Single-cell references can reverse, inflate and blur the associations inferred from bulk deconvolution

Stel je voor dat je probeert de populatie van een bruisende stad te begrijpen door een enkele, wazige foto van de gehele skyline te nemen. Je kunt de individuele mensen niet zien, alleen de algemene vormen van gebouwen. Om te leren wie er woont, zou je die wazige foto kunnen vergelijken met een gedetailleerde kaart van de districten van de stad. Als de kaart accuraat is, kun je schatten hoeveel mensen er in elk buurtje wonen. Dit is in essentie wat wetenschappers doen wanneer ze de menselijke biologie bestuderen met een techniek genaamd deconversie. Ze nemen een weefselmonster, dat een mengsel is van vele verschillende celtypen, en proberen de proportie van elk celtype te bepalen. Hiervoor vertrouwen ze op een "referentie", een gedetailleerde catalogus van enkelvoudige cellen, meestal verzameld van een kleine groep vrijwilligers. Deze referentie fungeert als de kaart. Jarenlang hebben onderzoekers deze kaart als perfect en exact beschouwd, uitgaande van het idee dat elke conclusie die getrokken wordt over ziekte of veroudering op basis van hun schattingen solide was. Echter, een nieuwe studie suggereert dat de kaart zelf gebrekkig kan zijn op manieren die het hele verhaal volledig veranderen.

De onderzoekers, onder leiding van Yunhao Jiang aan de Universiteit van Edinburgh, zetten zich af om te testen of de manier waarop dit referentiemapje wordt opgebouwd, daadwerkelijk wetenschappelijke conclusies kan omkeren of verzinnen. Ze gebruikten twee grote, real-world datasets waarvan de werkelijke antwoorden bekend waren. De eerste betrof bloedmonsters van 981 donoren, waarbij de werkelijke mix van immuuncellen bekend was. De tweede betrof pancreaseilandcellen van 48 donoren, waarbij de relatie tussen celtypen en bloedsuikerspiegels bekend was. In beide gevallen simuleerden ze het proces van het nemen van een bulkmonster en het proberen te raden van de celproporties met behulp van verschillende versies van de referentiemap. Ze testten deze kaarten tegen vier verschillende wiskundige methoden die worden gebruikt om de schattingen te maken, om ervoor te zorgen dat eventuele fouten voortkwamen uit de kaart zelf, en niet alleen uit de rekenmachine.

De resultaten waren verbijsterend. In de bloedstudie keken de onderzoekers naar hoe de proportie van een specifiek immuunceltype, de CD8 T-cel, verandert met de leeftijd. De ware data lieten zien dat deze cellen licht afnemen naarmate mensen ouder worden. Toch, wanneer de wetenschappers 80 verschillende referentiemaps gebruikten, draaide elke enkele van hen de conclusie om, waarbij werd gesuggereerd dat deze cellen juist toenemen met de leeftijd. De fout was geen kleine vergissing; het was een volledige omkering van de waarheid. De oorzaak was een subtiele verschuiving in de cellen zelf. Naarmate mensen ouder worden, veranderen CD8 T-cellen van interne staat, en worden ze meer als "effector-geheugencellen". De referentiemaps die in de studie werden gebruikt, middelden al deze cellen samen tot één generiek type, waardoor ze de verschuiving niet opmerkten. Omdat het gemiddelde profiel niet overeenkwam met de verouderende cellen, raakte de wiskunde in de war en produceerde het verkeerde antwoord. Op een vergelijkbare manier werd in de pancreasstudie een zwakke trend waarbij alfa-cellen toenemen met de bloedsuikerspiegel, een sterk, statistisch significant bevinding in veel van de referentiemaps, simpelweg omdat de fout in de kaart groter werd naarmendig stijgende bloedsuikerspiegels.

Cruciaal was de bevinding dat dit probleem niet wordt opgelost door de wiskundige methode die gebruikt wordt voor het tellen te veranderen. De onderzoekers testten vier verschillende klassen van algoritmen, inclusief regressiemodellen en Bayesiaanse benaderingen. De omkering van de leeftijdstrend en de inflatie van de bloedsuikertrend kwamen voor bij alle methoden. Het enige dat veranderde, was de richting van de fout voor de pancreascellen; sommige methoden lieten de trend sterker lijken, terwijl één specifiek algoritme de trend zwakker maakte. Dit bewijst dat de bron van de fout de referentiemap zelf is, en niet het instrument dat wordt gebruikt om de kaart te lezen. Nog verrassender was dat de onderzoekers ontdekten dat een kaart met een hogere nauwkeurigheid niet noodzakelijkerwijs tot de juiste conclusie leidde. Eén set referentiemaps was nauwkeuriger in het voorspellen van celproporties dan een andere, maar toch gaf alleen de minder nauwkeurige set de juiste richting voor de leeftijdstrend aan. Dit betekent dat het simpelweg controleren of een kaart "accuraat" is, niet genoeg is om te garanderen dat het de waarheid vertelt over biologische veranderingen.

De studie identificeerde ook twee verschillende soorten fouten die verborgen liggen in deze kaarten. De eerste is een systematische fout, die optreedt wanneer de kaart er niet in slaagt de specifieke staten van cellen te vangen die veranderen met leeftijd of ziekte. De enige manier om dit te herstellen, is door een referentie te bouwen die deze verschuivende staten oplost, door brede celtypen op te splitsen in hun specifieke sub-staten. Het tweede type is een willekeurige fout veroorzaakt door de specifieke groep donoren die gebruikt is om de kaart te bouwen. Als een referentie wordt opgebouwd uit een klein aantal mensen, kan de willekeurige ruis van deze individuen even groot zijn als de natuurlijke variatie in de bulkmonsters. De onderzoekers toonden aan dat deze willekeurige ruis gemeten en rekening mee gehouden kan worden door een statistische techniek te gebruiken genaamd "donor bootstrap", wat in feite simuleert dat er verschillende groepen mensen uit dezelfde pool worden getrokken om te zien hoeveel de resultaten zouden fluctueren.

Ten slotte keken het team naar hoe de referentiemaps geconstrueerd zouden moeten worden om deze valkuilen te vermijden. Ze analyseerden 226 publieke datasets en vonden dat in 60% van de gevallen de mediane donor minder dan 10 cellen bijdroeg voor een bepaald celtype. Dit is een kritieke drempel; onder dit aantal is het signaal van een donor grotendeels ruis. De onderzoekers stelden een nieuwe manier voor om de data van elke donor te wegen, waarbij minder invloed wordt gegeven aan diegenen met zeer weinig cellen en meer invloed aan diegenen met veel cellen. Deze aanpassing verminderde de fout aanzienlijk voor een van de belangrijkste methoden in het vakgebied. Ze ontdekten ook dat het, voor een vaste hoeveelheid data, beter is om de cellen over veel verschillende donoren te verspreiden in plaats van veel cellen van slechts enkele mensen te verzamelen. Deze aanpak, die aansluit bij power-analyses voor single-cell studies, helpt om de willekeurige ruis van individuele donoren uit te middelen.

De implicaties van dit werk zijn diepgaand voor de interpretatie van biologische data. Het suggereert dat conclusies getrokken uit deconvolutie niet alleen gaan over de biologie van het onderzochte weefsel, maar diep verstrengeld zijn met de constructie van de referentiemap. Een conclusie over veroudering of ziekte kan een artefact zijn van hoe de referentie is opgebouwd, in plaats van een echt biologisch fenomeen. De onderzoekers pleiten ervoor dat toekomstige studies referenties moeten gebruiken die de specifieke staten van cellen oplossen die bekend staan om hun verschuivingen onder invloed van de onderzochte variabelen. Ze raden ook aan dat wetenschappers hun bevindingen testen met meer dan één wiskundige methode en een breder bereik van onzekerheid rapporteren die rekening houdt met de specifieke donoren die in de referentie zijn gebruikt. Door te erkennen dat de kaart het antwoord kan bepalen, kan de wetenschappelijke gemeenschap beginnen met het bouwen van betere kaarten en het trekken van meer betrouwbare conclusies over de complexe machinerie van het menselijk lichaam.