Single-cell hit calling in high-content imaging screens with Buscar

Deze paper introduceert Buscar, een open-source Python-pakket dat de aggregatiebias in high-content screening oplost door gebruik te maken van volledige single-cell heterogeniteit om zowel de werkzaamheid als de specificiteit van perturbaties te kwantificeren.

De kern

De Kern: Een nieuwe manier om medicijnen te vinden

Stel je voor dat je een enorme bibliotheek hebt vol met duizenden verschillende medicijnen (of "perturbaties"). Je wilt erachter komen welke medicijnen een ziekte kunnen genezen. In de wetenschap doen ze dit vaak met High-Content Screening (HCS). Dit is als een super-snel fototoestel dat miljoenen cellen onder een microscoop bekijkt en honderden details opschrijft: hoe groot ze zijn, welke vorm ze hebben, hoe ze eruitzien van binnen.

Het oude probleem: De "Gemiddelde" valkuil
Tot nu toe hebben wetenschappers deze miljoenen foto's vaak samengevat tot één enkel getal per medicijn. Ze berekenden bijvoorbeeld het gemiddelde van alle cellen.

• De analogie: Stel je voor dat je een klas van 30 leerlingen hebt. 15 leerlingen zijn heel slim, maar 15 zijn heel dom. Als je de "gemiddelde intelligentie" van de klas berekent, krijg je een "gemiddelde" leerling. Maar in werkelijkheid heb je twee heel verschillende groepen!
• Het risico: Als een medicijn de slimme leerlingen geneest, maar de domme leerlingen verergert, ziet het gemiddelde er misschien "oké" uit. De wetenschap mist dan de nuance. Ze zien niet dat het medicijn voor de helft van de mensen werkt en voor de andere helft schadelijk is.

De nieuwe oplossing: "Buscar"
De auteurs van dit paper (Erik, Wei-shan en Gregory) hebben een nieuwe methode bedacht die Buscar heet (Spaans voor "zoeken"). In plaats van naar het gemiddelde te kijken, kijkt Buscar naar elke individuele cel.

Hoe werkt het? Stel je voor dat je een detective bent die op zoek is naar een verdwenen persoon (de gezonde cel).

Stap 1: De Twee Referenties (Het "Waar" en het "Hoe")

Buscar heeft twee groepen cellen nodig om te weten wat het doel is:

1. De Referentie (De "Zieke" cel): Dit is de starttoestand (bijvoorbeeld een hartcel die ziek is).
2. Het Doel (De "Gezonde" cel): Dit is hoe de cel eruit moet zien als het medicijn werkt.

Stap 2: De Twee Lijsten (De "On" en "Off" lijsten)

Buscar vergelijkt de zieke en gezonde cel en maakt twee lijsten:

• De "On"-lijst (De Belangrijke Veranderingen): Dit zijn de kenmerken die moeten veranderen om van ziek naar gezond te gaan. (Bijvoorbeeld: "De kern moet kleiner worden").
• De "Off"-lijst (De Rustige Zaken): Dit zijn de kenmerken die niet mogen veranderen. Als deze veranderen, is het medicijn waarschijnlijk onzorgvuldig of giftig. (Bijvoorbeeld: "De celwand mag niet uit elkaar vallen").

Stap 3: Het Scoren (De "Buscar" Scoren)

Nu test het medicijn op de cellen. Buscar geeft twee scores:

1. De "On-Buscar" score (Effectiviteit): Hoe dichtbij komt de zieke cel de gezonde cel op de "On"-lijst?
   • Laag score: Geweldig! De cel is genezen.
   • Hoge score: Slecht. De cel is nog steeds ziek.
2. De "Off-Buscar" score (Specificiteit): Heeft het medicijn ook dingen verandert die op de "Off"-lijst stonden?
   • Laag score: Geweldig! Het medicijn werkt alleen waar het moet.
   • Hoge score: Gevaarlijk! Het medicijn maakt ook andere dingen kapot (bijwerkingen).

Waarom is dit zo belangrijk? (De Proefjes)

De auteurs hebben Buscar getest op drie verschillende situaties:

1. Hartziekten: Ze keken naar hartcellen van patiënten met hartfalen. Een medicijn (TGFβRi) kon de zieke cellen weer een beetje "gezond" maken (lage "On"-score), maar het bleek dat het medicijn in de zieke cellen ook een paar extra, ongewenste veranderingen veroorzaakte (hoge "Off"-score). Een oude methode had dit misschien gemist of verward, maar Buscar zag het duidelijk.
2. Genen en Kanker: Ze keken naar duizenden genen die werden uitgeschakeld. Buscar kon precies voorspellen welke genen verantwoordelijk waren voor specifieke vormen van celkernen. Het was alsof ze een puzzel oplosten waarbij ze precies wisten welke stukjes bij elkaar hoorden, zelfs als er duizenden stukjes waren.
3. Betrouwbaarheid: Ze testten of de methode hetzelfde resultaat gaf als je het experiment op een andere dag of in een ander lab deed. Het antwoord was ja: Buscar gaf consistente resultaten, zelfs als de cellen op verschillende plekken werden getest.

Samenvatting in één zin

Buscar is als een slimme detective die niet naar het gemiddelde van een menigte kijkt, maar naar elke individuele persoon om precies te zien of een medicijn de ziekte geneest én of het geen andere schade aanricht. Hierdoor kunnen wetenschappers betere medicijnen sneller vinden en minder fouten maken.

Het is een open-source tool (gratis voor iedereen) die helpt om de "ruis" van de gemiddelden weg te halen en de echte, complexe verhalen van de cellen te horen.

Technische samenvatting

Probleemstelling

Hoge-inhoud screening (High-Content Screening, HCS) maakt het mogelijk om morfologische kenmerken van duizenden individuele cellen te kwantificeren na blootstelling aan verschillende verstoringen (zoals medicijnen of genetische modificaties). De huidige standaardpraktijk voor het analyseren van deze data is echter het aggregeren van single-cell metingen tot samenvattingsstatistieken (zoals het gemiddelde of mediaan per putje).

Deze aggregatie heeft een fundamenteel nadeel: het gaat ervan uit dat alle cellen binnen een behandeling uniform reageren. Hierdoor gaat cruciale informatie verloren over:

• Cellulaire heterogeniteit: Het bestaan van subpopulaties (bijv. resistente vs. gevoelige cellen).
• Subtiele effecten: Verschillen die alleen zichtbaar zijn in specifieke subgroepen.
• Specificiteit: Het onderscheid tussen het gewenste therapeutische effect en ongewenste neveneffecten (off-target effects).

Dit gebrek aan resolutie kan leiden tot een hoge uitval van kandidaat-medicijnen in latere klinische fasen, omdat de screening niet in staat is om complexe, heterogene biologische responsen nauwkeurig te vangen.

Methodologie: Buscar

De auteurs introduceren Buscar (Bioactive Unbiased Single-cell Compound Assessment and Ranking), een methode die direct werkt met de verdelingen van single-cell profielen in plaats van geaggregeerde waarden. Buscar vereist twee referentiepopulaties die twee verschillende morfologische toestanden definiëren: een referentiestaat (bijv. zieke cellen) en een doelstaat (bijv. gezonde cellen).

De methode bestaat uit twee modules:

Module 1: Definieren van morfologie-kenmerken (Signatures)

• Buscar vergelijkt de verdeling van morfologische kenmerken tussen de referentie- en doelstaat voor elke individuele feature.
• Er wordt gebruikgemaakt van niet-parametrische statistische tests (Kolmogorov-Smirnov test) met correctie voor meervoudige toetsing (FDR).
• Kenmerken die significant verschillen tussen de twee toestanden worden gegroepeerd in een on-morphology signature. Deze vertegenwoordigen de kenmerken die moeten veranderen om van ziek naar gezond te gaan.
• Kenmerken die niet significant verschillen, worden gegroepeerd in een off-morphology signature. Deze worden verwacht stabiel te blijven; veranderingen hierin wijzen op ongewenste neveneffecten.

Module 2: Scoren van effectiviteit en specificiteit
Voor elke verstoring in de screen worden twee complementaire scores berekend:

1. On-Buscar score (Effectiviteit):
   • Meet hoe dicht de verdeling van de verstoorde cellen bij de doelstaat ligt, specifiek langs de on-morphology features.
   • Berekening: Earth Mover's Distance (EMD) tussen de verstoorde populatie en de doelpopulatie.
   • Interpretatie: Een score van 0,0 betekent volledige terugkeer naar de gezonde staat (hoge effectiviteit); 1,0 betekent geen verandering ten opzichte van de zieke referentie.
2. Off-Buscar score (Specificiteit):
   • Meet de mate waarin de off-morphology features onbedoeld zijn veranderd door de verstoring.
   • Berekening: Het proportion van de off-morphology features dat significant verschilt tussen de verstoorde en doelpopulatie.
   • Interpretatie: Een lage score betekent hoge specificiteit (weinig neveneffecten); een hoge score wijst op brede, ongewenste morfologische verstoringen.

Belangrijkste Resultaten

Buscar werd getest op drie verschillende datasets:

1. Cardiale Fibroblasten (Cell Painting Dataset):

   • Context: Behandeling van hartfalen-cellen met een TGFβ-receptorinhibitor.
   • Resultaat: Buscar kon zowel fenotypische redding (rescue) detecteren als subtiele neveneffecten. Het toonde aan dat de inhibitor de morfologie van zieke cellen deels herstelde (lage on-Buscar score), maar dat er specifieke neveneffecten waren in de zieke context die niet zichtbaar waren in gezonde cellen (hogere off-Buscar score).
   • Insight: Buscar behield subpopulaties binnen de gezonde cellen die door aggregatie-methoden zouden zijn gemist.

2. MitoCheck Dataset (Genetische Perturbaties):

   • Context: Een RNAi-screen van ~21.000 genen in HeLa-cellen met 16 handmatig gelabelde fenotypes (bijv. mitose, apoptose).
   • Resultaat: Met een "Leave-One-Gene-Out" (LOGO) analyse bleek dat Buscar genen die een specifiek fenotype veroorzaakten, consistent hoger scoorden (lagere on-Buscar scores) dan genen die dat niet deden.
   • Validatie: De rangschikkingen van genen over verschillende fenotypes vertoonden biologisch zinvolle correlaties (bijv. clustering van mitotische fenotypes), wat aantoont dat de methode echte morfologische signalen vangt en niet slechts labels volgt.

3. CPJUMP1 Dataset (Reproduceerbaarheid):

   • Context: Screens met kleine moleculen en CRISPR-Cas9 in U2OS en A549 cellen, waarbij replicaten over verschillende platen werden verdeeld.
   • Resultaat: Buscar toonde een hoge reproduceerbaarheid. Identieke behandelingen over verschillende platen gaven zeer vergelijkbare scores (lage variantie), terwijl gerandomiseerde (niet-gepaarde) behandelingen duidelijk verschillende scores opleverden.
   • Conclusie: De methode is robuust tegen technische variatie tussen platen, zowel voor chemische als genetische verstoringen.

Bijdragen en Significantie

• Overcoming Aggregation Bias: Buscar lost het fundamentele probleem op van het verliezen van cellulaire heterogeniteit door te werken met volledige verdelingen in plaats van gemiddelden.
• Interpreteerbaarheid: Door het scheiden van on- en off-morphology signatures, biedt Buscar een intuïtief kader om de afweging tussen effectiviteit (genezing) en specificiteit (veiligheid/neveneffecten) te visualiseren en te optimaliseren.
• Open Source: De methode is beschikbaar als een Python-pakket, compatibel met het Cytomining-ecosysteem (bijv. Pycytominer), wat de adoptie in de gemeenschap vergemakkelijkt.
• Biologische Validiteit: De resultaten tonen aan dat Buscar biologisch relevante signalen kan detecteren die door traditionele methoden worden gemist, wat de kans op het identificeren van betere kandidaat-medicijnen vergroot.

Beperkingen en Toekomstperspectief

De auteurs erkennen enkele beperkingen:

• De huidige signatuur-construktie behandelt features onafhankelijk en negeert correlaties tussen features (multivariate interacties).
• De berekening van EMD is computationeel intensief (kwadratisch in aantal cellen), wat subsampling vereist voor zeer grote datasets.
• De methode identificeert niet expliciet welke subpopulaties bijdragen aan het effect, hoewel het deze wel behoudt in de data.

Toekomstige verbeteringen kunnen multivariate tests (zoals Maximum Mean Discrepancy) en benaderingsmethoden voor EMD omvatten om de schaalbaarheid en gevoeligheid voor complexe fenotypes te vergroten.

Conclusie: Buscar biedt een reproduceerbare, interpreteerbare en biologisch onderbouwde methode voor hit-calling in HCS, die de overgang maakt van aggregatie-gedreven naar single-cell distributie-gedreven analyse.