A Context-Aware Single-Cell Proteomics Analysis pipeline.

Deze studie introduceert CASPA, een geautomatiseerde en reproduceerbare analysepipeline voor single-cell proteomics die geavanceerde kwaliteitscontrole, batchcorrectie en contextbewuste annotatie door grote taalmodellen integreert om de uitdagingen van proteomische data aan te pakken en nauwkeurige celidentificatie mogelijk te maken.

De kern

Stel je voor dat je een enorme bibliotheek binnenstapt, maar in plaats van boeken, zitten er miljoenen losse bladzijden in. Elke bladzijde is een enkele cel uit een menselijk lichaam, en de tekst op die bladzijden vertelt je welke eiwitten (de bouwstenen van het leven) in die cel aanwezig zijn.

Vroeger was het lezen van deze bladzijden een nachtmerrie. De tekst was vaak onleesbaar, sommige woorden ontbraken, en er zaten veel vlekken van andere boeken doorheen (vervuiling). Wetenschappers moesten dit handmatig sorteren, wat langzaam was en vaak leidde tot fouten.

Deze paper introduceert CASPA: een slimme, geautomatiseerde "bibliothecaris" die deze chaos in één keer oplost. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Probleem: De "Vervuilde" Bibliotheek

In de wereld van Single-Cell Proteomics (het meten van eiwitten in één cel) is het data vaak rommelig.

• Ontbrekende woorden: Soms zie je een eiwit niet, omdat het er echt niet is, maar soms is het gewoon een meetfout.
• Verwarring: Soms zitten er eiwitten in een cel die er niet thuishoren, maar die er "bijgeplakt" zijn (zoals stofdeeltjes in een kamer).
• De oude methode: Wetenschappers gebruikten regels die ze voor RNA (een ander type cel-data) hadden bedacht. Dat is alsof je probeert een film te bekijken met de instructiehandleiding van een radio. Het werkt niet goed.

2. De Oplossing: De Slimme Bibliothecaris (CASPA)

De auteurs hebben een nieuw systeem gebouwd dat drie slimme stappen doorloopt:

Stap 1: De "Kwaliteitscontrole" (De Schoonmaakbeurt)

Stel je voor dat je een grote stapel papieren krijgt. De eerste stap van CASPA is niet om alles te gooien, maar om te kijken welke papieren echt goed zijn.

• Het systeem kijkt naar de "dichtheid" van de tekst. Als een cel te weinig informatie heeft, wordt hij weggegooid.
• Slimme truc: Het kijkt ook naar groepen. Als een hele groep papieren uit dezelfde "verkeerde doos" komt (bijvoorbeeld een batch met veel vervuiling), herkent het systeem dat en markeert die groep, zonder dat je handmatig hoeft te zoeken.

Stap 2: De "Groepeermachine" (De Sorteerder)

Nu de goede papieren over zijn, moeten ze in de juiste stapels worden gelegd.

• In plaats van alleen te kijken naar hoeveel tekst er staat (hoeveel eiwitten), kijkt het systeem ook naar welke woorden er staan (welke eiwitten zijn wel of niet gevonden).
• De Analogie: Stel je voor dat je mensen in een zaal moet groeperen. Je kijkt niet alleen naar hoe hard ze praten (intensiteit), maar ook naar wie er wel of niet in de kring staat (detectiepatroon).
• Het systeem corrigeert automatisch voor "ruis" (verschillen tussen meetmomenten) zodat alleen de echte biologische verschillen overblijven.

Stap 3: De "Super-Detective" (De AI)

Dit is het meest revolutionaire deel. Vroeger moesten experts handmatig raden wat elke stapel voorstelde. Nu doet een Grote Taalmodel (LLM) dit.

• Het probleem met AI: Normaal gesproken hallucineert AI. Het zegt bijvoorbeeld: "Dit is een volwassen sterrencel," terwijl het eigenlijk een jonge voorloper is, omdat het de context niet snapt.
• De oplossing van CASPA: Ze hebben de AI een drie-traps proces gegeven:
  1. Rondje 0 (De Context): De AI krijgt alleen de achtergrondinformatie. "We kijken naar een embryo van 13 weken." De AI denkt dan: "Oké, volwassen cellen horen hier niet. Ik moet mijn woordenboek aanpassen."
  2. Rondje 1 (De Analyse): Nu krijgt de AI de data. Omdat hij al weet wat hij niet mag zeggen, maakt hij minder fouten.
  3. Rondje 2 (De Check): Als de AI twijfelt, vraagt hij om extra bewijs en kijkt hij nog eens goed.

3. De Proef op de Som

De auteurs hebben hun systeem getest op vier verschillende "bibliotheken":

• Het ontwikkelende brein: Hier leerde de AI dat hij niet mag praten over "volwassen" hersencellen als het embryo nog in ontwikkeling is.
• Tumor-neutrofielen (witte bloedcellen): Dit was lastig. Sommige cellen hadden eiwitten van andere cellen "opgegeten" (fagocytose). De oude AI dacht: "Dit is vervuiling!" De nieuwe AI dacht: "Ah, dit is een witte bloedcel die vuil opruimt!"
• Huidtumoren: Hier kregen ze de echte antwoorden van een andere test (FACS-sortering). Het nieuwe systeem had 90% gelijk, wat enorm is voor een geautomatiseerd systeem.
• Pancreas (alvleesklier): Ze controleerden de resultaten met microscopie (kijken naar het weefsel onder de microscoop). De AI had gelijk: de cellen die ze als "opruimers" hadden geïdentificeerd, hadden inderdaad stukjes van andere cellen in zich.

Waarom is dit belangrijk?

Vroeger was het analyseren van deze data een handwerk dat alleen experts konden doen. Het was traag, subjectief en moeilijk te reproduceren.

Met CASPA hebben ze een automatische fabriek gebouwd die:

1. De data schoonmaakt.
2. De cellen groepeert.
3. De cellen benoemt met een AI die "nadenkt" over de context in plaats van alleen patronen te herkennen.
4. Zelfs aangeeft waar het zich niet zeker is (zodat mensen dat kunnen controleren).

Kortom: Ze hebben een systeem gemaakt dat de "vertaler" tussen de ruwe, rommelige data van massaspectrometrie en de begrijpelijke biologische antwoorden volledig automatiseert, zodat wetenschappers zich kunnen focussen op de ontdekkingen in plaats van op het sorteren van papieren.

Technische samenvatting

Probleemstelling

Single-cell proteomics (SCP) via massaspectrometrie maakt het nu mogelijk om honderden tot duizenden eiwitten per cel te kwantificeren. Desondanks ontbreekt er een gestandaardiseerde analytische pipeline die rekening houdt met de specifieke complexiteit van proteomische data. Bestaande workflows zijn grotendeels overgenomen van single-cell RNA-sequencing (scRNA-seq), maar dit leidt tot fundamentele fouten omdat proteomische data zich onderscheidt door:

• Informatieve missingness: Het niet detecteren van een eiwit kan biologische afwezigheid, technische dropout of omgevingsvervuiling (ambient contamination) betekenen; deze scenario's hebben verschillende implicaties.
• Batch-effecten: Deze zijn veelvoorkomend en worden vaak onvoldoende gecorrigeerd door eenmalige correctiestrategieën.
• Beperkte feature space: Het aantal detecteerbare eiwitten per cel is aanzienlijk kleiner dan het aantal transcripten.
• Annotatie-bottleneck: Cell-type annotatie is momenteel handmatig, subjectief en moeilijk te schalen. Bestaande referentie-classificatoren (getraind op transcriptoomdata) presteren slecht op proteoomdata.

Daarnaast blijken Large Language Models (LLM's), hoewel veelbelovend voor biologische interpretatie, bij naïeve toepassing vatbaar te zijn voor hallucinaties, contextonafhankelijke terminologie en het verkeerd interpreteren van fagocytische of lytische celstaten.

Methodologie: De CASPA Pipeline

De auteurs presenteren een volledig geautomatiseerde, end-to-end pipeline (CASPA) die bestaat uit vier kerncomponenten:

1. Adaptieve Kwaliteitscontrole (QC):

   • In plaats van vaste filters gebruikt de pipeline een dataset-specifieke drempelwaarde gebaseerd op de onderste staart van de eiwit-aantallenverdeling.
   • Een nieuwe "cluster-per-batch" diagnose detecteert technische batches die afwijken van het globale patroon, zelfs als individuele cellen QC-passen.

2. Iteratieve Batch-correctie:

   • Er wordt gebruikgemaakt van een dual-modality PCA die eiwitintensiteit combineert met binaire detectiepatronen (wel/niet gedetecteerd).
   • Een Harmony-loop wordt iteratief uitgevoerd. Na elke iteratie wordt de batch-mixing gemeten via gewogen Shannon-entropie. De correctiestrategie (diversiteitsstraf) wordt automatisch verhoogd totdat een doel-entropie wordt bereikt, wat zorgt voor adaptieve correctie zonder handmatige parameter-tuning.

3. Multi-modale Marker Ontdekking:

   • Celidentiteit wordt bepaald door vier complementaire modaliteiten:
     • Detectiespecificiteit (Fisher's exact test op aanwezigheid/afwezigheid).
     • Intensiteitsverschillen (Mann-Whitney U test, alleen op gedetecteerde waarden om zero-inflatie te vermijden).
     • Model-gebaseerde testing (scplainer) om biologische effecten te scheiden van technische factoren.
     • Pad-activiteitsscores (AUCell).
   • Deze signalen worden samengevat via een consensus-rangschikking.

4. Context-bewuste Annotatie met LLM's (Drie-rondes Architectuur):

   • Om hallucinaties en contextfouten te voorkomen, wordt een drie-traps architectuur gebruikt:
     • Ronde 0: De LLM ontvangt alleen de experimentcontext (soort, weefsel, ontwikkelingsstadium) en genereert analytische constraints (bijv. welke celtypen niet verwacht worden, mogelijke omgevingssignalen, mechanismen voor niet-zelf-eiwitopname zoals fagocytose).
     • Ronde 1: De LLM annotatie wordt uitgevoerd met deze constraints, de marker-data en strikte regels voor contaminatie.
     • Ronde 2: Clusters met lage/middelhoge zekerheid worden herbeoordeeld na het toevoegen van aanvullende, door de LLM voorgestelde markers.
   • De output bevat niet alleen een label, maar ook een transparante record van ondersteunende markers, contradicties, zekerheidsniveaus en aanbevelingen voor vervolgonderzoek.

Belangrijkste Resultaten

De pipeline werd gevalideerd op vier datasets met toenemende complexiteit:

1. Ontwikkelend menselijk brein:

   • De pipeline herstelde 6 van de 8 hoofd-celtypen correct.
   • Het identificeerde systematische fouten in eerdere LLM-annotaties (bijv. het labelen van foetale astrogliale progenitors als volwassen astrocyten) en corrigeerde deze door contextbewuste vocabulaire.
   • Het toonde de limieten van SCP aan voor populaties gedefinieerd door transcript-eiwit-discordantie.

2. Glioblastoma-geassocieerde neutrofielen:

   • Dit was een uitdaging omdat alle cellen tot één lijn behoren en de taak was het onderscheiden van functionele staten.
   • De pipeline onderscheidde geactiveerde, ontstekingsremmende, degranulerende en uitgeputte neutrofielen.
   • Kerninzicht: De LLM neigde oorspronkelijk om niet-zelf-eiwitten (zoals keratine) te labelen als "vervuiling". De context-bewuste architectuur corrigeerde dit door fagocytose en lytische celsterfte (NETosis) als biologische verklaringen te erkennen.

3. Held-out validatie: Huidtumor (CYLD cutaneous syndrome):

   • Geanalyseerd op een ander instrument en met een andere voorbereidingsworkflow.
   • De annotaties toonden een 90,8% overeenkomst met de FACS-sorted ground truth.
   • De pipeline slaagde erin complexe staten te onderscheiden, zoals macrofagen die keratinocyt-cargo hadden opgenomen (fagocytose), terwijl andere modellen dit ten onrechte als puur epitheel labelden.

4. Caerulein-geïnduceerd pancreasletsel:

   • Orthogonale validatie via immunohistochemie (IHC) en immunofluorescentie bevestigde de annotaties van macrofagen, stellate cellen en immuunpopulaties.
   • Specifiek werd bevestigd dat Reg3-eiwitten in macrofagen afkomstig waren van fagocytose (intracellulaire puncta) en niet van omgevingsvervuiling.

Bijdragen en Significantie

• Eerste gestandaardiseerde SCP-pipeline: CASPA biedt de eerste end-to-end workflow die specifiek is ontworpen voor de unieke eigenschappen van proteomische data (informatieve missingness, omgevingsvervuiling).
• Overcoming LLM-fouten: De studie identificeert en lost systematische fouten van LLM's op in de biologie, zoals het verkeerd interpreteren van fagocytose en het gebruik van verkeerde ontwikkelingsvocabulaire. De "drie-rondes" architectuur is een nieuwe standaard voor context-bewuste AI in de wetenschap.
• Reproduceerbaarheid en Transparantie: De pipeline is volledig geautomatiseerd (Snakemake), genereert gedetailleerde audit trails en levert annotaties met gekwantificeerde onzekerheid op, wat essentieel is voor downstream expert-review.
• Biologische inzichten: Door het onderscheid te maken tussen echte biologische signalen en technische artefacten (zoals omgevingsvervuiling vs. fagocytose), opent deze pipeline nieuwe wegen voor het bestuderen van complexe weefselomgevingen zoals tumoren en ontstekingsprocessen.

De pipeline is beschikbaar als CASPA en biedt laboratoria de mogelijkheid om reproduceerbare, interpreteerbare en kwaliteitsgecontroleerde single-cell proteomics analyses uit te voeren zonder diepe bioinformatica-expertise.