Systematic clustering alignment and feature characterization for single-cell omics using ACE-OF-Clust

ACE-OF-Clust is een schaalbaar hulpmiddel dat de interpretatie en robuustheid van clustering in single-cell omics-data verbetert door een gestructureerde workflow te bieden voor het aligneren van verschillende clusteringoplossaties, het vergelijken van modellen en het identificeren van informatieve genen.

De kern

Stel je voor dat je een enorme, chaotische bibliotheek binnenstapt. Deze bibliotheek bevat miljoenen boeken (cellen), en elke pagina in die boeken is geschreven in een heel specifiek taal (genen). Je doel is om deze boeken in de juiste vakken te plaatsen, zodat je kunt zien welke boeken bij elkaar horen (bijvoorbeeld: "dit zijn allemaal kookboeken" of "dit zijn allemaal sciencefiction").

In de wetenschap van de biologie proberen onderzoekers precies dit te doen met cellen in ons lichaam. Ze willen weten: "Wat voor soort cel is dit? Is het een immuuncel, een huidcel of een kankercel?"

Het probleem is dat de "bibliothecarissen" (de computerprogramma's die dit doen) het niet altijd met elkaar eens zijn. Soms plaatsen ze hetzelfde boek in een ander vak, of ze vinden ineens dat er twee soorten sciencefiction zijn in plaats van één. Dit maakt het heel lastig om te weten wat er echt aan de hand is.

ACE-OF-Clust is een nieuwe, slimme tool die als een super-organisator fungeert om dit hele gedoe op te lossen. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het probleem: De "Wie-zit-waar?" verwarring

Stel je voor dat je een groep vrienden vraagt om een foto te maken.

• De harde methode: Iedereen moet in precies één groepje staan. Je bent óf bij de sporters, óf bij de muzikanten. Maar wat als iemand van beide houdt? Dan zit die persoon in de war.
• De zachte methode: Iedereen krijgt een percentage. "Jij bent 70% sporter en 30% muzikant." Dit is realistischer, maar nu hebben we een nieuw probleem: Als je de foto's de volgende dag opnieuw maakt, staan de groepjes misschien in een andere volgorde of hebben ze andere namen.

Onderzoekers draaien deze "foto's" (clustering) vaak tientallen keren met verschillende instellingen. Het resultaat is een enorme stapel foto's die allemaal een beetje anders zijn. Hoe vergelijk je ze nu?

2. De oplossing: ACE-OF-Clust als de "Super-Organisator"

ACE-OF-Clust is als een slimme assistent die al die verschillende foto's naast elkaar legt en zegt: "Oké, laten we kijken wie eigenlijk bij wie hoort, ongeacht hoe we ze hebben genoemd."

Het doet dit in vier stappen:

• Stap 1: Meerdere pogingen (Het klonen van de bibliotheek)
  In plaats van één keer te proberen de cellen in groepjes te zetten, laat de tool het programma tientallen keren draaien. Net als wanneer je een puzzel probeert te leggen: soms heb je de stukjes net iets anders neergelegd.

• Stap 2: Het afstemmen (De "Clumppling" magie)
  Hier komt de magie. De tool kijkt naar al die verschillende foto's en zegt: "Ah, deze groep op foto A is eigenlijk hetzelfde als die groep op foto B, alleen heetten ze anders." Het stopt de verwarring (het "label switching" probleem) en zorgt dat alle groepjes overal dezelfde naam hebben. Het maakt ook duidelijk waar de groepjes uit elkaar vallen (bijvoorbeeld: eerst was er één grote groep "T-cellen", maar bij meer detail blijkt dat er eigenlijk drie soorten zijn).

• Stap 3: De vergelijking (Wie is het meest betrouwbaar?)
  Nu de groepjes netjes op een rij staan, kan de tool zeggen: "Deze computerprogramma's zijn het meestal eens, maar bij dit specifieke type cel (bijvoorbeeld CD4 T-cellen) zijn ze het totaal niet eens." Dit helpt onderzoekers om te zien waar ze zich geen zorgen hoeven te maken en waar ze extra moeten opletten.

• Stap 4: De "Sterke Sporen" vinden (Welke woorden maken de groepjes?)
  Dit is misschien wel het coolste deel. Stel je voor dat je wilt weten waarom een groep boeken als "kookboeken" wordt gezien. Is het omdat ze het woord "recept" bevatten? Of "pan"?
  ACE-OF-Clust kijkt naar de genen (de woorden in de boeken) en zegt: "Deze specifieke genen zijn de echte leiders die de groepjes scheiden." Het filtert de ruis weg en vindt de genen die echt belangrijk zijn om te weten of een cel een kankercel is of een gezonde cel.

Waarom is dit belangrijk?

• Voor Kankeronderzoek: In een tumor zijn er vaak gebieden die overgaan in elkaar (zoals een overgang van gezond weefsel naar kanker). Harde lijntjes trekken werkt daar niet goed. ACE-OF-Clust ziet deze overgangen en helpt te begrijpen hoe kanker zich ontwikkelt.
• Voor Meerdere Soorten Data: Soms hebben we niet alleen de "tekst" van de cel (RNA), maar ook de "architectuur" (chromatine). ACE-OF-Clust kan kijken of de groepjes die we vinden in de tekst overeenkomen met de groepjes in de architectuur. Als ze dat doen, vinden we misschien een nieuwe manier waarop genen worden aangestuurd.
• Betrouwbaarheid: Het voorkomt dat onderzoekers per ongeluk een "foute" groepje kiezen omdat ze maar één keer hebben gekeken. Door te kijken naar alle mogelijke opties, krijgen ze een veel betrouwbaarder beeld.

Kortom:
ACE-OF-Clust is de tool die de chaos in de cel-wereld ordent. Het zorgt ervoor dat wetenschappers niet vastlopen in de details van hun eigen computerprogramma's, maar echt kunnen zien wat de cellen vertellen. Het is als een tolk die alle verschillende dialecten van de cellen vertaalt naar één heldere, begrijpelijke taal, zodat we beter kunnen begrijpen hoe ons lichaam werkt en hoe we ziektes kunnen bestrijden.

Technische samenvatting

Probleemstelling

Clustering is een fundamentele techniek voor het identificeren van celtypen in single-cell RNA-sequencing (scRNA-seq) en ruimtelijke transcriptomics (ST). Er zijn twee hoofdbenaderingen:

1. Hard clustering: Deelt cellen toe aan discrete, exclusieve groepen (bijv. k-means, Leiden, Louvain).
2. Mixed-membership (soft) clustering: Kent fractionele lidmaatschappen toe, wat continu variatie (zoals overgangstoestanden) beter kan vastleggen.

Een groot obstakel bij het gebruik van deze methoden is het "clustering alignment problem". Door stochastische variatie (willekeurige initialisatie), lokale optima en verschillen in modelinstellingen (zoals het aantal clusters $K$), kunnen verschillende runs van hetzelfde algoritme of verschillende algoritmen op dezelfde dataset tot sterk uiteenlopende resultaten leiden.

• Label switching: Clusterlabels worden permutatiegewijs verwisseld tussen runs.
• Multi-modality: Runs vertonen fundamenteel verschillende clusteringpatronen die niet alleen door labelverwisseling op te lossen zijn.
• Verschil in $K$: Het aantal clusters varieert tussen runs.

Bestaande studies voeren vaak slechts één clustering-run uit, wat het risico inhoudt dat men een niet-representatief resultaat (een "minor mode") selecteert en waardevolle patronen van celpopulatie-heterogeniteit mist. Bovendien ontbreekt er vaak een gestructureerde manier om resultaten van verschillende modellen of runs kwantitatief te vergelijken en te aligneren.

Methodologie: ACE-OF-Clust

De auteurs introduceren ACE-OF-Clust (Alignment, Comparison, and Evaluation of Omics Features in Clustering), een framework dat een vierstapsworkflow biedt voor single-cell clustering. Het framework bouwt voort op de bestaande tool Clumppling (oorspronkelijk voor populatiegenetica).

De vier stappen:

1. Generatie van meerdere clusteringresultaten: Het uitvoeren van meerdere runs van clusteringmodellen (zowel hard als mixed-membership) over verschillende waarden van $K$ en met verschillende random seeds.
2. Clustering Alignment:
   • Gebruik van Clumppling om runs met dezelfde $K$ te groeperen in representatieve "modes" (distincte oplossingen).
   • Aligneren van deze modes over verschillende $K$-waarden om splitsing en samenvoeging van clusters te volgen.
   • Voor multi-model vergelijking: een tweeledig aligneringsproces (eerst binnen-model, dan tussen-modellen) om alle resultaten in een gemeenschappelijke referentiekader te brengen.
   • Kwantificering: Gebruik van de Normalized Hamming Distance (NHD) voor hard clustering en Average Total Membership Difference ($\Delta$) voor mixed-membership om de mate van overeenkomst of afwijking te meten.
3. Interpretatie en Vergelijking:
   • Visualisatie via "structure plots" (gestapelde staafdiagrammen) en projectie op UMAP-embeddings.
   • Vergelijking met referentie-annotaties (ground truth) om de nauwkeurigheid van modellen te beoordelen.
4. Identificatie van Informatieve Kenmerken (Features):
   • Voor mixed-membership clustering wordt een Feature-level matrix ($P$) gebruikt (relatieve genexpressie per cluster).
   • Er wordt een "clustering profile" voor elk gen geconstrueerd, bestaande uit een log-fold change (LFC) vector en een index vector.
   • Nieuwe metrieken:
     • Weighted P sum ($\tilde{p}_j$): De totale bijdrage van een gen aan de clustering (gewogen som van expressie).
     • sepLFC: De grootste scheidingstussenruimte (maximale LFC) tussen aangrenzende clusters in de gesorteerde expressieprofielen. Dit identificeert genen die specifieke groepen clusters van elkaar onderscheiden.

Belangrijkste Bijdragen

• Systeematische Alignering: ACE-OF-Clust lost het label-switching-probleem op en maakt het mogelijk om meerdere clustering-oplossingen (van verschillende runs en modellen) direct en kwantitatief te vergelijken.
• Feature-Characterization: In plaats van alleen te kijken naar "marker genes" via differentiatie-expressie (DE) na clustering, introduceert het framework een methode om genen te prioriteren op basis van hun directe bijdrage aan de vorming van de clusters (via de $P$-matrix en sepLFC).
• Multi-omic Integratie: Het framework kan clusteringresultaten binnen en tussen verschillende 'omics'-lagen (bijv. RNA-seq en ATAC-seq) aligneren en vergelijken, waardoor cross-omic regulatoire links kunnen worden geïdentificeerd.
• Open Source Implementatie: Het is geïmplementeerd als een Python-pakket (ace-of-clust).

Resultaten

De auteurs testen ACE-OF-Clust op drie datasets:

1. PBMC3k (scRNA-seq Benchmark):

   • Toont aan dat zelfs bij identieke algoritme-instellingen (Seurat vs. Scanpy, Louvain vs. Leiden) aanzienlijke variatie optreedt tussen runs.
   • Zonder alignering zou men een willekeurige "minor mode" kunnen kiezen. ACE-OF-Clust identificeert de "major modes" en kwantificeert de onenigheid (NHD) tussen modellen en referentie-annotaties.
   • CD4+ T-cellen bleken het minst consistent te clusteren, terwijl CD14+ monocyten het meest consistent waren.

2. Human Breast Cancer (ST-data):

   • Toepassing op ruimtelijke transcriptomics data met pathologische annotaties.
   • Hard clustering kon grote regio's (zoals IDC) onderscheiden, maar had moeite met kleinere of overgangsregio's (zoals tumor-randen).
   • Mixed-membership clustering onthulde continue variatie en overgangstoestanden tussen morfotypen die door hard clustering werden gemist.
   • Gen-selectie: Het onderzoek toonde aan dat het beperken tot Highly Variable Genes (HVGs) belangrijke, niet-HVG genen (zoals COX6C) kan uitsluiten die cruciaal zijn voor de clustering. ACE-OF-Clust suggereert om alle genen te gebruiken en post-hoc te filteren op basis van de clustering-informatieve metrieken.

3. PBMC10k (Multi-omic: RNA + ATAC):

   • Vergelijking van clustering binnen en tussen RNA-seq en ATAC-seq.
   • ATAC-seq toonde grotere variabiliteit in clusterlidmaatschap voor bepaalde T-cel subtypen dan RNA-seq.
   • Cross-omic Links: Door genen en pieken (ATAC-regio's) te aligneren die vergelijkbare scheidingssignalen hebben, konden potentiële regulatoire relaties worden geïdentificeerd die niet gebaseerd zijn op genomische nabijheid (bijv. BTLA en een verre piek), maar wel ondersteund worden door cCRE-databases.

Betekenis en Conclusie

ACE-OF-Clust verbetert de interpreteerbaarheid, flexibiliteit en robuustheid van single-cell clusteringanalyses.

• Aanbeveling 1: Voer clustering meerdere keren uit en aligneer de resultaten; een enkele run is vaak niet representatief.
• Aanbeveling 2: Gebruik meerdere modellen gezamenlijk om onzekerheid in celtoewijzingen te kwantificeren.
• Aanbeveling 3: Voor mixed-membership clustering is het vaak beter om alle genen te gebruiken in plaats van te filteren op HVGs, aangezien minder variabele genen toch informatief kunnen zijn voor de clusterstructuur.
• Aanbeveling 4: Gebruik het framework voor multi-omic integratie om consistente celgroepen te vinden en nieuwe regulatoire hypotheses te genereren.

Het framework biedt een schaalbare oplossing om de complexiteit van cellulaire heterogeniteit en genexpressiedynamiek beter te begrijpen, en gaat verder dan alleen functionele genomics door toepasbaar te zijn op elk domein waar meerdere clusteringoplossingen vergeleken moeten worden.