TopicVI: A Knowledge-guided deep interpretable model for resolving context-specific gene programs

Dit paper introduceert TopicVI, een diep interpreteerbaar model dat gevestigde biologische kennis combineert met datagedreven verfijning via optimaal transport om contextspecifieke genprogramma's in single-cell en ruimtelijke transcriptomics-data te ontrafelen, wat leidt tot verbeterde celclustering, batchcorrectie en inzichten in complexe ziekteprocessen zoals glioblastoom.

De kern

🧬 TopicVI: De Slimme Vertaler voor Cellen

Stel je voor dat je een enorme bibliotheek binnenloopt. Maar in plaats van boeken, zitten er miljarden cellen in, en elk boekje in die bibliotheek is een stukje DNA-activiteit (een gen). In een gezonde persoon zijn de boeken netjes gerangschikt. Maar bij ziektes, zoals kanker, is de bibliotheek in chaos: boeken liggen door elkaar, sommige zijn opengeplukt, en nieuwe, vreemde boeken zijn erbij gekomen.

Tot nu toe hadden wetenschappers twee manieren om deze chaos te lezen:

1. De "Vaste Lijst" methode: Ze keken alleen naar de boeken die ze al kenden. Dit is veilig, maar je mist de nieuwe, vreemde boeken die juist belangrijk zijn voor de ziekte.
2. De "Gok" methode: Ze keken naar alles wat er stond zonder lijst. Dit kan interessante nieuwe dingen vinden, maar het is vaak een rommeltje dat niemand begrijpt.

TopicVI is de nieuwe, slimme oplossing die beide werelden combineert. Het is als een super-intelligente vertaler die zowel de oude kennis als de nieuwe realiteit begrijpt.

---

🛠️ Hoe werkt TopicVI? (De Vergelijking)

Stel je voor dat je een grote groep mensen (cellen) hebt die allemaal een verhaal vertellen. Ze dragen allemaal een T-shirt met een patroon (hun genen).

1. De "Vaste Lijst" (Vooraf kennis):
   De wetenschappers hebben een oude, bekende lijst met patronen (bijv. "dit patroon hoort bij een soldaat", "dit bij een arts"). TopicVI gebruikt deze lijst als kompas. Het zegt: "Oké, we weten dat dit patroon normaal gesproken een soldaat is."

2. De "Gok" (Data-gedreven):
   Maar in de chaos van de ziekte dragen sommige soldaten nu ook een arts-hoedje, of ze hebben een nieuw, onbekend accessoire. Als je alleen naar de oude lijst kijkt, zie je dit niet. TopicVI kijkt ook naar wat de mensen echt dragen.

3. De "Slimme Vertaling" (Optimal Transport):
   Hier komt de magie. TopicVI gebruikt een wiskundige truc (genaamd Optimal Transport) die werkt als een slimme matchmaker.

   • Het vergelijkt het oude kompas met de nieuwe realiteit.
   • Het zegt: "Dit patroon lijkt wel op een soldaat, maar ze dragen nu een medicijn-dosje. Laten we dat 'soldaat-medicijn' noemen."
   • Het past de oude kennis aan op basis van wat er echt gebeurt, zonder de oude kennis volledig weg te gooien.

---

🌟 Wat heeft TopicVI ontdekt? (De Resultaten)

De onderzoekers hebben TopicVI getest op drie verschillende situaties:

1. Het Oplossen van de "Tweeling" (Immuuncellen)

In ons bloed zitten veel immuuncellen die op elkaar lijken, alsof het tweelingen zijn. Traditionele methoden zagen ze als één grote groep.

• Met TopicVI: Het model zag dat sommige "soldaten" (T-cellen) net een training hadden gehad (actief) en anderen nog sliepen (rustig). Het kon zelfs zien dat sommige "soldaten" eigenlijk vermomde "artsen" waren die zich aan het aanpassen waren.
• Vergelijking: Het is alsof je door een menigte mensen loopt en iedereen die een glimlach heeft, herkent als "blij", terwijl anderen alleen "rustig" lijken. TopicVI ziet de subtiele glimlach die anderen missen.

2. Het Scheiden van Geluid en Muziek (Hersenen)

In de hersenen is het moeilijk om te weten of een cel een bepaald gedrag heeft omdat hij in de voorhoofdskwab zit (anatomie) of omdat de persoon Alzheimer heeft (ziekte). Beide factoren veranderen de cel.

• Met TopicVI: Het model kon de "muziek" (de ziekte) van het "geluid" (de locatie) scheiden. Het kon precies laten zien welke genen veranderen door Alzheimer, onafhankelijk van waar de cel in de hersenen zit.
• Vergelijking: Stel je voor dat je in een drukke fabriek staat. Je wilt weten welke machines kapotgaan door een defect (ziekte), en niet door het lawaai van de machine naast hem (locatie). TopicVI zet een koptelefoon op en hoort alleen het defect.

3. De Medicijn-Test (Kanker)

Ze keken naar hersentumoren (glioblastoom) die werden behandeld met medicijnen.

• Met TopicVI: Het model zag dat twee heel verschillende medicijnen (één die de celcyclus stopt, één die stress veroorzaakt) eigenlijk hetzelfde effect hadden op de tumor: ze dwongen de kankercellen in een soort "overlevingsstand".
• De ontdekking: Ze vonden een nieuw "overlevingspatroon" (Topic 32). Als een tumor dit patroon heeft, doet het het beter tegen de behandeling (als de tumor geen specifieke mutatie heeft).
• Vergelijking: Het is alsof je ziet dat twee verschillende sleutels (medicijnen) precies hetzelfde slot openen in een deur. TopicVI zag dat de deur nu een nieuw, sterkere slot heeft (het overlevingspatroon) dat je moet weten om de deur echt te kunnen openen.

---

💡 Waarom is dit belangrijk?

Vroeger moesten wetenschappers kiezen: of ze keken naar wat ze al wisten (veilig, maar saai), of ze keken naar alles wat er was (veel, maar onduidelijk).

TopicVI is de brug tussen die twee.

• Het gebruikt de oude kennis als een fundament.
• Maar het bouwt daarop verder met wat de data nu laat zien.

Dit betekent dat artsen en onderzoekers in de toekomst sneller kunnen zien:

• Welke cellen precies ziek zijn.
• Welke medicijnen werken en waarom.
• Of een patiënt kans heeft op herstel.

Het is als het hebben van een GPS die niet alleen de oude wegenkaart gebruikt, maar ook live verkeer ziet en je de snelste, nieuwste route geeft die nog niet op de kaart staat.

Technische samenvatting

Probleemstelling

De interpretatie van single-cell RNA-sequencing (scRNA-seq) en ruimtelijke transcriptomics-data staat voor fundamentele uitdagingen:

1. Afhankelijkheid van vooraf gedefinieerde kennis: Bestaande methoden vertrouwen vaak op handmatig samengestelde biologische priors (zoals pathways of gensets). Deze zijn statisch en kunnen context-specifieke genprogramma's in complexe ziekte-staten (zoals kanker) niet vastleggen.
2. Ontbreken van contextuele specificiteit: Pure de novo methoden kunnen dataset-specifieke patronen vinden, maar de resulterende genprogramma's zijn vaak moeilijk biologisch te interpreteren en tonen weinig consistentie tussen studies.
3. Verwarring van signalen: In ruimtelijke transcriptomics en ziekte-contexten overlappen biologische signalen (bijv. anatomische locatie vs. ziekte-status). Bestaande methoden hebben moeite om deze signalen te ontrafelen zonder dat de interpretatie of de ontdekking van nieuwe patronen hieronder lijdt.
4. Gekoppelde modellering: Traditionele pipelines behandelen celclustering en het identificeren van genprogramma's als gescheiden stappen, terwijl deze processen in werkelijkheid wederzijds beïnvloed worden.

Methodologie: TopicVI

TopicVI is een diep leermodel dat variational autoencoders (VAE) en niet-negatieve matrixfactorisatie (NMF) combineert binnen een diep biclustering-raamwerk. Het model is ontworpen om celclustering en gen-topic ontdekking gelijktijdig te modelleren.

Kerncomponenten:

1. Architectuur:

   • Cel-representatiemodule: Een VAE-architectuur die lage-dimensionele embeddings leert van de genexpressie-data (met gebruik van een Zero-Inflated Negative Binomial verdeling om dropout-events te modelleren).
   • Diep Biclustering-module: Voert zachte clustering uit op de embeddings via differentieerbare clustercentra. Een leerbaar parametermatrix koppelt clusters aan topics, waardoor elke cluster specifieke topic-ladingen kan vertonen.
   • Output: Drie matrices: (1) Kansen voor cel-cluster toewijzing, (2) Cluster-topic ladingmatrix, en (3) Topic-gen gewichtsmatrix.

2. Geleid door Kennis met Optimal Transport:

   • Het model integreert Prior Gene Programs (PGP) uit databases (zoals Reactome, MSigDB) via een Optimal Transport (OT) proces.
   • In plaats van topics strikt te forceren om te matchen met bestaande kennis, gebruikt TopicVI een semi-supervised aanpak. De afstand tussen een gegenereerd topic en een prior wordt berekend als de gemiddelde negatieve log-probabiliteit van genen die tot het topic behoren.
   • Dit zorgt voor een flexibele uitlijning: topics moeten consistent zijn met de data, maar worden geregulariseerd door de prior kennis, waardoor ze context-specifieke aanpassingen kunnen ondergaan zonder biologische relevantie te verliezen.

3. Verliesfuncties:

   • Likelihood: Reconstructie van de expressiematrix via tensorproducten van de drie output-matrices.
   • Topic Loss: Een combinatie van de Optimal Transport loss (voor uitlijning met priors) en een similariteitsloss (om te voorkomen dat topics te veel op elkaar lijken).
   • Clustering Loss: Bestaat uit adaptieve loss, deep clustering loss (gebaseerd op DCE framework) en cluster centraliteitsloss (gebaseerd op de Davies-Bouldin index).

4. Supervised Modus:

   • Voor ruimtelijke transcriptomics kan TopicVI worden aangepast voor supervised learning door een focal loss term toe te voegen. Dit stelt het model in staat om specifieke biologische variabelen (bijv. ziekte-status) te modelleren terwijl het confounding factoren (bijv. anatomische laag) controleert.

Belangrijkste Bijdragen

• Integratie van Kennis en Data: TopicVI overbrugt de kloof tussen statische biologische kennis en dynamische, dataset-specifieke ontdekking. Het behandelt prior kennis als een gids in plaats van een strikte beperking.
• Gelijktijdige Modellering: Door clustering en topic-discovery te koppelen, verbetert het de nauwkeurigheid van beide taken, wat essentieel is voor het onderscheiden van subtiel verschillende celsubtypen.
• Contextuele Ontleding: Het model kan complexe biologische signalen ontrafelen, zoals het scheiden van ziekte-geassocieerde programma's van anatomische patronen in ruimtelijke data.
• Interpretabele Output: De gegenereerde "topics" zijn direct interpreteerbaar als biologische functies of pathways, wat de mechanistische inzichtelijkheid vergroot.

Resultaten

Het paper presenteert uitgebreide benchmarks en applicaties:

1. Benchmarking (HLCA Dataset):

   • TopicVI presteerde superieur ten opzichte van 13 andere methoden (zoals scANVI, LIGER, scVI) op de Human Lung Cell Atlas data.
   • Het behaalde de beste totale score door een evenwicht te vinden tussen biologische behoud (bio-conservation), batch-correctie en topic coherentie.
   • Het model identificeerde zeldzame celsubtypen beter dan concurrenten (gemeten via isolated label F1 score).

2. PBMC Analyse (Immuuncellen):

   • In PBMC-data (perifeer bloed) slaagde TopicVI erin om fijne subtypen van myeloïde cellen en T-cellen te onderscheiden die door andere methoden werden gemist.
   • Het identificeerde specifieke activeringsstaten (bijv. geactiveerde CD4+ T-cellen vs. naive) op basis van interferon-signalerings-Topics, en onderscheidde rustende van geactiveerde B-cellen.

3. Ruimtelijke Transcriptomics (Menselijk Hersenweefsel):

   • In een dataset van de menselijke cerebrale cortex slaagde de supervised modus van TopicVI erin om cel-embeddings te genereren die puur de anatomische lagen weerspiegelden, terwijl ziekte-signalen (Alzheimer) werden onderdrukt.
   • Het model verfijnde bestaande pathways (bijv. NMDA-receptor activatie) door irrelevante genen te verwijderen, wat leidde tot een scherpere discriminatie van corticale lagen dan de originele pathway.

4. Glioblastoma (GBM) en Drug Respons:

   • Toegepast op GBM-data met drug-perturbaties (Etoposide), identificeerde TopicVI convergente tumor-staten die door verschillende drugs werden geïnduceerd.
   • Het ontdekte een nieuw gen-topic (Topic 32) gerelateerd aan EGFR-signaleringswegen en DNA-schade-respons.
   • Klinische relevantie: Een hoge score voor Topic 32 correleerde met een betere progressie-vrije overleving bij patiënten met EGFR-wildtype tumoren, maar niet bij EGR-gemuteerde tumoren, wat wijst op een specifieke therapeutische kwetsbaarheid.

Significantie

TopicVI vertegenwoordigt een paradigmaverschuiving in de analyse van transcriptomics-data. Het lost het historische compromis op tussen interpretatie (gebaseerd op kennis) en ontdekking (gebaseerd op data). Door context-specifieke genprogramma's te kunnen identificeren die zowel biologisch onderbouwd als data-gedreven zijn, biedt het een krachtig instrument voor:

• Het ontrafelen van complexe ziektemechanismen.
• Het identificeren van nieuwe therapeutische targets en drug-responsen.
• Het verbeteren van de interpretatie van ruimtelijke transcriptomics door confounding factoren te controleren.

De openbaarheid van de code en de toepasbaarheid op diverse datatypes (scRNA-seq, ruimtelijk, bulk) maken TopicVI een waardevolle toevoeging aan de toolbox voor computationele biologie.