scDisent: disentangled representation learning with causal structure for multi-omic single-cell analysis

scDisent is een generatief framework voor single-cell multi-omische analyse dat door middel van causale structuur en variatiele ontkoppeling gescheiden latenterepresentaties voor expressie en regulatie leert, waardoor zowel integratiekwaliteit als biologische interpreteerbaarheid voor mechanistische inzichten en perturbatieanalyses aanzienlijk verbetert.

De kern

Stel je voor dat je een cel bent als een heel complex huis. In dit huis wonen twee soorten bewoners die samenwerken, maar vaak door elkaar heen praten:

1. De "Identiteit-bewoner": Deze vertelt je wie het huis is. Is het een bibliotheek? Een restaurant? Een school? Dit is de basisidentiteit van de cel (bijvoorbeeld: "Ik ben een witte bloedcel").
2. De "Regelaar-bewoner": Deze vertelt je wat er op dit moment gebeurt. Is het druk? Is het rustig? Worden er nieuwe boeken aangekocht of wordt er gerepareerd? Dit zijn de regelingen en signalen die de cel aanpast aan zijn omgeving.

Tot nu toe hebben wetenschappers die met computermodellen werken, deze twee bewoners in één grote, rommelige kamer gezet. Ze noemen dat een "verstrengelde ruimte". Het werkt prima om te zien welke huizen op elkaar lijken (bijvoorbeeld: "Ah, dit zijn allemaal bibliotheken"), maar het is een ramp als je wilt weten waarom een bibliotheek plotseling een nieuwe uitbreiding plant. Als je in die rommelige kamer iets verandert, weet je niet of je de identiteit van het gebouw aan het veranderen bent of alleen maar de lichten aan het dimmen.

scDisent is een nieuwe, slimme manier om deze huizen te analyseren. Het is als een architect die zegt: "Wacht even, laten we twee aparte kamers maken."

Hier is hoe het werkt, vertaald naar alledaags taal:

1. Twee aparte kamers (Disentanglement)

In plaats van alles in één grote soep te gooien, maakt scDisent twee aparte kamers in het digitale brein van de computer:

• Kamer 1 (De Identiteit): Hier bewaart de computer puur wie de cel is. Dit blijft stabiel. Of de cel nu rustig is of druk, hij blijft een "witte bloedcel".
• Kamer 2 (De Regeling): Hier bewaart de computer alle veranderingen, signalen en aanpassingen. Dit is waar de dynamiek zit.

2. Een slimme deur (De Causale Link)

Het mooie aan scDisent is dat deze twee kamers niet gescheiden zijn als twee eilanden. Er is een smalle, gerichte deur tussen hen.

• De "Regelaar-bewoner" kan door die deur naar de "Identiteit-bewoner" kijken en zeggen: "Hey, ik zie dat je een beetje stress hebt, laten we die deur openzetten."
• Maar de "Identiteit-bewoner" kan niet zomaar terug naar de Regelaar-kamer springen om daar alles te veranderen. De stroom van informatie is gericht.

Dit is als een chef-kok (de regelaar) die een menukaart (de identiteit) aanpast. De chef kan het menu veranderen, maar hij verandert niet het feit dat het restaurant een Italiaans restaurant blijft.

3. Waarom is dit zo geweldig?

Vroeger waren de modellen als een zwarte doos. Je kon erin kijken en zien dat cellen groepeerden, maar als je vroeg: "Wat gebeurt er als we dit specifieke signaal uitschakelen?", gaf het model een vaag antwoord omdat de identiteit en de regeling door elkaar zaten.

Met scDisent kun je nu simulaties doen:

• "Wat gebeurt er als we dit specifieke regelsignaal in de 'Regelaar-kamer' uitschakelen?"
• Het model kan je dan precies vertellen: "Ah, als je dat doet, verandert de cel van gedrag, maar hij blijft nog steeds een witte bloedcel."

Dit helpt onderzoekers om hypothesen te bedenken. In plaats van alleen te zeggen "deze cellen lijken op elkaar", kunnen ze nu zeggen: "Deze cel verandert zijn gedrag omdat dit specifieke regelsignaal actief is."

Samenvattend met een metafoor

Stel je voor dat je een auto wilt begrijpen.

• Oude modellen zagen de auto als één groot blok metaal. Als je de motor aanraakte, veranderde ook het stuur en de banden. Je wist niet wat wat was.
• scDisent is als een auto die is opengesneden in een chassis (de basisstructuur, de identiteit) en een dashboard met knoppen (de regeling).
• Je kunt nu op een knop drukken (de regeling) en zien wat er met de auto gebeurt, zonder dat de auto ophoudt om een auto te zijn.

Conclusie:
scDisent is een nieuwe tool voor biologen die helpt om de "wie" en de "waarom" van cellen uit elkaar te halen. Het maakt het mogelijk om niet alleen te kijken naar hoe cellen eruitzien, maar om te begrijpen hoe ze werken en wat er gebeurt als je ze een duwtje geeft. Het is een stap van "kijken" naar "begrijpen en voorspellen".

Technische samenvatting

Probleemstelling

Bestaande methoden voor de integratie van single-cell multi-omics-data (zoals RNA-seq en ATAC-seq) zijn doorgaans ontworpen om cellen in één gezamenlijke, "verstrengelde" (entangled) latente ruimte te comprimeren. Hoewel deze aanpak effectief is voor clustering en het ontdekken van celtoestanden, heeft het een fundamenteel nadeel: het mengt celidentiteit (welke celtype het is) met regulatorische variatie (welke genregulerende programma's actief zijn).

• Beperking: Omdat deze factoren in dezelfde latente coördinaten zijn verpakt, is het moeilijk om mechanistische interpretaties te maken of gerichte perturbatie-analyses uit te voeren. Het manipuleren van een punt in deze ruimte verandert vaak zowel de identiteit als de regulatorische context tegelijkertijd, wat biologische hypothesegeneratie bemoeilijkt.
• Behoefte: Er is een model nodig dat deze twee rollen expliciet scheidt, zodat regulatorische drivers kunnen worden geïsoleerd en bestudeerd zonder de celidentiteit te vervormen.

Methodologie: scDisent

scDisent is een generatief framework voor het leren van ontkoppelde (disentangled) representaties. Het model is een variational autoencoder (VAE) met een unieke architectuur die de latente ruimte splitst in twee gespecialiseerde takken:

1. Dual-Branch Architectuur:

   • $z_{expr}$ (Expressie-tak): Deze tak is ontworpen om stabiele celidentiteit en celtoestandsgeometrie te behouden.
   • $z_{reg}$ (Regulatorische tak): Deze tak encodeert variatie die betrekking heeft op regulatie (bijv. signaalroutes, transcriptionele factoren) en kan de expressie beïnvloeden zonder de fundamentele celidentiteit te herdefiniëren.

2. Causale Mapping:

   • De twee takken zijn verbonden via een spare, gerichte mapping van $z_{reg}$ naar $z_{expr}$.
   • Deze mapping wordt geleerd met een Gumbel-gated causal module. Dit zorgt voor een discrete selectie van verbindingen (welke regulatorische factoren beïnvloeden welke expressiefactoren), wat de interpretatie van de causale atlas mogelijk maakt.
   • Een cruciaal technisch detail is het gebruik van gradient isolation (detach-based): tijdens het trainen wordt de gradient van de causale loss niet teruggepropageerd naar de $z_{expr}$-tak. Dit voorkomt dat de regulatorische tak de celidentiteit "corrumpeert" en zorgt ervoor dat $z_{expr}$ puur als anker voor identiteit dient.

3. Training en Regularisatie:

   • Verliesfunctie: Het model minimaliseert reconstructiefouten voor beide modaliteiten (RNA en ATAC) en gebruikt diverse regularisatietermen:
     • KL-divergentie: Om de latente verdelingen te regulariseren.
     • Total Correlation (TC): Om afhankelijkheden tussen dimensies binnen een tak te minimaliseren.
     • Orthogonaliteit: Om overlap tussen $z_{expr}$ en $z_{reg}$ te straffen.
     • Contrastive Alignment: Om de modale encoders (RNA en ATAC) op elkaar af te stemmen voordat de factorisatie plaatsvindt.
   • Gefaseerde Training: Het trainingsproces verloopt in drie fasen om stabiliteit te garanderen:
     1. Fase 1: Alleen reconstructie (causale laag bevroren).
     2. Fase 2: Activering van ontkoppelingsregularisatie (KL, TC, orthogonaliteit) en contrastive loss (causale laag nog steeds bevroren).
     3. Fase 3: Ontvriezen van de causale laag voor end-to-end fine-tuning.

Belangrijkste Bijdragen

1. Dual-Branch Latente Architectuur: De introductie van een expliciete scheiding tussen identiteitsbehoudende expressie-variabelen en regulatorische variatie.
2. Gerichte Causale Interface: Een sparse mappinglaag die een interpreteerbare interface biedt tussen regulatie en expressie, beschermd door gradient isolation.
3. Verbeterde Interpretatie en Prestatie: Het aantonen dat deze architectuur niet alleen de integratiekwaliteit (clustering) verbetert, maar ook biologisch coherente perturbatie-hypothese mogelijk maakt, iets wat bestaande modellen (zoals MultiVI, scGLUE, WNN) niet expliciet ondersteunen.

Resultaten

Het model werd geëvalueerd op drie benchmarks: PBMC 10k (immuun), Human Brain 3k (neuronaal) en Mouse E18 (ontwikkeling).

• Integratieprestaties: scDisent behaalde de beste Adjusted Rand Index (ARI) scores op alle drie de datasets, vaak met een duidelijke marge ten opzichte van state-of-the-art baselines zoals scVI, MultiVI, scGLUE en Seurat WNN.
• Ontkoppeling: Quantitatieve analyses toonden aan dat celidentiteitsinformatie sterk geconcentreerd was in $z_{expr}$, terwijl $z_{reg}$ een zwakker, maar gestructureerd signaal bevatte dat minder direct gekoppeld was aan de celtype-labels. De kruis-correlatie tussen de twee takken bleef laag.
• Sparsiteit en Structuur: De geleerde causale atlas was zeer spaarzaam (ongeveer 10,8% actieve verbindingen in PBMC), wat aangeeft dat de regulatorische tak niet zomaar een kopie van de expressie-tak is, maar een gecontroleerde interface vormt.
• Perturbatie-analyse:
  • In PBMC-data konden specifieke regulatorische factoren worden geïdentificeerd die lineage-specifieke programma's vertegenwoordigden (bijv. B-cel differentiatie, cytotoxiciteit in NK-cellen, monocytaire inflammatie).
  • In silico "knockdowns" van deze factoren resulteerden in biologisch coherente verschuivingen in genexpressie die overeenkwamen met bekende markers.
  • Dezelfde patronen werden gevonden in neurale en ontwikkelingsdatasets, waarbij specifieke regulators werden gelinkt aan astrocyten, excitatoire neuronen en GABA-ergische interneuronen.

Betekenis en Conclusie

scDisent markeert een verschuiving in single-cell analyse van puur observationele integratie naar perturbatie-georiënteerde modellering.

• Biologische Relevantie: Het model biedt een computergestuurde manier om te vragen: "Welke regulatorische factoren onderscheiden deze lijnen?" en "Wat gebeurt er met de expressie als we deze factoren manipuleren?", zonder dat de celidentiteit in de simulatie vervormt.
• Toekomstperspectief: Hoewel het model geen experimenteel causaal bewijs levert, creëert het een gestructureerde hypotheseruimte die biologisch plausibele regulators prioriteert voor verdere experimentele validatie. Het vult de kloof tussen hoogpresterende generatieve integratie en mechanisme-bewuste downstream analyse.

Kortom, scDisent levert een robuust framework dat zowel de nauwkeurigheid van celclustering verbetert als de biologische interpreteerbaarheid van multi-omics data aanzienlijk verhoogt door de scheiding van identiteit en regulatie.