Technische Samenvatting: SCPInt – Expliciete Ontkoppeling van Biologische en Batch-variatie voor Integratie van Single-Cell Proteomics

Probleemstelling

Massaspectrometrie-gebaseerde single-cell proteomics (SCP) biedt een directe meting van cellulaire functionele toestanden, waarmee de beperkingen van sequencing-gebaseerde methoden zoals CITE-seq, die minder dan 1% van het proteoom vastleggen, worden overwonnen. Echter, MS-gebaseerde SCP-data zijn inherent laag-doorvoersnelheid, wat integratie van meerdere datasets noodzakelijk maakt om atlas-schaal studies te ondersteunen. Huidige integratiemethoden (bijv. Harmony, scVI, Scanorama) zijn primair ontworpen voor count-gebaseerde sequencing-data (scRNA-seq) en slagen er niet in om MS-gebaseerde SCP-data adequaat te modelleren, welke continue distributies, heterogene ontbrekende structuren en substantiële technische variatie vertonen als gevolg van diverse platforms en monsterpreparatieprotocollen. Bovendien missen bestaande tools het vermogen om de complexe batch-effecten die specifiek zijn voor MS-gebaseerde SCP expliciet te ontkoppelen en te kwantificeren, wat een uitgebreide downstream-analyse en de constructie van verenigde proteomische atlasen belemmert.

Methodologie: Het SCPInt-framework

SCPInt is een deep-learning framework dat is ontworpen om een verenigde biologische representatie te leren terwijl technische variatie expliciet wordt gescheiden. Het adresseert twee kernuitdagingen: het modelleren van de specifieke distributie van MS-proteomische data en het ontkoppelen van biologische signalen van batch-effecten.

1. Architectuur en Componenten

Het model werkt op een input-eiwitexpressiematrix en batch-labels, waarbij voor elke cel twee afzonderlijke latente embeddings worden gegenereerd: een biologische embedding en een batch embedding.

• Encoder: Een gedeelde multilayer perceptron (MLP) extraheert globale kenmerken uit de input-expressiematrix. Deze kenmerken worden geprojecteerd naar twee afzonderlijke koppen: een biologische kop en een batch-kop, die de respectievelijke embeddings produceren.
• Batch-geconditioneerde Gaussian Mixture (GMM) Decoder: In tegenstelling tot standaard autoencoders die een enkele Gaussische distributie veronderstellen, gebruikt SCPInt een twee-componenten Gaussian Mixture Model dat is afgestemd op de zero-inflated en continue aard van SCP-data. De decoder neemt de concatenatie van de biologische embedding en de one-hot batch label vector als input. Het reconstrueert de eiwitexpressiematrix door de mengverhouding ($\pi$), het gemiddelde ($\mu$) en de variantie ($\sigma$) voor elk eiwit te voorspellen. Dit ontwerp zorgt ervoor dat de biologische embedding niet wordt beïnvloed door batch-informatie, aangezien de reconstructie steunt op de expliciete batch-input.
• Adversariële Ontkoppeling:
  • Batch Classifier: Een classifier voorspelt het batch-label vanuit de batch embedding, wat de batch embedding stimuleert om volledig informatie gerelateerd aan de batch te bevatten.
  • Batch Discriminator: Een discriminator probeert het batch-label te voorspellen vanuit de biologische embedding. Cruciaal is dat een Gradient Reversal Layer (GRL) tussen de biologische kop en de discriminator wordt geplaatst. Tijdens de backpropagation keert de GRL de gradiënt om, waardoor de encoder wordt gedwongen het vermogen van de discriminator om de batch uit de biologische embedding te voorspellen te minimaliseren. Dit adversariële proces verwijdert expliciet batch-specifieke informatie uit de biologische representatie.

2. Verliesfunctie (Loss Function)

De totale loss is een gewogen som van vier componenten:

1. GMM Reconstruction Loss: Maximaliseert de waarschijnlijkheid van de geobserveerde data onder het twee-componenten Gaussian Mixture Model.
2. Mean Squared Error (MSE) Loss: Een hulpverlies toegepast op het menggemiddelde om het globale eiwitexpressieprofiel te behouden.
3. Batch Classification Loss: Cross-entropy loss op de batch embedding om te waarborgen dat deze batch-informatie behoudt.
4. Adversarial Loss: Cross-entropy loss op de biologische embedding (via de discriminator) om batch-informatie te verwijderen.

Belangrijkste Bijdragen

1. Distributie-bewuste Modellering: SCPInt is de eerste integratiemethode die specifiek is ontworpen voor MS-gebaseerde SCP-data, waarbij gebruik wordt gemaakt van een twee-componenten Gaussian Mixture Model om de continue distributie en de zero-inflation die inherent zijn aan proteomics aan te pakken, in plaats van te vertrouwen op count-gebaseerde aannames.
2. Expliciete Ontkoppeling: Het framework gaat verder dan impliciete batch-correctie. Door aparte biologische en batch embeddings te genereren, maakt het gelijktijdige behoud van biologische structuur en de expliciete kwantificering van technische variatie mogelijk.
3. Kwantitatieve Technische Fenotypes: De batch embeddings dienen als "kwantitatieve technische fenotypes", wat de meting van platformbias, effecten van cryopreservatie en celtype-specifieke technische sensitiviteit mogelijk maakt.

Resultaten

SCPInt werd geëvalueerd over zes integratietaken bestaande uit 18 datasets van acht onafhankelijke studies, variërend in technologieën, ontwikkelingsstadia en monstercondities.

• Benchmarking op Heterogene Datasets: In taken met meerdere batches uit enkelvoudige studies (bijv. Huffman et al.) en cross-study integratie (bijv. Derks, Leduc, Specht), presteerde SCPInt consistent beter dan state-of-the-art methoden (Harmony, scVI, Scanorama, LIGER, scProtein). Het bereikte een superieur evenwicht tussen biologisch behoud (behoud van celtype-scheiding) en batch-correctie (het mengen van cellen uit verschillende batches).
• Atlas Constructie en Ontwikkelingscontinuïteit: Toegepast op menselijke hersen-SCP-data over verschillende ontwikkelingsstadia (GW13, GW15, GW19), slaagde SCPInt erin de data te integreren terwijl continue ontwikkelingsmanifolds werden behouden. Het maakte de reconstructie van proteomische ontwikkelingspaden mogelijk van radiale glia naar exciterende neuronen, een prestatie waarbij andere methoden faalden in het handhaven van continuïteit of celtype-scheiding.
• Identificatie van Cellulaire Toestanden: In macrofaag-datasets behield SCPInt onderscheidende biologische toestanden (bijv. LPS-behandeld versus onbehandeld) terwijl batch-effecten werden verwijderd. Het identificeerde biologisch relevante "Normale" en "Inflammatoire" toestanden, waarbij pathway-enrichment analyse bevestigde dat de geïdentificeerde toestanden correleerden met Type I IFN-signalering en metabole herprogrammering.
• Kwantificering van Technische Variatie:
  • Platformbias: Met behulp van batch embeddings kwantificeerde SCPInt de scheiding tussen drie MS-platforms (pSCoPE, SCoPE2, plexDIA). De resultaten kwamen overeen met bekende technische principes, waarbij werd getoond dat pSCoPE en SCoPE2 (TMT-gebaseerd) dichter bij elkaar lagen dan bij plexDIA (DIA-gebaseerd).
  • Effecten van Monsterpreparatie: In data van verse versus bevroren weefsels onthulde SCPInt dat hoewel platformverschillen het grootste deel van de variantie verklaarden, effecten van cryopreservatie celtype-specifiek waren. Bijvoorbeeld, chondrocyten vertoonden een grotere verschuiving van vers-naar-bevroren dan andere celtypen, en de richting van deze verschuiving varieerde tussen celtypen, wat wijst op gestructureerde technische variatie in plaats van willekeurige ruis.

Betekenis en Claims

Het artikel claimt dat SCPInt het paradigma van single-cell proteomics integratie verschuift van impliciete batch-effect verwijdering naar een verenigde biologische representatie gekoppeld aan een expliciete, interpreteerbare en kwantitatieve analyse van technische variatie.

Door een fundament te bieden voor schaalbare atlas-constructie, adresseert SCPInt de fragmentatie van huidige MS-gebaseerde SCP-datasets. Het vermogen om kwantitatieve technische fenotypes te genereren stelt onderzoekers in staat om experimentele workflows, instrumentatie en monsterpreparatiestrategieën systematisch te evalueren. De auteurs stellen dat deze capaciteit de constructie van reproduceerbare atlasen en de optimalisatie van SCP-workflows ondersteunt, met name in settings waar gedetailleerde metadata niet beschikbaar is.

Erkende Beperkingen:
De auteurs merken op dat SCPInt momenteel vertrouwt op vooraf gedefinieerde batch-labels en niet de causale experimentele factoren achter technische verschuivingen identificeert. Daarnaast is het framework ontworpen voor expressiematrix-integratie en modelleert het geen ruimtelijke coördinaten of imaging-afgeleide kenmerken, wat de directe toepassing op ruimtelijk opgeloste SCP-technologieën zoals scDVP beperkt.