LAML-Pro: Maximum Likelihood Inference of Cell Genotypes and Cell Lineage Trees

LAML-Pro is een nieuw algoritme dat cellulaire genotypen en stambomen gezamenlijk infereert via een maximum-likelihood-benadering, waardoor het fouten in genotypebepaling corrigeert en aanzienlijk nauwkeurigere en ruimtelijk coherente stambomen oplevert dan bestaande methoden.

De kern

LAML-Pro: De "Tijdmachine" die Cellen hun Geschiedenis laat vertellen

Stel je voor dat je een enorme familie hebt, maar je hebt geen foto's, geen dagboeken en geen verhalen van je grootouders. Je hebt alleen een doos met duizenden losse, vage schetsen van gezichten. Je wilt weten wie wie is, wie de broer is van wie, en hoe de familie door de tijd is gegroeid. Dat is precies wat biologen proberen te doen met cellen in een levend organisme.

Deze paper introduceert een nieuwe computerprogramma genaamd LAML-Pro. Laten we uitleggen hoe het werkt met een paar simpele vergelijkingen.

1. Het Probleem: De "Vage Schetsen"

In de biologie gebruiken wetenschappers een trucje om cellen te volgen. Ze geven cellen een soort "genetische tatoeage" (door het DNA te knippen en te plakken) elke keer als ze zich delen. Na verloop van tijd heeft elke cel een unieke reeks tatoeages.

Het probleem? Als je deze tatoeages probeert te lezen (met een microscoop of een sequencer), is het beeld vaak wazig.

• Soms zie je een tatoeage niet (misschien is hij gedoofd).
• Soms denk je dat je een rode stip ziet, maar is het eigenlijk oranje.
• Soms is het beeld zo vaag dat je niet zeker weet wat het is.

De oude manier:
Vroeger deden wetenschappers dit in twee stappen:

1. Ze keken naar de wazige schetsen en probeerden de "echte" tatoeage te raden (dit noemen ze genotypering). Ze maakten hier vaak fouten in.
2. Ze namen die (vaak foutieve) resultaten en bouwden daar een stamboom van.
   Gevolg: Als stap 1 fout was, was stap 2 ook een rommeltje. Het was alsof je een familiegeschiedenis schrijft op basis van verkeerd gelezen handgeschreven brieven.

2. De Oplossing: LAML-Pro (De "Slimme Detective")

LAML-Pro doet het anders. In plaats van eerst te raden wat de tatoeages zijn en daarna de stamboom te maken, doet het alles tegelijk.

Stel je voor dat je een detective bent die een moordzaak oplost.

• De oude methode: Je kijkt naar een vingerafdruk, schrijft op wat je denkt dat het is (misschien een 'A', misschien een 'B'), en loopt dan naar de verdachten om te zien wie erbij past. Als je de vingerafdruk verkeerd las, val je op de verkeerde verdachte.
• LAML-Pro: De detective kijkt naar de vingerafdruk en de verdachten tegelijk. Hij zegt: "Als dit de verdachte A is, dan past die vage vlek perfect bij zijn profiel. Als het verdachte B is, klopt het niet." Hij past zijn theorie over wie de dader is aan, terwijl hij tegelijkertijd zijn interpretatie van de vingerafdruk verbetert.

LAML-Pro is een wiskundige "detective" die twee dingen tegelijkertijd optimaliseert:

1. Wat is de meest waarschijnlijke stamboom?
2. Wat zijn de meest waarschijnlijke echte tatoeages (genotypes) van de cellen, gezien die vage schetsen?

3. De "Magische Formule" (PMMO)

De auteurs hebben een nieuwe wiskundige formule bedacht, genaamd PMMO. Dit is als een recept voor een perfecte soep.

• Het recept weet hoe de tatoeages ontstaan (de "kooktijd").
• Het weet hoe de camera soms een vlek mist (de "verkeerde lezing").
• Het weet hoe cellen zich delen.

Door dit recept te gebruiken, kan LAML-Pro de "ruis" (de fouten) uit het beeld filteren. Het kan zelfs zeggen: "Deze cel had hier een rode stip, maar de camera zag hem niet omdat de batterij net leeg was. Ik ga die rode stip er toch in zetten omdat het logisch is voor de stamboom."

4. Wat levert het op?

De paper toont aan dat LAML-Pro wonderen doet:

• Fouten verbeteren: Het vermindert de fouten in het lezen van cellen met een factor 5. Het maakt beeldgegevens (die vaak rommelig zijn) bijna net zo betrouwbaar als dure DNA-sequencing.
• Betere stambomen: De stambomen die LAML-Pro maakt, kloppen veel beter met de werkelijkheid. Cellen die fysiek dicht bij elkaar zaten (in het lichaam), zitten ook dichter bij elkaar in de stamboom.
• Snelheid: Het werkt snel. Het kan duizenden cellen in minder dan een uur verwerken.

Conclusie

LAML-Pro is als een slimme software die een wazige, oude familiefoto niet alleen scherper maakt, maar ook direct de juiste namen onder de gezichten zet en de juiste familierelaties tekent. Het helpt wetenschappers om de "geboorteakte" van elke cel in ons lichaam te lezen, wat essentieel is om te begrijpen hoe we groeien en hoe ziektes zoals kanker ontstaan.

Kortom: Het is een grote stap voorwaarts in het begrijpen van het leven, één cel tegelijk.

Technische samenvatting

Probleemstelling

De reconstructie van celstamboomgeschiedenissen (lineage trees) tijdens de ontwikkeling van organismen is een fundamenteel doel in de ontwikkelingsbiologie. Dynamische lineage tracing (DLT) systemen gebruiken genoomediting (bijv. CRISPR/Cas9) om erfelijke mutaties te induceren die zich ophopen bij celdeling. Deze mutaties worden gemeten via single-cell sequencing of beeldvorming (fluorescentie).

Huidige computationele benaderingen voor het reconstrueren van deze stambomen volgen een tweestapsproces:

1. Genotypering: Het afleiden van het genotype (de edit-status) van elke cel uit de ruwe data (sequencing reads of beeldintensiteiten).
2. Boomreconstructie: Het infereren van de stamboom op basis van deze genotypen.

Het fundamentele probleem is dat genotypering een onnauwkeurige proces is, vooral bij beeldvormingstechnieken waar onzekerheid en fouten hoog kunnen zijn (25-50% onzekere of foutieve genotypen). Bestaande methoden behandelen genotypen als vaststaande input, waardoor fouten in stap 1 zich voortplanten naar stap 2, wat leidt tot onnauwkeurige stambomen.

Methodologie: LAML-Pro en het PMMO-model

De auteurs introduceren LAML-Pro (Lineage Analysis via Maximum Likelihood with PRobabilistic Observations), een algoritme dat celgenotypen en de celstamboom gelijktijdig (jointly) inferreert, zonder eerst een tussenstap van genotypering te vereisen.

1. Het PMMO-model (Probabilistic Mixed-type Missing with Observations):
Dit is een generatief model dat twee processen integreert:

• Genoomeditieproces: Gemodelleerd als een Continue-Tijd Markov Keten (CTMC) met een overgangsmatrix $Q$. De toestanden omvatten:
  • 0: Ongemuteerde staat.
  • {1...M}: Mogelijke gemuteerde staten.
  • -1: Erfelijke "missing" staat (bijv. door epigenetische stillegging), wat resulteert in geen observatie.
  • Het model respecteert de irreversibiliteit van CRISPR-editing (een site kan niet opnieuw worden bewerkt).
• Observatieproces: Beschrijft hoe de verborgen genotypen ($Z$) worden omgezet in waarnemingen ($X$).
  • Het model houdt rekening met dropout (waarneming ontbreekt ondanks een niet-gesilenceerde staat) en missing data.
  • Voor beeldvormingsdata worden de observaties gemodelleerd als punten in een $d$-dimensionale ruimte, waarbij de dichtheidsfuncties ($f_z(x)$) worden getraind met Kernel Density Estimators (KDE) op gelabelde trainingsdata.

2. Het Optimalisatieprobleem:
LAML-Pro maximaliseert de log-waarschijnlijkheid van de waarnemingen $X$ gegeven de boomtopologie $T$ en parameters $\Theta$, door te marginaliseren over de onbekende genotypen $Z$:
$$\max_{T, \Theta} \log \sum_{z} P(X=x, Z=z | T, \Theta)$$
De boom $T$ wordt geforceerd om ultrametrisch te zijn (gelijke afstand van wortel tot blad, gebaseerd op een strikte moleculaire klok), hoewel een onbeperkte versie ook mogelijk is.

3. Het Algorithmische Kader:

• Zoekstrategie: Gebruik van een heuristische Maximum Likelihood zoektocht via Nearest Neighbor Interchange (NNI) bewegingen, geïnitieerd met een startboom (bijv. Neighbor Joining).
• EM-algoritme: Voor een gegeven boomtopologie worden de parameters geoptimaliseerd via een Expectation-Maximization (EM) algoritme.
  • E-stap: Berekening van de posterior-verdeling van verborgen staten en overgangen (gebruikmakend van Felsenstein's pruning algoritme).
  • M-stap: Gezamenlijke optimalisatie van parameters (taklengtes, edit-rates, dropout-kansen) met behulp van een interior-point methode (IPOPT). Dit biedt snellere kwadratische convergentie dan de sequentiële blok-coördinaatascensie die in eerdere methoden werd gebruikt.
• Efficiëntie: Door gebruik te maken van de sparsiteit van de overgangsmatrix, wordt de complexiteit van de E-stap verbeterd tot $O(NM)$, wat schaalbaarheid tot duizenden cellen mogelijk maakt.

Belangrijkste Bijdragen

1. Gelijktijdige Inferentie: De eerste methode die genotypen en stambomen direct uit ruwe DLT-observaties inferreert, waardoor fouten in de genotypering worden gecorrigeerd tijdens het boomreconstructieproces.
2. Het PMMO-model: Een nieuw probabilistisch model dat specifiek is ontworpen voor de unieke eigenschappen van lineage tracing data, inclusief erfelijke missing states en verschillende typen observatiefouten (dropout, onzekerheid).
3. Schaalbaarheid: Het algoritme is efficiënt genoeg om stambomen van duizenden cellen (bijv. 3.108 cellen) in minder dan een dag te reconstrueren, wat een verbetering is ten opzichte van eerdere probabilistische methoden.
4. Open Source: De implementatie is vrij beschikbaar.

Resultaten

De prestaties van LAML-Pro werden getest op gesimuleerde data en twee recente beeldvormingsdatasets (PEtracer en baseMEMOIR).

• Gesimuleerde Data:

  • LAML-Pro produceerde aanzienlijk nauwkeurigere stambomen (gemeten met Robinson-Foulds afstand) dan bestaande methoden (LAML, Neighbor Joining) en benaderde de nauwkeurigheid van methoden die de "ware" genotypen als input kregen.
  • Het corrigeerde genotypefouten effectief, zelfs bij hoge rates van missing data (37,5%) en hoge ruis.
  • De schatting van taklengtes was bijna perfect gecorreleerd met de waarheid ($R^2 = 0.995$).

• PEtracer Dataset (Beeldvorming):

  • Genotype Correctie: LAML-Pro reduceerde genotypefouten van beeldvorming (25-50%) tot het niveau van sequencing-fouten (~0,3%).
  • Missing Data: Het systeem imputeerde genotypen voor sites die door de standaard PEtracer-pipeline als "missing" of "low confidence" waren verworpen, zonder bias in de frequenties.
  • Ruimtelijke Coherentie: De door LAML-Pro gereconstrueerde bomen toonden een sterkere correlatie tussen phylogenetische afstand en ruimtelijke afstand (x,y-coördinaten) dan de oorspronkelijke PEtracer-bomen.

• baseMEMOIR Dataset:

  • LAML-Pro leverde bomen op die beter overeenkwamen met de verwachte genotypen en ruimtelijke migratiegeschiedenis dan de bomen uit het originele baseMEMOIR-papier.
  • Het model kon informatie gebruiken die door de oorspronkelijke pipeline was weggegooid vanwege lage betrouwbaarheid, wat leidde tot een hogere waarschijnlijkheid voor de migratiegeschiedenis onder een Brownse bewegingsmodel.

Betekenis en Impact

LAML-Pro vertegenwoordigt een paradigmaverschuiving in de analyse van lineage tracing data. Door de onzekerheid in de observaties expliciet te modelleren in plaats van ze als vaststaand feit te behandelen, lost het een van de grootste beperkingen van bestaande methoden op: de propagatie van genotyperingsfouten naar de stamboomreconstructie.

De methode maakt beeldvorming-based lineage tracing (die vaak goedkoper en ruimtelijk informatiever is dan sequencing) veel robuuster en nauwkeuriger, waardoor deze techniek breder toepasbaar wordt voor het bestuderen van celontwikkeling in complexe weefsels. De schaalbaarheid tot duizenden cellen positioneert LAML-Pro als een cruciaal hulpmiddel voor toekomstige grootschalige experimenten.