scMultiPreDICT: A single-cell predictive framework with transcriptomic and epigenetic signatures

scMultiPreDICT is een R-gebaseerd computeraamwerk dat systematisch de voorspellende kracht van transcriptomische versus epigenetische kenmerken voor genexpressie in single-cell multi-omics data vergelijkt, waarbij blijkt dat RNA-features over het algemeen overheersen maar multimodale integratie gen- en contextspecifiek nuttig kan zijn.

De kern

scMultiPreDICT: De "Voorspeller" van de Cel

Stel je een cel voor als een groot, drukke fabriek. In die fabriek gebeuren er twee belangrijke dingen:

1. De blauwdrukken (RNA): Dit zijn de instructies die zeggen welke machines (eiwitten) er nu moeten draaien.
2. De sleutels in het slot (Chromatine/ATAC): Dit is de manier waarop de fabriek deuren open- of dichtdoet. Als een deur dichtzit, kunnen de blauwdrukken er niet bij. Als hij open staat, kan er iets gebeuren, maar het betekent niet dat het altijd gebeurt.

Het probleem:
Wetenschappers willen weten: Als we iets in de fabriek veranderen (bijvoorbeeld een medicijn geven of een gen uitschakelen), wat gebeurt er dan?
Tot nu toe hadden we twee soorten kaarten: één met alleen de blauwdrukken en één met alleen de stand van de deuren. Maar we wisten niet precies welke kaart het beste voorspelde wat er zou gebeuren. Zou het helpen om beide kaarten tegelijk te gebruiken? Of is de ene kaart gewoon veel beter dan de andere?

De oplossing: scMultiPreDICT
De onderzoekers (Manful en Uzun) hebben een slim computerprogramma bedacht, genaamd scMultiPreDICT. Je kunt dit zien als een super-voorspeller die leert om het gedrag van de fabriek te raden.

Ze hebben dit programma getraind met drie verschillende "recepten":

1. Alleen de blauwdrukken (RNA): Kijken alleen naar wat er nu wordt gemaakt.
2. Alleen de deuren (ATAC): Kijken alleen naar welke deuren open of dicht staan.
3. De combinatie: Beide tegelijk gebruiken.

Wat hebben ze ontdekt? (De verrassende resultaten)

• De blauwdrukken zijn de sterren:
  Het programma bleek het allerbeste te zijn in het voorspellen van het gedrag van de cel als het alleen keek naar de blauwdrukken (RNA). Het is alsof je de uitkomst van een wedstrijd kunt voorspellen door alleen naar de huidige stand van het scorebord te kijken. Dat werkt heel goed!

• De deuren zijn minder betrouwbaar:
  Als ze alleen keken naar de stand van de deuren (chromatine), was de voorspelling veel minder goed. Het is alsof je probeert te voorspellen of er een feestje komt, alleen door te kijken of de voordeur open staat. De deur kan open staan, maar misschien is er niemand die wil dansen. De "openheid" is nodig, maar het is niet de enige reden waarom er iets gebeurt.

• Meer is niet altijd beter:
  Je zou denken: "Als ik zowel de blauwdrukken als de deuren bekijk, moet het toch nog beter worden?"
  Nee, niet altijd. Het programma leerde dat het toevoegen van de "deur-informatie" vaak niets toevoegt aan de voorspelling. Het is alsof je een recept voor koekjes maakt en er ook nog een foto van de keuken toevoegt; het helpt niet echt om te weten hoe de koekjes smaken.
  De uitzondering: Bij sommige specifieke fabrieken (cellen) of bij bepaalde machines (genen) helpt het wél om te weten of de deur open staat. Maar voor de meeste gevallen is het gewoon overbodige informatie.

Waarom is dit belangrijk?

Stel je voor dat je een dokter bent die een ziekte wil genezen door een fabriek te repareren.

• Als je weet dat de blauwdrukken het belangrijkste zijn, dan moet je proberen de instructies te veranderen (bijvoorbeeld met medicijnen die de genen aan- of uitzetten).
• Als je weet dat voor een specifiek probleem de deuren het belangrijkst zijn, dan moet je proberen de deuren open of dicht te krijgen (epigenetische therapie).

Conclusie
Dit onderzoek geeft ons een GPS-systeem voor biologen. Het helpt hen te beslissen: "Moet ik kijken naar de instructies (RNA) of naar de toegankelijkheid van de deuren (chromatine) om te begrijpen hoe een cel werkt?"
Meestal is het antwoord: "Kijk naar de instructies." Maar voor bepaalde, specifieke situaties is het slim om ook naar de deuren te kijken.

Kort samengevat:
De onderzoekers hebben een slimme computer gemaakt die leert dat we meestal het gedrag van cellen het beste kunnen voorspellen door te kijken naar wat er nu gebeurt (RNA), en niet zozeer door te kijken naar wat er zou kunnen gebeuren (de open deuren). Soms helpt het wel om beide te combineren, maar dat hangt af van welk type cel je bekijkt.

Technische samenvatting

Probleemstelling

Het voorspellen van cellulair gedrag als reactie op genetische verstoringen of farmacologische ingrepen blijft een fundamentele uitdaging. Hoewel transcriptieprogramma's (genexpressie) vaak als de primaire drijver van celidentiteit worden gezien, speelt het epigenetische landschap (chromatine-toegankelijkheid) een cruciale rol bij het bepalen van celpaden, soms zelfs weken voor de activering van transcriptieprogramma's.

Bestaande computationele benaderingen focussen voornamelijk op data-integratie of het afleiden van genregulatienetwerken. Er ontbreekt echter een systematische vergelijking van de voorspellende kracht van transcriptieve versus epigenetische kenmerken op gen-voor-gen basis. Het is onduidelijk welke regulatorische laag (transcriptie of chromatine) het meest informatief is voor individuele genen en of multimodale integratie (het combineren van beide) altijd leidt tot betere voorspellingen dan het gebruik van één modale data.

Methodologie: scMultiPreDICT

De auteurs introduceren scMultiPreDICT (single-cell Multimodal Predictor of Gene Expression via Integrated Chromatin and Transcriptome), een computationeel framework voor systematische voorspellende modellering.

1. Data en Preprocessing:

• Datasets: Het framework werd getest op drie single-cell multi-omics datasets: twee muizen embryonale stamcel (mESC) datasets (ontwikkelingsstadium E7.5, twee biologische replicaten) en een menselijke PBMC-dataset (gefilterd op T-cellen).
• Denoising: Om de technische ruis van single-cell data te verminderen, werden metacellen geconstrueerd. Dit gebeurde door eerst dimensionality reduction toe te passen (PCA voor RNA, LSI voor ATAC, of geavanceerde methoden zoals WNN, scVI+PeakVI, MultiVI) en vervolgens k-Nearest Neighbors (kNN) smoothing toe te passen op de trainings-, validatie- en testsets om informatielekken te voorkomen.
• Data Split: De cellen werden willekeurig verdeeld in 70% training, 20% validatie en 10% test.

2. Kenmerkextractie (Feature Engineering):
Voor elk doelwitgen werden drie kenmerksets (feature sets) gedefinieerd:

• RNA-only: Expressie van de top 1000 hoogst-variabele genen (HVGs) uit de scRNA-seq data.
• ATAC-only: Chromatine-toegankelijkheidspieken binnen ±250kb van de transcriptiestartplaats (TSS) van het doelwitgen.
• Multimodaal: Een combinatie van de RNA- en ATAC-kenmerken.

3. Modellen en Evaluatie:

• Algoritmen: Er werden zes machine learning-modellen getraind voor elk doelwitgen:
  • Lineair: OLS, Ridge, Lasso, Elastic Net.
  • Niet-lineair: Random Forest, Deep Neural Network (DeepNN).
• Evaluatiemetrics: Voorspellende prestaties werden gemeten met $R^2$, RMSE en Spearman's rangcorrelatiecoëfficiënt op de getestste set.
• Interpretatie: Om de bijdrage van elke modale te kwantificeren, werd een Selection Rate-metriek ontwikkeld. Deze normaliseert de feature importance (gebaseerd op Gini-importance voor Random Forest en regressiecoëfficiënten) rekening houdend met het ongelijke aantal kenmerken tussen RNA (1000 genen) en ATAC (variërend aantal pieken).

Belangrijkste Resultaten

1. Transcriptieve kenmerken domineren:
RNA-afgeleide kenmerken leverden over het algemeen sterke voorspellende kracht op (Spearman-correlatie van 0,60 tot 0,78 voor mESC Rep1). Dit bevestigt dat genexpressie sterk interconnectief is en dat de expressie van andere genen een sterke voorspeller is voor de expressie van een specifiek doelwitgen.

2. Beperkte prestatie van chromatine-toegankelijkheid:
Modellen die uitsluitend gebruik maakten van ATAC-data (chromatine-toegankelijkheid) presteerden gemiddeld matig (correlatie 0,38 tot 0,60). De voorspellende kracht was gen-specifiek en context-afhankelijk. De lagere prestatie wordt toegeschreven aan het feit dat toegankelijkheid permissief is maar niet deterministisch voor transcriptie, en dat er een tijdsvertraging kan zijn tussen chromatine-veranderingen en daadwerkelijke transcriptie.

3. Multimodale integratie is niet universeel superieur:
In tegenstelling tot de verwachting dat het combineren van RNA en ATAC altijd de nauwkeurigheid zou verhogen, bleek dit niet uniform het geval te zijn.

• Multimodale modellen presteerden vaak vergelijkbaar met RNA-only modellen, maar niet significant beter.
• De verbetering was gen-specifiek: voor een subset van genen leverde ATAC-data een meerwaarde op, terwijl voor andere genen de prestatie gelijk bleef of zelfs daalde.
• De keuze van de integratiestrategie (bijv. PCA+LSI vs. MultiVI) had weinig invloed op de algehele voorspellende nauwkeurigheid.

4. Feature Importance en Biologische Inzichten:

• Voor de meeste genen domineerden transcriptieve kenmerken de voorspelling.
• In specifieke contexten (zoals T-cellen) droeg chromatine-toegankelijkheid echter aanzienlijk bij.
• Voorbeelden:
  • Genen Etv6 en Tbx3 (in mESC) werden voornamelijk voorspeld door transcriptieregulatoren.
  • Het gen RUNX3 (in T-cellen) toonde een gemengd signaal, waarbij een lokale ATAC-piek een van de belangrijkste voorspellers was, naast transcriptiefactoren. Dit illustreert dat voor sommige genen in specifieke celtypen de epigenetische laag cruciaal is.

5. Modelprestaties:
Random Forest behaalde consistent de beste prestaties, gevolgd door DeepNN. Dit suggereert dat de regulatorische processen onderliggend aan celmechanismen inherent niet-lineair zijn. Regularisatiemethoden (Lasso, Ridge) presteerden goed, terwijl OLS (zonder regularisatie) slechtste presteerde vanwege overfitting in hoge dimensies.

Bijdrage en Relevantie

Technische Bijdrage:
scMultiPreDICT biedt een gestandaardiseerd, interpreteerbaar framework om de relatieve bijdrage van transcriptie en epigenetica te kwantificeren op gen-niveau. Het introduceert methoden om de bias door het ongelijke aantal features tussen modaliteiten te corrigeren (Selection Rate).

Biologische en Klinische Relevantie:

• Gerichte Interventies: De resultaten tonen aan dat therapeutische strategieën niet "one-size-fits-all" moeten zijn. Voor sommige genen is modulatie van chromatine-toegankelijkheid effectiever, terwijl voor andere genen het targeten van transcriptieregulatoren (of het transcriptoom) prioriteit moet hebben.
• Experimenteel Ontwerp: Het framework helpt bij het prioriteren van welke regulatorische laag men moet manipuleren in toekomstige CRISPR-perturbatiestudies of farmacologische interventies.
• Inzicht in Regulatie: Het bevestigt dat hoewel genexpressie de sterkste voorspeller is, het epigenetische landschap een kritieke, context-specifieke rol speelt bij het bepalen van celpaden, vooral voor genen die gevoelig zijn voor chromatine-organisatie.

Samenvattend demonstreert scMultiPreDICT dat multimodale data-integratie waardevol is, maar dat de meerwaarde ervan sterk afhankelijk is van het specifieke gen en de cellulair context, en dat transcriptieve data vaak de dominante voorspeller blijft.