HR-VILAGE-3K3M: A Human Respiratory Viral Immunization Longitudinal Gene Expression Dataset for Systems Immunity

Resumo Técnico: HR-VILAGE-3K3M

Definição do Problema
As infecções virais respiratórias representam uma carga significativa para a saúde global, embora os mecanismos imunológicos celulares subjacentes à proteção e à patologia ainda não sejam totalmente compreendidos. Embora as coortes de infecção natural forneçam dados do mundo real, elas frequentemente carecem de linhas de base pré-exposição e de um tempo controlado. Por outro modo, ensaios de inoculação humana e de vacinação geram dados transcriptômicos longitudinais bem estruturados; no entanto, esses conjuntos de dados estão atualmente dispersos em repositórios públicos (ex: GEO, ImmPort, ArrayExpress) e são processados de forma inconsistente.

As principais barreiras para a análise integrativa e impulsionada por IA incluem:

• Prontidão dos Dados: Repositórios públicos hospedam dados em vários níveis de processamento (brutos, parcialmente processados, normalizados), frequentemente gerados por pipelines específicos de cada estudo, levando a severos efeitos de lote (batch effects).
• Fragmentação de Metadados: Dados fenotípicos críticos (status de infecção, sintomas, títulos de anticorpos) são frequentemente fragmentados em arquivos suplementares ou em diferentes repositórios, com IDs de amostras frequentemente desalinhados entre os arquivos de expressão e de metadados.
• Inconsistências Técnicas: Os dados são perfilados em diversas plataformas (microarray, RNA-seq bulk, scRNA-seq) usando símbolos de genes e identificadores inconsistentes.
• Lacunas de Controle de Qualidade: Muitos conjuntos de dados carecem de avaliação rigorosa de pré-processamento, contendo artefatos técnicos (ex: valores negativos, níveis de expressão discretos) ou amostras duplicadas dos mesmos indivíduos depositadas sob diferentes estudos.

Metodologia
Os autores desenvolveram o HR-VILAGE-3K3M (Human Respiratory Viral Immunization Longitudinal Gene Expression), um repositório de referência curado que integra dados de 66 estudos envolvendo 3.178 indivíduos. O fluxo de trabalho de construção envolveu:

1. Coleta de Dados: Agregação de perfis de expressão gênica, metadados e dados brutos de anticorpos do GEO, ImmPort e ArrayExpress. Isso incluiu o contato direcionado aos autores dos estudos para recuperar títulos de anticorpos ausentes ao nível do sujeito.
2. Pré-processamento Padronizado:
   • Dados Bulk: Dados de microarray (Affymetrix e Illumina) foram processados usando normalização RMA, mapeamento de sonda-para-gene, Normalização por Quantis (QN) e transformação log2. Os dados de RNA-seq foram mapeados para símbolos de genes HGNC, com contagens brutas fornecidas ou geradas a partir de arquivos FASTQ via alinhamento e quantificação.
   • Dados de Célula Única (Single-Cell): Dados em vários formatos (h5ad, matriz 10x) foram integrados em objetos AnnData de Python, filtrados (genes expressos em <10 células removidos) e normalizados (normalização de contagem total para 10.000, transformação log1p).
3. Harmonização e CQ (Controle de Qualidade):
   • Padronização de Símbolos de Genes: Todos os símbolos foram alinhados à nomenclatura oficial da HGNC usando o pacote HGNChelper para corrigir erros de formatação induzidos pelo Excel.
   • Remoção de Duplicatas: Amostras duplicadas de mesmos sujeitos entre estudos foram identificadas via correlação de Spearman dos perfis de expressão e removidas, retendo a versão com a cobertura de timepoints mais abrangente.
   • Unificação de Metadados: Os IDs de amostra foram alinhados com as matrizes de expressão, e os identificadores ao nível do sujeito foram padronizados para vincular as medições de anticorpos entre os estudos.
   • Definição de Desfecho: Os status de infecção e sintomas foram padronizados. Para vacinas de influenza, o status de resposta foi definido pelo título de Inibição de Hemaglutinação (HAI) (Alta: MFC ≥4, Dia 28 ≥40; Não-respondedores: MFC ≤1).
4. Análises de Referência (Benchmark): Os autores validaram o conjunto de dados através de três análises:
   • Predição de Traços Biológicos: Predição de sexo e idade usando transcriptomas de sangue total de linha de base para avaliar a qualidade dos dados e a consistência da plataforma.
   • Predição de Desfecho: Predição do status de responder a anticorpos em estudos de vacina de influenza usando dados bulk longitudinais, comparando métodos de correção de lote (QN, ComBat, Regressão) e estratégias de modelagem (PCA-GEE, RNN, LSTM, GRU, Transformer).
   • Anotação de Tipo Celular: Comparação de proporções de células imunes derivadas de dados pareados de bulk e célula única de vacinação contra SARS-CoV-2 usando xCell e ferramentas de anotação automatizadas (SingleR, GPTCelltype).

Principais Resultados

• Composição do Conjunto de Dados: O HR-VILAGE-3K3M contém 14.136 perfis de expressão de 3.178 participantes. Inclui 15 estudos de inoculação (5 vírus: H3N2, H1N1, HRV, RSV, SARS-CoV-2), 47 estudos de vacinação (Influenza, COVID-19) e 4 estudos de exposição mista. As plataformas incluem microarray (52%), RNA-seq (38%) e 10x Genomics scRNA-seq (11%).
• Validação de Controle de Qualidade:
  • Predição de Sexo: Classificadores baseados em marcadores do cromossomo Y alcançaram discriminação quase perfeita (ROC-AUC: 0,989 para microarray, 0,991 para RNA-seq), confirmando a precisão da rotulagem das amostras.
  • Predição de Idade: Os modelos alcançaram desempenho preditivo forte ($R^2 \approx 0,83$ para microarray, $0,71$ para RNA-seq usando regressão Ridge), demonstrando que os transcriptomas de linha de base codificam uma variação substancial relacionada à idade.
• Efeito de Lote e Modelagem Preditiva:
  • Correção de Lote: A Normalização por Quantis (QN) preservou o sinal biológico (separação de status de respondedor) melhor que o ComBat, que sobrecorrigiu e reduziu a separação do desfecho.
  • Desempenho de Predição: O modelo Transformer com correção QN alcançou o maior desempenho na predição de respondedores de anticorpos (AUC: 0,737, Acurácia: 0,663), superando redes neurais recorrentes (RNN, LSTM, GRU) e outros métodos de correção.
• Consistência Multimodal: A análise de dados pareados de bulk e single-cell de vacinação contra SARS-CoV-2 mostrou tendências temporais consistentes (ex: aumento de células B, diminuição de Monócitos/NK do Dia 1 para o Dia 7) entre as proporções de scRNA-seq e os escores de enriquecimento de xCell em bulk.

Significância e Alegações
O artigo posiciona o HR-VILAGE-3K3M como um recurso fundamental para a imunologia de sistemas e pesquisa impulsionada por IA. Suas principais contribuições são:

1. Acessibilidade: Transforma dados públicos fragmentados, brutos e inconsistentes em um recurso harmonizado e pronto para uso, contornando as etapas demoradas de descoberta, limpeza e integração de dados.
2. Benchmarking: Serve como uma referência rigorosa para o desenvolvimento e avaliação de metodologias computacionais, incluindo correção de efeito de lote, imputação de expressão gênica, predição por aprendizado profundo e deconvolução de dados bulk usando referências de célula única.
3. Capacitação de IA: A escala e heterogeneidade do conjunto de dados suportam o pré-treinamento de modelos de fundação para capturar dinâmicas imunes complexas, facilitando o aprendizado por transferência para conjuntos de dados menores ou com baixo poder estatístico.
4. Utilidade Científica: O recurso permite a descoberta de biomarcadores precoces, identificação de genes causais e o estudo de dinâmicas imunes temporais através de diversos patógenos e tipos de exposição (vacinação vs. inoculação).

Os autores enfatizam que o conjunto de dados está disponível publicamente no Hugging Face com código de análise no GitHub, projetado para acelerar a pesquisa reprodutível e escalável no desenvolvimento de vacinas e antivirais.