CardamomOT: a mechanistic optimal transport-based framework for gene regulatory network inference, trajectory reconstruction and generative modeling

CardamomOT is een nieuw mechanisch optimal transport-framework dat op basis van scRNA-seq-tijdsreeksdata nauwkeurig genregulatienetwerken en ongemeten eiwittrajecten reconstrueert, waardoor het de beperkingen van eerdere methoden overwint en geschikt is voor het genereren van realistische simulaties van cellulaire responsen op verstoringen.

De kern

Wat is het probleem?

Stel je voor dat je een film probeert te reconstrueren, maar je hebt alleen maar losse, willekeurige foto's van acteurs die in verschillende scènes staan. Je weet niet wie wie is, je weet niet welke foto eerst komt, en je ziet alleen hun kleding (hun RNA), niet wat er onder hun kleding gebeurt (hun eiwitten).

In de biologie is dit precies wat er gebeurt met cellen. Wetenschappers kunnen cellen "fotograferen" (met een techniek genaamd scRNA-seq) om te zien welke genen actief zijn. Maar:

1. De camera is destructief: je moet de cel doden om de foto te maken, dus je kunt dezelfde cel niet volgen terwijl hij verandert.
2. Je ziet alleen de "boodschappers" (RNA), niet de "werklieden" (eiwitten) die de daadwerkelijke taken uitvoeren.
3. Je wilt weten: Welke genen sturen welke andere genen aan? (Dit heet een Genetisch Regulerend Netwerk of GRN).

Zonder de echte beweging en zonder de eiwitten is het als proberen een auto-ongeluk te reconstrueren op basis van losse foto's van de auto's, zonder te weten hoe de bestuurders reageerden.

Wat is CardamomOT?

CardamomOT is een nieuwe slimme computermethode die deze puzzel oplost. De naam is een knipoog naar hun vorige methode (CARDAMOM), maar deze nieuwe versie is veel krachtiger.

Je kunt het zien als een super-reconstructie-algoritme dat drie dingen tegelijk doet:

1. Het voorspelt de onzichtbare beweging van de cellen (de "trajecten").
2. Het raadt de onzichtbare eiwitten in de cellen.
3. Het tekent de landkaart van wie wie aanstuurt (het genetische netwerk).

Hoe werkt het? (De Vergelijkingen)

1. Het "Optimal Transport" (De Verhuizer)

Stel je voor dat je een verhuisbedrijf bent. Je hebt een lijst met meubels (cellen) op dag 1 en een lijst op dag 2. Je moet beslissen: welk meubel op dag 1 is verhuisd naar welk meubel op dag 2?

• Oude methoden dachten: "Laten we gewoon de kortste afstand nemen." Dit is alsof je meubels door de lucht laat zweven. Dat is niet realistisch.
• CardamomOT denkt: "Laten we kijken naar de regels van de natuur." Het weet dat meubels niet zomaar zweven; ze moeten door deuren, trappen op en worden gedragen door mensen. In dit geval zijn de "regels" de biologische wetten van hoe genen en eiwitten werken. Het algoritme zoekt de meest logische route die een cel kan nemen, gebaseerd op de biologie, niet alleen op de afstand.

2. Het "Mechanistische Model" (De Motor)

De meeste methoden kijken alleen naar de statistiek van de data. CardamomOT heeft een motor in zijn hoofd.
Het weet hoe een cel werkt:

• Genen schakelen aan en uit (zoals een lichtschakelaar).
• Ze maken boodschappers (RNA) in korte, krachtige bursts.
• Die worden omgezet in werklieden (eiwitten).
• Die eiwitten sturen weer andere genen aan.

CardamomOT gebruikt deze kennis als een blauwdruk. Het zegt: "Als dit eiwit hier is, moet dat gen aan gaan. Als dat gen aan gaat, moet de cel hier naartoe bewegen." Hierdoor kan het de onzichtbare eiwitten en de echte beweging van de cel reconstrueren, zelfs als die niet gemeten zijn.

3. De "Iteratieve Loopt" (Het Gokspel)

Het algoritme werkt als een slimme gokker die steeds beter wordt:

1. Gok 1: Het maakt een ruwe schatting van het genetische netwerk.
2. Gok 2: Op basis van dat netwerk, probeert het de beweging van de cellen te tekenen.
3. Gok 3: Kijkt het: "Past deze beweging bij het netwerk?" Zo niet, dan past het het netwerk aan.
4. Herhaal: Het doet dit steeds weer (zoals een iteratieve cyclus) tot alles perfect op elkaar aansluit. Uiteindelijk heeft het een perfecte reconstructie van wat er in de cel is gebeurd.

Waarom is dit zo cool? (De Resultaten)

• Het ziet de onzichtbare: Het kan de beweging van de eiwitten zien, die we normaal niet kunnen meten. Dit is alsof je een detective bent die kan zien wat de dader voordat hij de misdaad pleegde, dacht, puur op basis van de sporen op de plaats delict.
• Het is een "Digital Twin": Zodra het algoritme het netwerk heeft geleerd, kan het nieuwe films maken. Je kunt het vragen: "Wat zou er gebeuren als we dit ene gen uitschakelen?" Het antwoordt dan met een simulatie van hoe de cellen zouden reageren. Dit bespaart jaren aan dure en moeilijke laboratoriumexperimenten.
• Het werkt in de praktijk: De auteurs hebben het getest op echte data van stamcellen die veranderen in andere celtypen. Het voorspelde zelfs succesvol welke genen nodig zijn om een cel "terug te draaien" naar een stamcel (iPSC), iets dat later experimenteel werd bevestigd.

Samenvatting in één zin

CardamomOT is een slimme computerprogramma dat, door te kijken naar losse foto's van cellen en gebruik te maken van de wetten van de biologie, de volledige film van het leven van een cel reconstrueert, inclusief de onzichtbare acteurs en het script dat hen aanstuurt, zodat we toekomstige veranderingen kunnen voorspellen.

Het is een brug tussen ruwe data en een volledig begrijpelijk verhaal over hoe leven werkt.

Technische samenvatting

1. Probleemstelling

Het infereren van Genetische Regulerende Netwerken (GRN's) en het reconstrueren van celtrajecten uit single-cell RNA-sequencing (scRNA-seq) data kent twee fundamentele uitdagingen:

• Ontbrekende causale koppeling: scRNA-seq data zijn destructief; men kan geen longitudinale metingen van dezelfde cel doen. Data bestaan uit "snapshots" op verschillende tijdstippen. Bestaande methoden (zoals die gebaseerd op Optimal Transport of OT) modelleren celbeweging vaak als een Brownse beweging of een lineair proces in de mRNA-ruimte. Dit negeert de onderliggende mechanische biologie, zoals de traagheid van eiwitten en de stochastische aard van transcriptie (bursting).
• Onzichtbare eiwitdynamiek: De regulatie van genen wordt uitgevoerd door eiwitten (transcriptiefactoren), maar scRNA-seq meet alleen mRNA. De relatie tussen mRNA en eiwit is niet-lineair en stochastisch. Bestaande methoden modelleren vaak alleen mRNA, waardoor ze de werkelijke drijvende krachten van de celtrajecten missen.
• Beperkingen van voorgangers: De eerdere methode van de auteurs, CARDAMOM, maakte gebruik van een quasi-stationaire benadering voor eiwitten (aannemende dat eiwitten direct in evenwicht zijn met mRNA) en kon geen exacte tijdstippen gebruiken, wat de nauwkeurigheid beperkte.

2. Methodologie: CardamomOT

CardamomOT introduceert een unificerend raamwerk dat mechanistische modellering combineert met Optimal Transport (OT) om GRN's en verborgen eiwittrajecten gelijktijdig te reconstrueren.

A. Mechanistisch Model
Het model is gebaseerd op een hybride twee-toestand model voor genexpressie:

• Genen schakelen stochastisch tussen een inactieve en actieve toestand (transcriptional bursting).
• mRNA wordt gesynthetiseerd en vertaald naar eiwitten.
• De activatiefrequentie van een gen wordt gereguleerd door de concentratie van andere eiwitten via een GRN ($\theta$).
• In plaats van alleen mRNA te modelleren, wordt aangenomen dat eiwitten op een langzamere tijdschaal evolueren dan mRNA. Dit leidt tot een deterministische differentiaalvergelijking (ODE) voor eiwitten, waarbij mRNA als een snel variërende variabele wordt geïntegreerd tot een "burst-rate".

B. Iteratief Expectation-Maximization (EM) Lijkt Proces
De kern van CardamomOT is een iteratief algoritme dat twee stappen afwisselt totdat convergentie is bereikt:

1. Trajectreconstructie via Mechanistische OT (E-stap):

   • Gegeven een huidige GRN ($\theta$) en labels voor "basins" (discrete celtoestanden), worden de verborgen eiwittrajecten gereconstrueerd.
   • In plaats van een simpele Euclidische afstand, wordt een mechanistische kostfunctie gebruikt. Voor elke cel op tijdstip $t_j$ wordt de meest waarschijnlijke afstammeling op $t_{j+1}$ gevonden door de ODE voor eiwitten te integreren, rekening houdend met mogelijke switches in de transcriptie-modus.
   • Dit vormt een entropisch geregulariseerd Optimal Transport-probleem dat cellen over tijd koppelt op basis van hun biologische haalbaarheid, niet alleen op basis van mRNA-afstand.

2. GRN-calibratie (M-stap):

   • Met de gereconstrueerde eiwittrajecten wordt de GRN ($\theta$) bijgewerkt.
   • Dit gebeurt door een regressie uit te voeren waarbij de voorspelde burst-frequenties (gebaseerd op de eiwitten en de GRN) worden geminimaliseerd tegen de waargenomen burst-modes uit de data.
   • Er wordt gebruikgemaakt van een Elastic-Net regularisatie om de GRN schaars te houden en eventuele a priori kennis te integreren.

3. Verfijning van Basin-labels:

   • De toewijzing van cellen aan specifieke regulatorische toestanden (basins) wordt geoptimaliseerd om consistentie te garanderen tussen de waargenomen mRNA-data en de gereconstrueerde eiwitdynamiek.

C. Post-processing en Generatief Model
Na convergentie worden de kinetische parameters (zoals degradatiesnelheden) opnieuw gekalibreerd met behulp van NeuralODEs om ervoor te zorgen dat het model de waargenomen variabiliteit en tijdschalen exact reproduceert. Het resultaat is een volledig gekalibreerd generatief model dat nieuwe datasets kan simuleren.

3. Belangrijkste Bijdragen

• Integratie van Mechanistische en OT-methoden: CardamomOT is een van de eerste methoden die expliciet mechanistische GRN-inferentie, trajectreconstructie en generatieve modellering combineert in één raamwerk.
• Reconstructie van Eiwittrajecten: In tegenstelling tot eerdere methoden die in mRNA-ruimte werken, reconstrueert CardamomOT de verborgen eiwitdynamiek, wat biologisch realistischer is omdat eiwitten de drijvende kracht zijn van celveranderingen.
• Gebruik van Exacte Tijdstippen: Het model maakt gebruik van exacte tijdslabels (in plaats van alleen relatieve volgorde) en kan prior kennis over kinetische snelheden integreren, wat de robuustheid verhoogt.
• Generatieve Capabiliteit: Het gekalibreerde model fungeert als een "digitale tweeling" van het biologische systeem, waardoor in silico experimenten (zoals gen-knockouts en overexpressies) mogelijk zijn zonder het model opnieuw te hoeven trainen.

4. Resultaten

De methode is gevalideerd op zowel gesimuleerde data (waar de "ground truth" bekend is) als drie experimentele datasets (embryonale stamcel-differentiatie, sympathoadrenale differentiatie, en reprogramming naar iPSC's).

• GRN-inferentie: CardamomOT presteert significant beter dan state-of-the-art methoden (zoals CARDAMOM, Reference Fitting, GENIE3) op de Area Under the Precision-Recall curve (AUPR), vooral bij complexe netwerken. Het kan zowel de richting als het teken (activatie/remming) van regulatie bepalen.
• Traject- en Velociteitsreconstructie: De gereconstrueerde snelheidsvelden (velocity fields) in eiwitruimte tonen een hoge overeenkomst (>0.8 cosine similarity) met de mechanische waarheid, terwijl mRNA-gebaseerde methoden vaak slechts een uniforme stroom tonen zonder biologische structuur.
• Generatieve Kwaliteit: Het model kan nieuwe tijdsreeksen genereren die de marginaal verdelingen, correlaties en celtype-verhoudingen van de originele data nauwkeurig nabootsen.
• Perturbatievoorspelling:
  • Het model voorspelde correct dat overexpressie van Obox6 en Zfp42 de efficiëntie van iPSC-reprogramming verhoogt (een experimenteel bevestigd resultaat), puur op basis van de data zonder voorafgaande kennis van deze factoren.
  • Het voorspelde ook de effecten van Dnmt3a overexpressie op stamceldifferentiatie, waarbij het de epigenetische remmende rol van dit eiwit correct identificeerde.

5. Betekenis en Impact

CardamomOT vertegenwoordigt een belangrijke stap vooruit in de systembiologie door de kloof te overbruggen tussen data-gedreven trajectinferentie en biophysisch onderbouwde modellen.

• Interpreteerbaarheid: Door mechanistische parameters (burst-frequenties, degradatiesnelheden) te schatten, biedt het inzicht in de onderliggende moleculaire processen, niet alleen in correlaties.
• Robuustheid: Het is robuust tegen onnauwkeurigheden in de geschatte kinetische parameters, wat cruciaal is voor toepassing op echte experimentele data waar deze waarden vaak onbekend zijn.
• Toekomstperspectief: Het generatieve karakter stelt onderzoekers in staat om complexe genetische perturbaties te testen in silico, wat de kosten en tijd van laboratoriumexperimenten kan verminderen. Het raamwerk is ook uitbreidbaar naar multi-omics data (zoals scATAC-seq) om epigenetische lagen mee te nemen.

Samenvattend biedt CardamomOT een geavanceerd, mechanistisch onderbouwd raamwerk dat de nauwkeurigheid, interpretatie en voorspellende kracht van single-cell analyse aanzienlijk verbetert.