Partial domain adaptation enables cross domain cell type annotation between scRNA-seq and snRNA-seq

O artigo apresenta o ScNucAdapt, um método baseado em adaptação de domínio parcial que permite a anotação robusta e precisa de tipos celulares entre conjuntos de dados scRNA-seq e snRNA-seq, superando as limitações das abordagens existentes ao lidar com diferenças distribucionais e de composição celular.

O essencial

Imagine que você é um detetive tentando identificar pessoas em duas cidades diferentes: a Cidade das Células Inteiras (chamada de scRNA-seq) e a Cidade dos Núcleos (chamada de snRNA-seq).

Ambas as cidades têm os mesmos tipos de habitantes (células do fígado, do cérebro, do sangue, etc.), mas elas vivem de formas um pouco diferentes:

• Na Cidade das Células Inteiras, você vê a pessoa inteira, com roupas e acessórios. É fácil identificar quem é quem, mas é difícil capturar pessoas frágeis ou que estão presas em prédios de concreto (tecidos congelados ou difíceis de dissolver).
• Na Cidade dos Núcleos, você só consegue ver o "cérebro" da pessoa (o núcleo), porque o corpo foi perdido ou está muito danificado. É ótimo para estudar tecidos congelados ou frágeis, mas a aparência é diferente, e às vezes faltam habitantes que só aparecem na cidade inteira.

O Problema:
Os cientistas têm mapas (dados) de ambas as cidades, mas os métodos antigos de tradução não conseguiam conectar os dois mundos. Eles tratavam as cidades como se fossem totalmente separadas. Além disso, às vezes uma cidade tem um tipo de habitante que a outra não tem (como um "alienígena" que só vive em uma delas). Se você tentar forçar a tradução, pode acabar confundindo um habitante comum com um alienígena, estragando o mapa.

A Solução: ScNucAdapt (O Tradutor Inteligente)
Os autores deste artigo criaram um novo sistema chamado ScNucAdapt. Pense nele como um tradutor de dialetos superinteligente que usa uma técnica chamada "Adaptação de Domínio Parcial".

Aqui está como ele funciona, usando analogias simples:

1. O Tradutor Comum (Encoder Compartilhado)

Imagine que o ScNucAdapt primeiro ensina as pessoas de ambas as cidades a falar uma "língua neutra" (um espaço latente). Ele pega a descrição da pessoa inteira e a descrição do núcleo e as transforma em um mesmo tipo de cartão de identidade. Assim, um "médico" da Cidade A e um "médico" da Cidade B começam a parecer iguais nesse novo idioma, mesmo que suas roupas originais fossem diferentes.

2. O Detetive que Não Precisa Saber o Número de Habitantes (Agrupamento Dinâmico)

Na Cidade dos Núcleos (o alvo), o tradutor não sabe quantos tipos de pessoas existem. Em vez de adivinhar, ele usa um sistema de agrupamento dinâmico.

• Imagine que ele joga todas as pessoas em grupos aleatórios.
• Depois, ele usa uma régua mágica (chamada Split-and-Merge ou "Dividir e Fundir") para ver se dois grupos são na verdade o mesmo tipo de pessoa e os junta, ou se um grupo grande tem duas pessoas diferentes e o divide.
• Ele faz isso sozinho, sem precisar que você diga: "Ei, existem 10 tipos de células aqui". Ele descobre isso sozinho.

3. O Filtro de Segurança (Divergência de Cauchy-Schwarz)

Aqui está o truque mais importante. Como a Cidade dos Núcleos pode ter habitantes que não existem na Cidade das Células Inteiras (e vice-versa), o tradutor precisa ter cuidado.

• Se ele tentar comparar um "Alienígena" da Cidade B com um "Humano" da Cidade A, vai dar errado.
• O ScNucAdapt usa um filtro matemático (Divergência de Cauchy-Schwarz) que diz: "Ei, só vamos comparar e alinhar os grupos que realmente se parecem".
• Se um grupo na Cidade B não tem correspondente na Cidade A, o sistema simplesmente ignora esse grupo para não estragar a tradução dos outros. Isso evita que o tradutor se confunda com "lixo" ou dados irrelevantes.

Por que isso é incrível?

• Funciona em qualquer lugar: O sistema foi testado em "cidades" de bexiga, rim, tumores e cérebro de camundongos. Em todos os casos, ele acertou mais do que os tradutores antigos.
• Não precisa de treinamento manual: Você não precisa dizer ao sistema quantos grupos existem ou ajustar mil botões. Ele se adapta sozinho.
• Salva dados antigos: Permite que cientistas usem dados de tecidos congelados (que antes eram difíceis de analisar) e os misturem com dados de tecidos frescos, criando um mapa completo da vida celular.

Em resumo:
O ScNucAdapt é como um ponte mágica que conecta dois mundos de biologia que antes estavam separados. Ele aprende a ignorar as diferenças de "roupas" (metodologia) e foca na "alma" (tipo de célula), garantindo que, mesmo que uma cidade tenha habitantes que a outra não tem, o mapa final seja preciso e confiável. Isso ajuda os cientistas a entender melhor doenças e a vida humana, unindo peças de um quebra-cabeça que antes pareciam não se encaixar.

Resumo técnico

Título: ScNucAdapt: Adaptação Parcial de Domínio para Anotação Cruzada de Tipos Celulares entre scRNA-seq e snRNA-seq

1. O Problema

A anotação precisa de tipos celulares é fundamental para a análise de dados de RNA de célula única (scRNA-seq). No entanto, existem desafios significativos ao integrar dados de scRNA-seq (sequenciamento de RNA de célula inteira) e snRNA-seq (sequenciamento de RNA de núcleo único):

• Diferenças Tecnológicas: O snRNA-seq é crucial para amostras congeladas ou tecidos difíceis de dissociar, capturando tipos celulares frágeis ou raros que o scRNA-seq pode perder. Contudo, os dois métodos capturam partes diferentes da célula (citoplasma vs. núcleo), gerando perfis de expressão gênica distintos.
• Diferenças de Distribuição: Existem discrepâncias estatísticas significativas entre os conjuntos de dados gerados por essas duas tecnologias.
• Desalinhamento de Espaços de Rótulos (Partial Domain Adaptation): Em cenários reais, o conjunto de dados alvo (target) pode conter apenas um subconjunto dos tipos celulares presentes no conjunto de dados fonte (source). Métodos tradicionais de adaptação de domínio assumem que os espaços de rótulos são idênticos, o que leva a uma "transferência negativa" quando classes irrelevantes da fonte são forçadas a se alinhar com o alvo.
• Falta de Métodos Específicos: A maioria dos métodos existentes trata scRNA-seq e snRNA-seq como domínios independentes ou não lida adequadamente com a assimetria de tipos celulares entre eles.

2. Metodologia: ScNucAdapt

Os autores propõem o ScNucAdapt, um framework computacional baseado em Adaptação Parcial de Domínio (Partial Domain Adaptation - PDA). O objetivo é transferir conhecimento de anotação de um domínio fonte rotulado para um domínio alvo não rotulado, minimizando o impacto de classes que não são compartilhadas.

O framework consiste em três componentes principais:

1. Codificador Compartilhado (Shared Encoder):

   • Utiliza duas camadas totalmente conectadas para projetar as representações de ambos os conjuntos de dados (fonte e alvo) em um espaço latente comum.
   • O objetivo é extrair características invariantes que capturem os padrões essenciais da expressão gênica, ignorando as diferenças específicas de cada tecnologia.

2. Agrupamento Dinâmico no Dados Alvo (Dynamic Clustering):

   • Inspirado em DeepDPM e PRAGA, este módulo realiza agrupamento no espaço latente do conjunto de dados alvo sem conhecimento prévio do número real de clusters (tipos celulares).
   • Utiliza um modelo de mistura gaussiana (GMM) com um mecanismo de divisão e fusão (split-and-merge) baseado no critério de Metropolis-Hastings.
   • Isso permite que o modelo ajuste automaticamente o número de clusters, identificando a estrutura celular real do alvo e lidando com a incerteza sobre quantos tipos celulares existem.

3. Correspondência Fonte-Alvo via Divergência de Cauchy-Schwarz (CS Divergence):

   • Para alinhar os clusters do alvo com as classes conhecidas da fonte, o método calcula a Divergência de Cauchy-Schwarz entre as distribuições de densidade dos dados fonte e alvo.
   • Utiliza estimadores de densidade baseados em kernel (Gaussian Kernel) para calcular a divergência empiricamente.
   • O modelo seleciona os pares (classe fonte, cluster alvo) com a menor divergência, efetivamente ignorando classes da fonte que não têm correspondência no alvo (mitigando a transferência negativa).
   • A função de perda total combina a perda de classificação (cross-entropy ponderada) e a perda de divergência (CS Divergence), controlada por um hiperparâmetro de trade-off ($\lambda$).

Estratégia de Treinamento:
O treinamento ocorre em duas etapas:

1. Aquecimento (Warm-up): O codificador é treinado apenas com aprendizado de representações em mini-lotes, sem agrupamento, para aprender um espaço de características inicial significativo.
2. Ajuste Fino: Em cada época, realiza-se o agrupamento GMM com divisão/fusão no alvo, seguida pela correspondência fonte-alvo e atualização do codificador via retropropagação usando a perda combinada.

3. Principais Contribuições

• Primeira Abordagem Cruzada: É o primeiro método focado especificamente na anotação cruzada entre pares e não-pares de dados scRNA-seq e snRNA-seq.
• Resolução de Desalinhamento de Rótulos: Utiliza adaptação parcial para lidar com cenários onde o espaço de rótulos do alvo é um subconjunto do espaço da fonte, evitando que classes irrelevantes degradem o desempenho.
• Robustez a Composição Celular: O mecanismo de agrupamento dinâmico permite que o modelo se adapte a diferenças na composição celular entre os tecidos ou condições experimentais.
• Framework Geral: Funciona tanto para dados emparelhados (mesmo tecido, tecnologias diferentes) quanto não emparelhados (diferentes laboratórios ou condições).

4. Resultados Experimentais

O ScNucAdapt foi avaliado em oito cenários de adaptação cruzada envolvendo tecidos de bexiga, rim, tumores (frescos e congelados) e córtex de camundongo.

• Desempenho Superior: O método superou consistentemente os classificadores existentes (SingleCellNet, ScMap) e métodos de adaptação de domínio (ScAdapt) em termos de Acurácia e Macro-F1.
  • Exemplo: Na anotação de células imunes da bexiga (parcial), alcançou 91,05% de acurácia vs. 90,24% do ScAdapt.
  • Exemplo: Em tumores de mama metastáticos, alcançou 95,39% de acurácia vs. 94,17% do ScAdapt.
• Visualização (UMAP): As visualizações mostraram que o ScNucAdapt consegue fundir efetivamente as populações de células entre as tecnologias (scRNA-seq e snRNA-seq) enquanto mantém a separação clara entre os tipos celulares.
• Análise de Ablação: A remoção da divergência de Cauchy-Schwarz ou do mecanismo de agrupamento dinâmico resultou em queda significativa de desempenho, provando que ambos os componentes são essenciais.
• Análise de Sensibilidade: O modelo mostrou-se robusto a variações nos hiperparâmetros iniciais de clusterização ($C$) e no peso de trade-off ($\lambda$), indicando que não requer ajuste fino extensivo.
• Escalabilidade: Testes de escalabilidade mostraram consumo de memória linear e tempo de execução gerenciável para conjuntos de dados de até ~16.000 células, embora o agrupamento GMM completo seja o gargalo computacional.

5. Significado e Conclusão

O ScNucAdapt preenche uma lacuna crítica na bioinformática de células únicas, permitindo a integração confiável de dados históricos (frequentemente congelados/snRNA-seq) com dados modernos (scRNA-seq).

• Impacto Prático: Facilita o estudo de amostras arquivadas e tipos celulares frágeis que antes eram difíceis de analisar ou comparar diretamente.
• Futuro: Embora robusto, os autores apontam desafios futuros, como lidar com ruído de rótulos na fonte, descobrir novos tipos celulares não conhecidos (Open-Set Adaptation) e lidar com conjuntos de genes heterogêneos entre as tecnologias.

Em resumo, o ScNucAdapt oferece um framework prático e robusto para unificar a identidade celular através de diferentes protocolos de sequenciamento, acelerando a descoberta biológica e a compreensão de doenças.