Donor-Aware scRNA-seq Benchmarks for IBD Classification

Declaração do Problema

O sequenciamento de RNA de célula única (scRNA-seq) permitiu a caracterização de alta resolução da arquitetura celular na Doença Inflamatória Intestinal (DII), revelando mudanças nas proporções de tipos celulares entre estados saudáveis e doentes. Existe uma lacuna metodológica crítica na avaliação de se essas composições celulares podem classificar pacientes individuais. Muitos pipelines existentes dividem as células aleatoriamente entre conjuntos de treinamento e teste, ignorando a identidade do doador. Essa "pseudorreplicação" permite que os modelos memorizem assinaturas específicas do doador em vez de aprender padrões de doença generalizáveis, levando a métricas de desempenho infladas que falham ao generalizar para novos pacientes. Além disso, permanece incerto se modelos estruturados capazes de aprender dependências entre tipos celulares (além de classificadores lineares simples) oferecem uma vantagem preditiva em dados composicionais de DII.

Metodologia

O estudo implementa um protocolo estrito de validação cruzada consciente do doador, onde a atribuição de dobras ocorre no nível do doador, garantindo que nenhuma célula ou recurso derivado de um doador de teste apareça no conjunto de treinamento. Todas as etapas de pré-processamento, incluindo normalização e seleção de recursos, são ajustadas exclusivamente nos doadores de treinamento.

Conjuntos de Dados:
Duas coortes independentes foram avaliadas:

1. SCP259 (Smillie et al., 2019): Colite Ulcerativa (CU) vs. Saudável (n=30 doadores, 51 tipos celulares).
2. Kong et al. (2023): Doença de Crohn (DC) vs. Saudável (n=71 doadores, 55–68 tipos celulares nas regiões do íleo terminal e cólon).

Representações de Recursos:
Três conjuntos de recursos distintos foram comparados:

1. Composição de Tipos Celulares Transformada por CLR: As proporções celulares foram transformadas usando Log-Rácio Centralizado (CLR) para lidar com a restrição de soma unitária dos dados composicionais. Os recursos foram construídos globalmente e estratificados por compartimento tecidual (epitelial, fibroblasto/estromal, imune).
2. Embeddings GatedStructuralCFN: Um modelo de rede de fatores causais que aprende um grafo direcionado esparsificado de dependências entre tipos celulares.
3. Embeddings Latentes scVI: Um modelo generativo profundo que comprime perfis de expressão gênica em vetores latentes de baixa dimensão, agregados por doador (globalmente e estratificados por compartimento).

Classificadores:
Cinco classificadores foram testados: Regressão Logística, SVM Linear, ElasticNet, XGBoost e CatBoost.

Design Experimental:

• Engenharia de Recursos: Tipos celulares raros (<20% de prevalência) e recursos de baixa variância (DP < 0,005) foram filtrados para reduzir o ruído.
• Transferência entre Conjuntos de Dados: Os modelos foram treinados em uma coorte e testados na outra usando apenas quatro tipos celulares compartilhados (DC1, ILCs, Macrófagos, Tregs).
• Análise de Estabilidade: A reprodutibilidade das arestas de dependência da CFN foi avaliada via similaridade de Jaccard entre as dobras da validação cruzada.

Principais Resultados

1. SCP259 (CU vs. Saudável):

• Linhas de Base Lineares: Recursos CLR estratificados por compartimento com uma SVM Linear alcançaram um AUROC de 0,956 ± 0,061, estabelecendo uma linha de base forte.
• Modelos Estruturados: O GatedStructuralCFN em recursos estratificados por compartimento alcançou a maior estimativa pontual (0,978 ± 0,050), superando a CFN global (0,906) e os modelos lineares globais.
• scVI: Embeddings scVI estratificados por compartimento (60 dimensões) alcançaram 0,931 ± 0,101 com XGBoost, competitivos com as linhas de base lineares. O scVI global (20 dimensões) performou mal (0,725) com alta variância.

2. Kong 2023 (DC vs. Saudável):

• Heterogeneidade Regional: O desempenho variou significativamente por região intestinal.
  • Íleo Terminal: Modelos lineares dominaram. O CatBoost sobre CLR alcançou 0,967 ± 0,075, enquanto a CFN ficou atrás em 0,811 ± 0,164.
  • Cólon: Modelos estruturados mostraram uma vantagem numérica. A CFN em recursos filtrados alcançou 0,960 ± 0,055, superando a melhor linha de base linear (LinearSVM CLR em 0,900 ± 0,100).
• Significância Estatística: Nenhuma comparação inter-método atingiu significância estatística (p < 0,05) devido ao tamanho limitado da amostra (n ≤ 34 por região).

3. Estabilidade das Arestas da CFN:

• Global vs. Compartimento: As matrizes de dependência da CFN global mostraram reprodutibilidade próxima de zero entre as dobras (similaridade de Jaccard 0,026). Em contraste, as matrizes da CFN estratificadas por compartimento mostraram recorrência perfeita (recorrência das 20 principais arestas 1,0).
• Causa: A instabilidade nos modelos globais é atribuída ao artefato de "soma unitária" dos dados composicionais, onde as restrições induzem correlações espúrias. A compartimentalização quebra essa restrição, gerando inferências estruturais estáveis.

4. Transferência entre Conjuntos de Dados:

• Assimetria Direcional: A transferência de DC (Kong) para CU (SCP259) alcançou AUC 0,833 com XGBoost. A direção inversa (CU para DC) performou ao acaso (AUC ~0,50).
• Fatores Determinantes: A transferência DC→CU foi impulsionada principalmente pelas proporções de ILC e Treg; a remoção dessas colapsou o desempenho.

Principais Contribuições e Alegações

Rigor Metodológico:
O artigo estabelece um quadro de referência rigoroso consciente do doador, demonstrando que a divisão aleatória ingênua infla o desempenho e que a separação adequada é essencial para uma avaliação válida.

Modelos Estruturados vs. Lineares:
O estudo alega que modelos estruturados (CFN) não superam universalmente as linhas de base lineares. Sua vantagem é específica da região:

• No Íleo Terminal, as mudanças na doença são amplamente monotônicas e linearmente separáveis, favorecendo classificadores simples.
• No Cólon, o remodelamento parece mais co-dependente, permitindo que a CFN capture interações complexas que os modelos lineares perdem (numericamente 0,960 vs. 0,900).

Geometria Composicional:
Uma descoberta central é que a modelagem de dependência baseada em grafos em dados de scRNA-seq é altamente sensível à geometria composicional. O artigo demonstra que calcular a composição dentro de compartimentos biológicos é crítico para estabilizar grafos de dependência; a composição global leva a estruturas de arestas irreprodutíveis devido a correlações espúrias induzidas pela restrição de soma unitária.

Localização do Sinal:
Os resultados sugerem que o sinal discriminativo primário para a classificação de DII reside na composição celular relativa de compartimentos específicos e não em estados transcricionais intrínsecos às células. Isso é evidenciado pelo desempenho superior dos recursos scVI e CLR estratificados por compartimento em comparação com seus equivalentes globais.

Limitações e Modéstia:
Os autores notam explicitamente que:

• A significância estatística não foi alcançada para diferenças de desempenho devido aos tamanhos pequenos das coortes (n=30 para SCP259, n=34 para o cólon de Kong).
• A avaliação do scVI envolveu uma ressalva de vazamento de dados (treinamento na coorte completa antes da CV), tornando esses resultados estimativas aproximadas dentro da amostra em vez de métricas verdadeiras fora da amostra.
• As arestas de dependência específicas que impulsionam o desempenho da CFN no cólon não podem ser validadas como biologicamente replicáveis devido à falta de estabilidade entre as dobras nos modelos globais e ao pequeno tamanho da amostra.

Significado

O artigo conclui que, embora classificadores lineares estratificados por compartimento forneçam uma linha de base robusta para a classificação de DII, modelos estruturados como o GatedStructuralCFN oferecem uma via promissora, embora numericamente modesta, para capturar o remodelamento complexo e co-dependente na mucosa colônica de pacientes com DC. O trabalho enfatiza a necessidade de validação consciente do doador e do tratamento adequado da geometria dos dados composicionais na comparação de célula única.