Inferring circadian phases and quantifying biological desynchrony across single-cell transcriptomes

Dit artikel introduceert scRitmo, een probabilistisch raamwerk dat circadiane fasen uit single-cell RNA-sequencing-data infereert en biologische desynchronisatie onderscheidt van technische ruis, waarmee het een geavanceerde methode biedt voor het kwantificeren van circadiane coherentie in diverse weefsels en organismen.

De kern

Stel je voor dat je lichaam een enorme orkest is. Elke cel is een muzikant die een instrument bespeelt. In een gezond lichaam spelen deze cellen perfect synchroon: ze spelen allemaal op hetzelfde ritme, precies op het juiste moment van de dag. Dit ritme is onze biologische klok (circadiaans ritme), die regelt wanneer we wakker worden, wanneer we honger hebben en wanneer we slapen.

Maar wat gebeurt er als de dirigent (de hersenen) even weg is, of als de muzikanten niet goed naar elkaar luisteren? Dan begint het orkest uit elkaar te vallen. Sommigen spelen te vroeg, anderen te laat. Dit noemen we desynchronisatie.

Het probleem voor wetenschappers was altijd: hoe meet je of een muzikant echt uit het ritme is, of dat het gewoon een slechte microfoon is die het geluid verstoort? Tot nu toe was het moeilijk om het echte ritme van één enkele cel te horen in de ruis van de data.

De oplossing: scRitmo

In dit artikel introduceren de auteurs een nieuwe slimme computerprogramma genaamd scRitmo. Je kunt het zien als een supergeavanceerde geluidstechnicus die naar één enkele cel kijkt en zegt: "Hé, jij speelt precies op 14:00 uur, en ik ben 90% zeker dat dit klopt."

Hier is hoe het werkt, vertaald in alledaagse termen:

1. Het probleem: Een ruisende kamer

Stel je voor dat je in een drukke zaal staat met duizenden mensen die allemaal een klok in hun hand houden. Je wilt weten hoe laat het is voor elke persoon. Maar:

• Je kunt niet naar iedereen luisteren (je hebt maar een paar minuten).
• Sommige klokken zijn stil (ze hebben weinig batterij).
• De data is "ruisig" (soms zie je een cijfer verkeerd).

Vroeger keken wetenschappers naar de hele zaal als één grote massa. Ze zagen dat het gemiddelde ritme zwakker werd, maar ze wisten niet of iedereen stil was geworden, of dat iedereen gewoon een ander tijdstip had.

2. De oplossing: Een slimme gids (scRitmo)

scRitmo is een wiskundig model dat naar de "woorden" (de genen) van elke individuele cel kijkt. Het doet drie belangrijke dingen:

• Het hoort het ritme: Het kijkt naar specifieke genen die als een klok werken (zoals Bmal1 en Per2). Het berekent op welk tijdstip van de dag die cel zich bevindt.
• Het geeft een zekerheidsgraad: Net als een weerman die zegt "70% kans op regen", zegt scRitmo: "Deze cel is om 14:00 uur, en ik heb een hoge zekerheid." Als de data erg ruisig is, zegt het: "Ik weet het niet precies, de zekerheid is laag."
• Het filtert de ruis: Dit is de magische truc. Het model weet precies hoeveel "ruis" er technisch gezien in de meting zit (zoals een slechte microfoon). Door dit af te trekken, kan het de echte biologische chaos zien. Het kan dus zeggen: "Deze groep cellen is niet alleen ruisig, ze spelen echt allemaal op een ander tijdstip!"

3. Wat hebben ze ontdekt? (De verhalen uit het papier)

De auteurs hebben scRitmo getest in verschillende situaties, zoals een testcursus voor hun nieuwe gids:

• De wekker die uitloopt (Fibroblasten): Ze namen cellen die eerst op één lijn waren gezet (zoals een orkest dat samen begint) en keken wat er gebeurde naarmate de tijd vorderde. scRitmo zag precies hoe de cellen langzaam uit elkaar dreven, alsof elke muzikant een iets ander tempo had. Het model kon zelfs voorspellen hoe snel ze uit elkaar dreven.
• De verschillende buurten (Muis-organen): Ze keken naar de lever, de huid en de aorta. Ze ontdekten dat sommige cellen (zoals spiercellen) heel goed synchroon blijven spelen, terwijl andere cellen (zoals bepaalde immuuncellen) al snel uit het ritme raken. Het is alsof de spiercellen een strenge dirigent hebben, en de immuuncellen meer vrijheid hebben om hun eigen ding te doen.
• De donkere kamer (Vliegjes): Ze keken naar vliegjes in het donker (zonder zonlicht). In het licht spelen ze perfect synchroon. Zodra het licht uitgaat, beginnen de verschillende groepen neuronen in het hoofd van de vliegjes uit elkaar te drijven. scRitmo zag dat sommige delen van de hersenen (de "hoofdmuzikanten") hun ritme vasthielden, terwijl andere delen (de "bijzitters") volledig uit elkaar vielen.

Waarom is dit belangrijk?

Vroeger dachten we dat als een orgaan (zoals de lever) niet meer goed functioneerde, de cellen zelf hun ritme hadden verloren. scRitmo laat zien dat de cellen vaak nog steeds perfect kunnen spelen, maar dat ze niet meer samen spelen.

Dit is cruciaal voor het begrijpen van ziektes zoals diabetes, obesitas of ouderdom. Als we weten waarom cellen uit elkaar drijven, kunnen we misschien de "dirigent" weer helpen om iedereen op hetzelfde ritme te krijgen.

Kortom:
scRitmo is de bril die ons laat zien of een orkest stil is, of dat het gewoon uit elkaar speelt. Het scheidt de echte chaos van de technische ruis, zodat we de ware gezondheid van onze biologische klokken beter kunnen begrijpen.

Technische samenvatting

Titel: Het afleiden van circadiane fasen en het kwantificeren van biologische desynchronisatie in single-cell transcriptomen

Auteurs: Andrea Salati, Yves Paychère, Vincent Hahaut, Cédric Gobet, en Felix Naef (EPFL & Alithea Genomics).

---

1. Het Probleem

Circadiane ritmen (biologische klokken) zijn essentieel voor de fysiologie en worden op cellulair niveau gegenereerd door een transcriptie-translatie feedbacklus. Hoewel bulk RNA-sequencing (RNA-seq) populatiegemiddelden biedt, verbergt deze benadering de heterogeniteit tussen individuele cellen.

• Uitdaging: Single-cell RNA-sequencing (scRNA-seq) biedt de mogelijkheid om deze heterogeniteit te bestuderen, maar het nauwkeurig afleiden van de circadiane fase van een enkele cel is moeilijk vanwege de sparsiteit van de data (lage capture-efficiëntie) en technische ruis.
• Kernprobleem: Het is tot nu toe een open probleem geweest om echte biologische desynchronisatie (verschillen in de interne klok tussen cellen) te onderscheiden van technische ruis die inherent is aan scRNA-seq-metingen. Bestaande methoden leveren vaak alleen punt-schattingen zonder onzekerheidsmeting of modelleren de populatie-heterogeniteit niet expliciet.

2. Methodologie: scRitmo

De auteurs introduceren scRitmo, een onbeheerd (unsupervised), probabilistisch raamwerk voor het afleiden van circadiane fasen en het kwantificeren van desynchronisatie.

• Probabilistisch Model:

  • scRitmo modelleert gen-teldata (UMI counts) met een Negatieve Binomiale (NB) verdeling om de overdispersie en sparsiteit van scRNA-seq-data te vangen.
  • De verwachte genexpressie wordt gemodelleerd als een harmonische oscillatie: $\log(\mu_{cg}) = \log(s_c) + m_g + A_g \cos(\theta_c - \phi_g)$, waarbij $\theta_c$ de latente circadiane fase van de cel is.
  • In plaats van alleen een punt-schatting te geven, berekent scRitmo de volledige posterior verdeling $P(\theta|x)$ voor elke cel. Dit levert een punt-schatting (de modus van de posterior) en een maat voor onzekerheid op (de circulaire standaardafwijking, cSTD, van de posterior).

• Scheiding van Biologische en Technische Variatie:

  • Een centrale innovatie is de variatiedecompositie. De totale geobserveerde spreiding van fasen ($\sigma_{data}$) wordt opgesplitst in technische ruis ($\sigma_{technical}$) en biologische desynchronisatie ($\sigma_{bio}$).
  • Methode: $\sigma_{bio} = \sqrt{\sigma_{data}^2 - \sigma_{technical}^2}$.
  • De technische component ($\sigma_{technical}$) wordt geschat door simulaties uit te voeren met een perfect gesynchroniseerde populatie (waar $\sigma_{bio}=0$) maar met dezelfde sequentie-eigenschappen (diepte, library size) als het echte dataset.

• Gen-sets:

  • Clock-Reference: Een set van 15 bekende circadiane genen (o.a. Bmal1, Per2, Dbp) afgeleid van bulk tijdreeks-data.
  • Extended-Set: Voor datasets met lage sequentie-diepte worden extra ritmische genen toegevoegd (via pseudobulk-analyse of knockout-validatie) om de "attractor bias" (artefactuele clustering van fasen bij lage diepte) te verminderen.

3. Belangrijkste Resultaten

• Validatie met Protein-niveau Data (3T3 Fibroblasten):

  • In ongesynchroniseerde 3T3-cellen met een fluorescente reporter (RevErbα-Venus) correleerden de door scRitmo afgeleide transcriptomische fasen sterk met de eiwitniveaus ($R^2 = 0.55$ voor eiwitoscillatie).
  • Genome-wide harmonische regressie op de afgeleide fasen identificeerde >100 ritmische genen die niet in de referentie-set zaten (bijv. celcyclusgenen), wat bevestigt dat de afgeleide fasen biologisch betekenisvol zijn.

• Kwantificering van Progressieve Desynchronisatie (SABER-FISH):

  • Toepassing op tijdreeks-data van gesynchroniseerde fibroblasten die na verloop van tijd uit fase raken.
  • scRitmo toonde aan dat $\sigma_{technical}$ constant bleef, terwijl $\sigma_{bio}$ lineair toenam na de synchronisatie.
  • Uit de helling van deze toename kon de onderliggende verdeling van intrinsieke perioden van individuele cellen worden afgeleid ($\sigma_T \approx 1.78$ uur), wat overeenkomt met eerdere studies met live-imaging.

• Toepassing op Muizenweefsels (Lever, Aorta, Huid):

  • In leverhepatocyten (lage sequentie-diepte) veroorzaakte het gebruik van alleen de Clock-Reference een sterke bias. Het gebruik van een Extended-Set elimineerde deze bias en verlaagde de fout (MAE) aanzienlijk.
  • Verschillende celtypen vertoonden verschillende niveaus van biologische desynchronisatie ($\sigma_{bio}$). Bijvoorbeeld, macrofagen toonden een hogere desynchronisatie dan hepatocyten.
  • scRitmo presteerde beter dan bestaande methoden (zoals Tempo) en was sneller in rekentijd.

• Drosophila Clock Neuronen (LD vs. DD):

  • Onder constante duisternis (DD) nam de biologische desynchronisatie ($\sigma_{bio}$) toe ten opzichte van licht-donker (LD) condities.
  • Verschillende neuronclusters reageerden verschillend: pacemaker-neuronen (s-LNv) bleven stabiel, terwijl andere clusters (zoals DN1p) sterke faseverschuivingen en toegenomen desynchronisatie vertoonden. Dit suggereert een herschikking van het netwerk zonder verlies van oscillatie-amplitude.

4. Belangrijkste Bijdragen

1. Probabilistisch Framework: scRitmo biedt voor het eerst een volledige posterior verdeling voor circadiane fasen in scRNA-seq, inclusief een robuuste maat voor onzekerheid per cel.
2. Decoupling van Ruis: De methode introduceert een gesimuleerd gekalibreerde variatie-decompositie die het mogelijk maakt om biologische desynchronisatie direct te schatten uit transcriptomische data, zonder de noodzaak van continue live-tracking.
3. Validatie op Protein-niveau: De afgeleide fasen bleken nauwkeurig te voorspellen van eiwitniveaus, wat de biologische relevantie van de methode onderstreept.
4. Schaalbaarheid: De methode werkt effectief over verschillende organismen (muis, fruitvlieg), weefsels en experimentele condities, en kan desynchronisatie kwantificeren in zowel gesynchroniseerde als ongesynchroniseerde populaties.

5. Significatie en Toekomstperspectief

Dit werk biedt een fundamenteel instrument voor de chronobiologie. Het bevestigt dat het "demping" van ritmen op weefselniveau vaak het gevolg is van desynchronisatie van intacte cellulaire oscillatoren, en niet van het verlies van de oscillator zelf.

• Klinische relevantie: Door biologische desynchronisatie te kunnen kwantificeren, kan scRitmo worden gebruikt om te onderzoeken hoe ziekten (zoals metabole stoornissen, ontstekingen of veroudering) de circadiane organisatie op cellulair niveau verstoren.
• Technologische impact: Naarmate de sequentie-diepte toeneemt (bijv. door plate-based methoden zoals FLASH-seq), wordt de noodzaak van uitgebreide gen-sets kleiner, maar blijft de probabilistische aanpak cruciaal voor het onderscheiden van echte biologische variatie van meetfouten.

Kortom, scRitmo transformeert statische scRNA-seq "snapshots" in een kwantitatief raamwerk voor het meten van circadiane coherentie, wat een nieuwe standaard zet voor het bestuderen van chronodisruptie op single-cell niveau.