SAPTICoN, a robust no-code pipeline to analyze single cell transcriptomics data sets

SAPTICoN is een robuust, codeer-vrij Snakemake-pijplijn op basis van Seurat die biologen in staat stelt om single-cell transcriptoomdata van niet-modelsoorten en slecht gekarakteriseerde weefsels te analyseren door automatisch R-annotatiepakketten te genereren en gestandaardiseerde workflows voor kwaliteitscontrole, clustering en genenverrijking te bieden.

De kern

Stel je voor dat je een enorme, drukke stad hebt: een plant. Deze stad bestaat uit miljarden kleine huizen (cellen). Elk huis heeft zijn eigen bewoners (genen) die verschillende taken uitvoeren. Soms werken ze samen, soms zijn ze druk bezig met groei, en soms reageren ze op het weer.

Vroeger was het heel moeilijk om te zien wie er precies in welk huis woonde en wat ze deden. Maar nu hebben wetenschappers een nieuwe techniek ontwikkeld, single-cell transcriptomics. Dit is alsof je in elk huisje een microfoon plaatst om te horen wat de bewoners roepen. Het resultaat is een enorme berg aan geluidsopnames (data) van duizenden huizen tegelijk.

Het probleem? Die berg data is zo groot en chaotisch dat zelfs de slimste computers erdoor verdwalen, en vooral: je hebt een heel dure "vertaalman" (een bio-informaticus) nodig om de boodschappen te ontcijferen.

Hier komt SAPTICoN om de hoek kijken.

Wat is SAPTICoN?

SAPTICoN is als een slimme, automatische robotchef voor biologen. Het is een computerprogramma dat de hele moeilijke taak van het ontcijferen van die geluidsopnames voor je doet, zonder dat je zelf hoeft te koken (coderen).

Hier is hoe het werkt, in simpele termen:

1. De Groenteboer (Data Invoer)
Je gooit je ruwe data (de geluidsopnames) in de machine. Het maakt niet uit of je een bekende plant bestudeert (zoals Arabidopsis, de "muizen" van de plantenwereld) of een exotische, onbekende plant. SAPTICoN pakt de ingrediënten en begint te werken.

2. De Schoonmaakster (Kwaliteitscontrole)
Niet alle huizen zijn in orde. Sommige zijn leeg, andere zijn kapot, en sommige hebben een kapotte microfoon. SAPTICoN loopt door de stad en gooit de rommel eruit. Het houdt alleen de gezonde, goed werkende cellen over.

3. De Groepsleider (Clustering)
Dit is het magische deel. Stel je voor dat je duizenden mensen in een zaal hebt. Hoe verdeel je ze in groepjes? De mensen die over voetballen praten, moeten bij elkaar, en de mensen die over tuinieren praten, ook.
Maar hoe groot moeten die groepjes zijn? Te groot en je mist de details; te klein en je hebt honderden kleine groepjes die eigenlijk hetzelfde doen.
SAPTICoN heeft een slimme kompas (een algoritme genaamd IKAP en Clustree). Het probeert verschillende indelingen uit, alsof het verschillende puzzelstukjes probeert, tot het de perfecte indeling vindt waarbij elke groep echt iets unieks doet. Het zorgt ervoor dat je niet per ongeluk te veel groepjes maakt (overfitting).

4. De Vertaler (Annotatie)
Nu je de groepjes hebt, moet je weten wie ze zijn. SAPTICoN kijkt naar de "roep" van de cellen en vergelijkt die met een kennisbank.

• "Oh, deze groep roept heel veel over wortels en water. Dit zijn waarschijnlijk wortelcellen!"
• "Die groep daar roept over bloemen. Dat zijn bloemcellen!"
  Het doet dit zelfs voor planten waarvoor we geen woordenboek hebben, door zelf een woordenboek te bouwen op basis van de DNA-gegevens.

5. De Verslaggever (Resultaat)
Aan het einde krijg je een mooi, duidelijk verslag met kaarten en lijsten. Je ziet precies welke cellen er zijn, wat ze doen, en hoe ze met elkaar werken. Je hoeft geen programmeur te zijn; je hoeft alleen maar een paar vinkjes te zetten in een bestandje.

Waarom is dit zo belangrijk?

Vroeger moesten biologen wachten tot een computerwetenschapper hun data kon uitlezen. Dat kostte tijd en geld. Met SAPTICoN kan iedere bioloog, zelfs diegene die niet van wiskunde of code houdt, zelf hun eigen plantstad onderzoeken.

Het is alsof je eerder een dure tolk nodig had om een vreemde taal te spreken, maar nu heb je een app die de taal direct voor je vertaalt, zodat je gewoon kunt genieten van het gesprek.

Kortom: SAPTICoN maakt complexe wetenschap toegankelijk, betrouwbaar en snel, zodat we beter kunnen begrijpen hoe planten leven, groeien en zich aanpassen aan onze wereld.

Technische samenvatting

Technische Samenvatting: SAPTICoN

Titel: SAPTICoN: een robuust no-code pipeline voor het analyseren van single-cell transcriptomics datasets van planten.

1. Het Probleem

Single-cell transcriptomics (SCT) is essentieel om cellulaire heterogeniteit en moleculaire mechanismen te ontrafelen. Echter, bestaande analysetools en pipelines hebben aanzienlijke beperkingen, vooral voor biologen die werken met niet-modelsoorten (zoals veel planten) of weefsels met beperkte genomische annotatie:

• Afhankelijkheid van annotatie: De meeste pipelines zijn ontworpen voor goed geannoteerde diermodellen en vereisen vaak complexe, handmatige aanpassingen voor soorten met beperkte referentiegenomen.
• Complexiteit en reproduceerbaarheid: De keuze van analytische stappen en softwarepakketten (vaak in R/Seurat) vereist geavanceerde programmeerkennis. Het updaten van softwareversies leidt vaak tot inconsistente resultaten.
• Optimalisatie van clustering: Er is geen standaardmethode om de optimale parameters voor cellulaire clustering (aantal hoofdcomponenten en resolutie) te bepalen, wat cruciaal is voor biologisch zinvolle resultaten.
• Gebrek aan end-to-end oplossingen: Bestaande tools dekken vaak slechts één stap in de workflow, waardoor biologen zelf scripts moeten schrijven om de stappen te koppelen.

2. Methodologie

SAPTICoN is een geautomatiseerde, end-to-end pipeline die is gebouwd op een Snakemake-framework, wat zorgt voor reproduceerbaarheid en parallelle verwerking. De pipeline is ontworpen om toegankelijk te zijn voor biologen met weinig bio-informatica-ervaring ("no-code" benadering via configuratiebestanden).

Kerncomponenten van de workflow:

• Infrastructuur: Gebruikt Conda voor het beheren van afhankelijkheden en Snakemake voor het orkestreren van de workflow. De kernanalyse gebeurt in R met het Seurat v5 framework.
• Input: Kan ruwe sequencing-data (FASTQ) of reeds berekende expressiematrices accepteren.
• Stap 1: Data Processing:
  • Kwaliteitscontrole met FastQC.
  • Mapping en tellen met CellRanger v7.1 (voor 10x Genomics data).
  • Filteren van artefacten en dubbele cellen.
• Stap 2: Data Filtering & Cleaning:
  • Verwijdering van cellen met abnormale transcriptaantallen of hoge percentages mitochondriale/chloroplastaire reads.
  • Correctie van technische bias (bijv. celcyclus of stress door protoplast-isolatie) via lineaire regressie.
  • Normalisatie en schaling (LogNormalize of SCTransform) en PCA.
• Stap 3: Optimalisatie van Clustering-parameters (Unieke bijdrage):
  • In plaats van vaste waarden, integreert SAPTICoN vier methoden om de beste parameters te kiezen voor het aantal hoofdcomponenten (nPC) en de resolutie (r):
    1. Elbow Plot: Visuele inspectie van variantie.
    2. JackStraw test: Statistische significantie van PCA-scores.
    3. IKAP: Een onbewaakte methode die de combinatie van nPC en r optimaliseert op basis van differentieel tot expressie gebrachte genen (DEGs) en classificatiefouten.
    4. Clustree: Visualiseert de stabiliteit van clusters over verschillende resoluties.
  • De gebruiker selecteert een compromis op basis van deze resultaten en vooraf bekende biologische kennis.
• Stap 4: Clustering & Visualisatie:
  • Clustering met het Louvain-algoritme of SML.
  • Dimensiereductie en visualisatie via UMAP of t-SNE.
• Stap 5: Functionele Analyse:
  • Identificatie van de novo celmarkers.
  • Automatische annotatie: Genereert R-compatibele annotatiepakketten (BSgenome) direct uit ruwe genomische bestanden (GTF/FASTA), waardoor GSEA (Gene Set Enrichment Analysis) mogelijk is voor niet-modelsoorten zonder handmatige database-opbouw.
  • Vergelijking met bekende biologische markers (KBM) en GSEA met clusterProfiler.

3. Belangrijkste Bijdragen

1. Toegankelijkheid voor niet-modelsoorten: SAPTICoN lost het probleem van ontbrekende annotatiepakketten op door automatisch R-pakketten (BSgenome) te genereren uit basisgenoombestanden. Dit maakt diepgaande functionele analyse mogelijk voor elke organisme.
2. Geautomatiseerde Parameteroptimalisatie: De integratie van IKAP en Clustree binnen een gestandaardiseerde workflow helpt gebruikers om over- of onder-clustering te vermijden en de beste biologische resolutie te vinden.
3. Reproduceerbaarheid: Door de volledige workflow in Snakemake te gieten, worden resultaten reproduceerbaar en onafhankelijk van lokale configuratieverschillen.
4. Gebruiksvriendelijkheid: De pipeline vereist slechts het invullen van twee bestanden (configuratie en launch-bestand), waardoor complexe R-scripts voor de gebruiker overbodig worden.

4. Resultaten (Benchmark)

De pipeline werd gevalideerd door een herschikking van een bestaande dataset van Arabidopsis thaliana wortelpunten (Shahan et al., 2022).

• Vergelijking: SAPTICoN produceerde 26 clusters, terwijl de referentiestudie 64 clusters gebruikte.
• Validatie: Hoewel SAPTICoN minder clusters had, bleken deze biologisch relevanter en minder "overgefit". De clusters overlappen sterk met de referentie-annotaties (F1-scores > 0,97 voor 10 van de 12 populaties).
• Bias: De pipeline introduceerde geen significante vertekening in de genexpressieprofielen; de verdeling van variabele genen en de celidentiteiten bleven consistent met de referentie.
• Conclusie: SAPTICoN slaagt erin complexe biologische structuren te vangen met een eenvoudigere clusterindeling, wat de interpretatie en annotatie vergemakkelijkt.

5. Betekenis en Impact

SAPTICoN vult een cruciale kloof in de plantbiologie en single-cell genomics. Het stelt biologen in staat om robuuste, reproduceerbare SCT-analyses uit te voeren zonder diepgaande programmeerkennis, zelfs voor soorten zonder uitgebreide genomische databases. Door de automatisering van de lastigste stappen (zoals het bouwen van annotatiepakketten en het optimaliseren van clustering), democratiseert het tool de toegang tot single-cell technologie en versnelt het de ontdekking van celtypen en functionele mechanismen in diverse biologische systemen. De tool is beschikbaar op GitHub voor niet-commercieel gebruik.