Incorporating cell states for mapping eQTLs in single-cell studies

Genen zijn de instructiehandleidingen voor het bouwen en aansturen van een levend organisme, maar ze opereren niet in een vacuüm. Hun activiteit wordt voortdurend aangepast door minuscule variaties in de DNA-code zelf, bekend als genetische varianten. Wetenschappers noemen de specifieke locaties waar deze varianten de genexpressie beïnvloeden "expression quantitative trait loci", of eQTL's. Decennialang hebben onderzoekers deze relaties in kaart gebracht door groepen cellen te bestudelen die gemengd zijn, zoals het maken van een smoothie van een weefsel en het meten van de gemiddelde smaak. Deze aanpak heeft onthuld hoe genen worden gereguleerd in verschillende organen en brede celtypen. Het menselijk lichaam is echter geen smoothie; het is een complex ecosysteem waarin individuele cellen binnen hetzelfde weefsel zich in zeer verschillende staten van activiteit, volwassenheid of respons op hun omgeving kunnen bevinden. Een cel kan rusten, delen of een infectie bestrijden, en de genetische regulatie ervan kan veranderen afhankelijk van die specifieke staat.

De uitdaging voor de moderne wetenschap is dat deze subtiele, staat-afhankelijke veranderingen vaak verloren gaan wanneer cellen worden samengevoegd. Bovendien zijn de gegevens die van individuele cellen worden verzameld ongelooflijk schaars en ruizig, wat het moeilijk maakt om standaard statistische instrumenten toe te passen zonder tegen fouten aan te lopen. Onderzoekers hadden een manier nodig om de genetische regulatie van genen niet alleen over verschillende celtypen heen te bekijken, maar ook over het continue spectrum van celstaten, terwijl ze ook omgingen met de rommelige realiteit van single-cell data. Zonder een methode die deze complexiteit kon navigeren, bleven veel belangrijke genetische signalen verborgen, of werden ze door het gemiddelde proces of als statistische ruis weggezet.

Om dit op te lossen, ontwikkelden een team van statistici en biologen van de Tsinghua Universiteit, de Capital University of Economics and Business en Yale University een nieuw framework genaamd scarf-QTL. Deze methode is ontworpen om in kaart te brengen hoe genetische varianten de genexpressie beïnvloeden terwijl cellen door verschillende staten bewegen, zoals tijdens hun ontwikkeling of als reactie op prikkels. In plaats van cellen in rigide, vooraf gedefinieerde bakjes te groeperen, behandelden de onderzoekers de celstaat als een continue coördinaat, vergelijkbaar met een tijdlijn of een spectrum. Ze modelleerden genexpressie als een gladde functie die zich langs deze coördinaat beweegt, waardoor ze konden vastleggen hoe een genetisch effect sterk kan zijn in één deel van het spectrum en zwak in een ander deel.

De kerninnovatie van scarf-QTL ligt in de manier waarop het de wiskunde van associatie afhandelt. Traditionele methoden gaan er vaak van uit dat genexpressie een perfecte klokvormige curve volgt, een aanname die vaak faalt bij single-cell data, die vol zit met nullen en onregelmatige pieken. Wanneer deze aannames onjuist zijn, kunnen standaardtests valse alarmen geven of echte signalen missen. De nieuwe methode gebruikt een "retrospectieve" benadering. In plaats van te vragen hoe de genexpressie verandert gegeven een specifieke genotype, vraagt het hoe het genotype verdeeld is gegeven de geobserveerde genexpressie. Deze subtiele verschuiving in perspectief maakt de test robuust tegen de rommelige, niet-normale verdelingen die typerend zijn voor single-cell data. Het stelt de onderzoekers in staat om een computationeel efficiënt model te gebruiken terwijl ze toch een strikte controle behouden over valse positieven, waardoor wordt gewaarborgd dat de gevonden signalen echt zijn.

De onderzoekers testten hun methode uitgebreid met behulp van computersimulaties voordat ze deze op echte data toepasten. Ze creëerden kunstmatige datasets die verschillende biologische scenario's nabootsten, waaronder cellen met constante genetische effecten, effecten die lineair toenamen, en complexe patronen zoals pieken of cycli. In deze simulaties slaagde de nieuwe methode erin om de snelheid van valse alarmen te beheersen, zelfs wanneer de data werd gegenereerd uit verdelingen die niet de standaard statistische regels volgden. In contrast hiermee begonnen oudere methoden die vertrouwden op strikte aannames over de dataverdeling te veel valse positieven te produceren. Wat betreft het vinden van echte signalen, bleek de nieuwe methode krachtiger dan de standaard "pseudobulk"-benadering, waarbij cellen samen worden gemiddeld. Het was bijzonder effectief in het detecteren van genetische effecten die geconcentreerd zijn in specifieke celstaten of die van richting veranderden, patronen die de gemiddelde methode vaak wegvlakte tot ze verdwenen.

Het team paste scarf-QTL vervolgens toe op de OneK1K-dataset, een enorme collectie single-cell RNA-sequencing data van 982 gezonde individuen, met meer dan 1,2 miljoen bloedcellen over 14 verschillende immuunceltypen. In deze real-world test identificeerde de methode 30% meer genen met significante genetische regulatie dan de vorige pseudobulk-analyse. Deze toename was niet slechts een kwestie van meer ruis vinden; de nieuwe methode onthulde specifieke genen die door de oudere aanpak volledig waren gemist. Bijvoorbeeld, in dendritische cellen, een type immuuncel dat cruciaal is bij het bestrijden van infecties, onthulde de methode dat genetische regulatie vaak varieert afhankelijk van de specifieke subset van de cel. Eén gen, dat bekend staat als een marker voor een specifieke subset van dendritische cellen, vertoonde een sterk genetisch effect alleen in cellen die tot een bepaalde staat waren gevorderd. De oudere methode, die alle dendritische cellen als één groep behandelde, slaagde er niet in deze associatie te detecteren omdat het effect werd verdund wanneer het over de gehele populatie werd gemiddeld.

Door de patronen van deze nieuw ontdekte genetische effecten te clusteren, vonden de onderzoekers onderscheidende groepen genen die zich anders gedroegen naarmate de cellen van staat veranderden. Sommige genen vertoonden een toenemende genetische invloed naarmate cellen bewogen naar een conventionele dendritische celstaat, terwijl andere een afnemende invloed vertoonden naarmate ze bewogen naar een plasmacytoïde staat. Deze patronen kwamen overeen met bekende biologische functies, zoals antigeenpresentatie, wat bevestigde dat de methode genuante biologische regulatie vastlegde in plaats van statistische artefacten. Het vermogen om deze continue, staat-afhankelijke veranderingen te zien, suggereert dat veel genetische varianten niet werken als eenvoudige aan/uit-schakelaars, maar als draaiknoppen die harder of zachter worden gedraaid afhankelijk van de huidige conditie van de cel.

De computationele efficiëntie van de methode was ook een belangrijke bevinding. Ondanks de complexiteit van het modelleren van miljoenen individuele cellen, schaalde het algoritme goed en nam het ongeveer evenveel tijd in beslag als de eenvoudigere pseudobulk-methoden bij het analyseren van typische datasets. Deze efficiëntie wordt bereikt door het gebruik van wiskundige shortcuts die de dimensionaliteit van het probleem verminderen zonder de nuance van de single-cell data te verliezen. Dit betekent dat de methode kan worden toegepast op nog grotere en diversere datasets naarmate deze beschikbaar komen, zonder dat er buitensporige rekenkracht nodig is.

De studie concludeert dat hoewel de nieuwe methode beperkingen heeft, zoals de moeilijkheid om direct te testen of een effect varieert over staten of de noodzaak van zorgvuldige keuzes bij het definiëren van de cel-staat coördinaat, het een belangrijke stap voorwaarts vertegenwoordigt. Het biedt een rigoureuze, schaalbare manier om de verborgen lagen van genetische regulatie te ontslullen die bestaan binnen het dynamische landschap van enkele cellen. Door verder te gaan dan de statische kijk op celtypen en de continue aard van celstaten te omarmen, kunnen onderzoekers nu de genetische architectuur van het immuunsysteem in kaart brengen met een detailniveau dat voorheen onbereikbaar was. De bevindingen suggereren dat de genetische regulatie van onze cellen veel vloeiender en contextafhankelijker is dan voorheen begrepen, wat nieuwe wegen opent voor het begrijpen van hoe genetische variatie de gezondheid en ziekte op het meest fundamentele niveau beïnvloedt.