Deciphering Cell Cycle Dynamics and Cell States in Single-cell RNA-seq data with SPAE

De auteurs hebben SPAE ontwikkeld, een geïntegreerd Sinusoidal and Piecewise AutoEncoder-model dat de nauwkeurigheid en robuustheid van de analyse van celcyclusdynamiek en celfuncties in single-cell RNA-sequencing-data aanzienlijk verbetert.

De kern

Stel je voor dat je een enorme bibliotheek binnenstapt, maar in plaats van boeken, zitten er miljoenen kleine, levende cellen in. Elke cel is een unieke bezoeker met een eigen verhaal. Soms zijn ze aan het rusten, soms aan het delen, en soms zijn ze op weg om een heel nieuw type cel te worden.

Het probleem? In deze bibliotheek is het heel moeilijk om te zien wie wat doet. Veel cellen lijken op elkaar, en hun "verhaal" (hun genen) is vaak verward door een heel specifiek ritme: de celcyclus.

Het Probleem: De Verwarrende Dans

Cellen doorlopen een cyclus van groei en deling (G1, S, G2, M). Het is als een dans die ze allemaal doen. Maar als je naar een foto van de bibliotheek kijkt, zie je dat de cellen die net aan het dansen zijn (in de delingsfase) er heel anders uitzien dan diegene die rusten.

Dit maakt het voor wetenschappers moeilijk om te zien of een cel echt een nieuwe identiteit heeft (bijvoorbeeld: "ik word nu een spiercel") of dat ze er gewoon anders uitziet omdat ze net even hard aan het dansen waren. De dans (de celcyclus) verbergt het echte verhaal.

De Oplossing: SPAE (De Slimme Regisseur)

De auteurs van dit artikel hebben een nieuwe computerprogramma bedacht, genaamd SPAE. Je kunt SPAE zien als een slimme regisseur of een super-scheidsrechter die twee dingen tegelijk doet:

1. Hij ziet de dans: Hij herkent het ritme van de celcyclus. Hij weet precies waar een cel staat in haar dans (is ze net begonnen? Is ze halverwege?).
2. Hij ziet de identiteit: Hij kijkt voorbij de dans en zegt: "Oké, los van het dansen, wat voor soort cel ben je eigenlijk?"

Hoe werkt het? (De Creatieve Analogie)
Stel je voor dat je een film kijkt waarin acteurs (de cellen) een dansroutine doen, maar ze dragen ook verschillende kostuums die hun beroep aangeven (arts, leraar, brandweerman).

• Oude methoden waren als een camera die alleen de dans zag. Ze dachten: "Die acteur beweegt snel, hij is dus een danser!" en vergeten dat hij eigenlijk een brandweerman is.
• Andere methoden probeerden de dans te negeren, maar dat werkte niet goed omdat de dans zo ingewikkeld was.

SPAE is als een slimme cameraman die:

• Eerst de dans (de cyclus) in kaart brengt met een golvend patroon (zoals een zeegolf, vandaar het woord "Sinusoidal").
• Dan kijkt hij naar de stukken van de dans (vandaar "Piecewise"). Hij ziet dat de dans soms lineair verloopt (rechtuit) en soms een bocht maakt.
• Door deze twee te combineren, kan hij de dans perfect "uitschakelen" in zijn hoofd. Hij zegt: "Ik zie dat je aan het dansen bent, maar ik filter dat eruit zodat ik alleen nog maar je kostuum (je echte celtype) kan zien."

Wat heeft SPAE bewezen?

De auteurs hebben SPAE getest op verschillende scenario's:

1. Het Oplossen van de Dans: Ze keken naar stamcellen (jonge, ongespecialiseerde cellen). SPAE kon de cellen veel nauwkeuriger in de juiste dansfase plaatsen dan andere bestaande programma's. Het was alsof SPAE de dansstappen kon tellen terwijl andere programma's erbij omver liepen.
2. Het Schakelen van Ruis: In echte data zijn er vaak "storingen" (zoals een slechte camera of een gebroken microfoon). SPAE bleef werken, zelfs als er veel data ontbrak (zoals bij een slechte verbinding).
3. Kanker en Medicijnen: Ze keken naar kankercellen die medicijnen kregen. De medicijnen moesten de cellen dwingen om te stoppen met dansen (stopte de deling). SPAE kon precies zien: "Kijk, deze cellen staan vast in de startfase van de dans!" Dit helpt artsen om te begrijpen of een medicijn werkt of niet.
4. De Echte Identiteit: In een experiment met spiercellen die aan het groeien waren, kon SPAE de cellen groeperen op basis van hun leeftijd (jong vs. oud) in plaats van op basis van of ze aan het delen waren. Andere methoden waren hierin verward.

Waarom is dit belangrijk?

Voor de toekomst betekent dit dat artsen en onderzoekers beter kunnen begrijpen hoe ziektes zoals kanker ontstaan. Ze kunnen de "dans" van de kankercellen negeren en zich focussen op het echte probleem: waarom gedragen deze cellen zich zo raar?

Kortom: SPAE is de bril die we nodig hebben om door de verwarring van de cel-dans te kijken en de echte identiteit van elke cel te zien. Het helpt ons om de complexe taal van het leven beter te begrijpen, één cel tegelijk.

Technische samenvatting

Probleemstelling

Single-cell RNA-sequencing (scRNA-seq) heeft de mogelijkheid om celheterogeniteit en complexe biologische processen op celniveau in kaart te brengen. Een van de fundamentele processen is de celcyclus (G1, S, G2, M-fasen). Het nauwkeurig analyseren van celcyclusdynamiek en het onderscheiden van celfasen in scRNA-seq-data blijft echter een uitdaging vanwege:

• Data-complexiteit: De technische variabiliteit, data-sparseheid (dropouts) en de subtiele, overlappende aard van celcyclusfasen.
• Beperkingen van bestaande methoden:
  • Supervised methods (zoals Cyclone, Seurat) zijn afhankelijk van vooraf geannoteerde genen en labels, wat hun toepasbaarheid beperkt.
  • Unsupervised methods zoals CCPE gebruiken lineaire auto-encoders die moeite hebben met niet-lineaire trajecten.
  • Methoden zoals Cyclum en CYCLOPS gebruiken sinusvormige transformaties of elliptische projecties, maar kunnen vaak niet expliciet onderscheid maken tussen meerdere celfasen die afwijken van een enkele gladde cyclus, of ze hebben complexe optimalisatieproblemen.
  • Bestaande tools verwijderen celcyclus-effecten vaak niet effectief uit expressiedata, wat de identificatie van echte biologische celfalen verstoort.

Methodologie: SPAE

De auteurs hebben SPAE (Integrated Sinusoidal and Piecewise AutoEncoder) ontwikkeld, een geïntegreerd auto-encoderkader dat zowel de cyclische aard van de celcyclus als de stuksgewijze lineaire overgangen tussen verschillende celfasen modelleert.

Kernarchitectuur:

1. Encoder:
   • Niet-lineair component: Een multi-layer perceptron (MLP) met hyperbolische tangens-activatiefuncties die het transcriptoomprofiel ($X$) afbeeldt naar een pseudotijdsvariabele ($z_c$) die de voortgang door de celcyclus weergeeft.
   • Piecewise lineair component: Een module die cellen toewijst aan verschillende clusters (celfasen/staten) via een "gate-functie". Dit modelleert overgangen tussen distincte celfasen die vaak lokale lineaire patronen volgen.
   • De latente representatie $z_n$ bestaat uit een combinatie van de cyclische component en de stuksgewijze component.
2. Decoder:
   • Gebruikt sinus- en cosinus-transformaties op de cyclische pseudotijd ($z_c$) om de periodieke aard van de celcyclus te reconstrueren.
   • Combineert dit met de piecewise lineaire component om de oorspronkelijke genexpressie ($\hat{x}_n$) te reconstrueren.
3. Optimalisatie:
   • Het model wordt getraind door het minimaliseren van de kwadratische fout (least square error) tussen de invoer en de reconstructie, met regularisatietermen om overfitting te voorkomen.
   • Er wordt een alternerende optimalisatiestrategie gebruikt die iteratief de stuksgewijze drempels verfijnt en de auto-encoder-weights update.

Belangrijkste Bijdragen

1. Hybride Modellering: SPAE is de eerste methode die expliciet zowel niet-lineaire cyclische dynamiek (via sinus/cosinus) als piecewise lineaire overgangen tussen celfasen combineert binnen één auto-encoderkader.
2. Robuustheid: Het model is getest op diverse datasets (muis- en humane stamcellen, kankercellen) en toont superioriteit in omgang met data-sparseheid (dropouts) en variaties in steekproefgrootte.
3. Ontkoppeling van Effecten: SPAE is in staat om celcyclus-effecten effectief uit de data te verwijderen, waardoor de onderliggende celfalen en differentiatieprocessen duidelijker zichtbaar worden.
4. Toepassingsbreedte: Het framework wordt niet alleen gebruikt voor pseudotijdschatting, maar ook voor het identificeren van differentieel tot expressie gebrachte genen (DEGs), het voorspellen van celcyclus-arrest (bijv. door Nutlin) en het analyseren van therapieresistentie bij borstkanker.

Resultaten

• Pseudotijdschatting: SPAE bereikte de sterkste monotoon correlatie ($\rho = 0.866$) met de ware biologische volgorde van celcyclusfasen, significant beter dan Cyclum, reCAT, Monocle en CYCLOPS. Het identificeerde bekende celcyclusregulatoren (zoals Aurka, Cdca2, Kpna2) met hoge correlatie.
• Classificatie-Accuraatheid: Over drie datasets (Quartz-Seq, E-MTAB-2805, H1 hESCs) presteerde SPAE consistent beter op zeven classificatiemetrics (Accuracy, Precision, Recall, F-score, RI, NMI, ARI) dan alle vergeleken methoden.
• Robuustheid tegen Dropouts: Bij geïntroduceerde drop-out rates tot 70% behield SPAE betere prestaties dan concurrenten, hoewel alle methoden faalden bij extreem hoge drop-out rates.
• Verwijdering van Celcyclus-effecten: In UMAP-visualisaties toonde SPAE aan dat het cellen van dezelfde biologische staat (bijv. verschillende tijdstippen van LIF-onttrekking of myoblast-differentiatie) correct groepeerde, terwijl het de verdeling over celcyclusfasen egaliseerde. Andere methoden (zoals CCPE, Seurat, Cyclum) slaagden er niet in om beide doelen (scheiden van staten én mengen van fasen) gelijktijdig te bereiken.
• Biologische Validatie:
  • Nutlin-behandeling: SPAE detecteerde succesvol de door Nutlin geïnduceerde G1-arrest in TP53-wildtype kankercellen.
  • Borstkankerbehandeling: Bij analyse van patiënten onder endocriene therapie en CDK4/6-remmers, onthulde SPAE dynamische veranderingen in celcyclusfasen en genexpressie (bijv. veranderingen in ESR1, FOS, CDK6), wat inzicht gaf in resistentiemechanismen.
  • Transcriptiefactoren: Via SCENIC-analyse identificeerde SPAE bekende regulatorische transcriptiefactoren (zoals E2F-familie, MYB, KLF6) die actief zijn in specifieke celcyclusfasen.

Significantie

SPAE biedt een krachtig en flexibel computermiddel om de complexe interactie tussen celcyclusdynamiek en celfalen te ontrafelen. Door de beperkingen van eerdere lineaire of puur cyclische modellen te overwinnen, stelt SPAe onderzoekers in staat om:

1. Meer nauwkeurige celcyclusfasen toe te wijzen zonder afhankelijk te zijn van vooraf geannoteerde genen.
2. Celcyclusvariaties te corrigeren om de ware biologische heterogeniteit (zoals differentiatie of ziektestatus) bloot te leggen.
3. Potentiële therapeutische targets en mechanismen van therapieresistentie in kanker te identificeren.

De tool is beschikbaar als open-source Python-code op GitHub en via de Chinese National Genomics Data Center, wat de reproduceerbaarheid en toepasbaarheid in de wetenschappelijke gemeenschap vergroot.