioriseerde methoden.
• Translational Value: De hoge specificiteit en interpretatie van de topics maken de methode ideaal voor het ontdekken van nieuwe biomerkers en het begrijpen van ziektemechanismen, omdat de resultaten direct biologisch interpreteerbaar zijn (koppeling van genen aan regulatoire elementen).
• Generaliseerbaarheid: Omdat het werkt op telpatronen en grafen, is de methode toepasbaar op elke nieuwe 'omics'-technologie die als een count matrix kan worden samengevat, wat het een toekomstbestendige oplossing maakt voor multi-omics integratie.

Kortom, bionSBM biedt een robuuste, interpreteerbare en automatisch kalibrerende oplossing om de complexiteit van single-cell multi-omics data te ontrafelen, met een bewezen superioriteit in het herkennen van celtypen en het onthullen van onderliggende biologische mechanismen.