scLongTree: an accurate computational tool to infer the longitudinal tree for scDNAseq data

O artigo apresenta o scLongTree, uma ferramenta computacional escalável e precisa que infere árvores subclonais a partir de dados de sequenciamento de DNA de células únicas longitudinais, superando o desempenho de métodos existentes na reconstrução da evolução tumoral.

O essencial

Imagine que o câncer não é uma única massa de células, mas sim uma floresta em constante crescimento. Dentro dessa floresta, existem diferentes "famílias" de células (chamadas de subclones), cada uma com suas próprias características e mutações genéticas. O grande desafio para os médicos é entender a história dessa floresta: quem nasceu primeiro? Quem é o pai de quem? E como elas evoluíram ao longo do tempo?

O problema é que, tradicionalmente, os cientistas tiravam apenas uma "foto" dessa floresta em um único momento. Com uma foto só, é difícil saber a ordem exata em que as árvores cresceram ou se duas árvores parecidas são realmente parentes ou apenas vizinhas que cresceram de forma similar.

Além disso, as ferramentas de sequenciamento de DNA de células únicas (que olham para cada célula individualmente) muitas vezes cometem erros, como se fosse uma câmera com pouca bateria: às vezes não vê uma mutação que existe (falso negativo) ou acha que viu uma que não existe (falso positivo).

É aqui que entra o scLongTree, a nova ferramenta apresentada neste artigo.

O que é o scLongTree?

Pense no scLongTree como um detetive de histórias evolutivas que não se contenta com uma única foto. Ele usa uma série de fotos tiradas em momentos diferentes (antes do tratamento, durante e depois, ou em momentos de recaída).

Ao ter essas fotos sequenciais, o scLongTree consegue:

1. Organizar a linha do tempo: Saber exatamente quando uma mutação aconteceu.
2. Descobrir o invisível: Se entre a foto 1 e a foto 2 houve um grande salto no tempo, o scLongTree consegue "adivinhar" e desenhar as árvores que existiram nesse intervalo, mesmo que ninguém as tenha fotografado. Ele preenche as lacunas da história.
3. Limpar a bagunça: Ele é inteligente o suficiente para perceber quando uma célula parece estranha apenas por causa de um erro de medição (ruído) e a remove da árvore genealógica, garantindo que a história final seja precisa.

Como ele funciona? (A Analogia da Montagem de Quebra-Cabeça)

O processo do scLongTree pode ser comparado a montar um quebra-cabeça gigante e complexo, mas com algumas regras especiais:

• Passo 1: Agrupar as peças (Clustering): Primeiro, ele olha para as células de cada momento no tempo e as agrupa em "famílias" baseadas em como elas se parecem. Ele usa uma ferramenta chamada BnpC para fazer isso, que é como ter um assistente muito bom em encontrar padrões.
• Passo 2: Limpar os intrusos (Eliminar clusters falsos): Às vezes, o assistente agrupa algumas peças que não deveriam estar juntas (como um pedaço de céu que foi colocado no meio de uma árvore). O scLongTree testa: "Se eu tirar esse grupo estranho, a história da árvore fica mais lógica?". Se sim, ele remove o grupo e reorganiza as peças.
• Passo 3: Preencher os buracos (Nós não observados): Aqui está a mágica. Se entre a foto de janeiro e a de março não temos células, o scLongTree cria "nós invisíveis" (famílias que existiram, mas não foram fotografadas) para conectar a história de forma lógica. Ele usa uma regra chamada k-Dollo, que basicamente diz: "Uma mutação pode aparecer uma vez, mas pode sumir algumas vezes (como se uma galho quebrasse), mas não pode aparecer e sumir e aparecer de novo em lugares diferentes sem uma boa razão".
• Passo 4: Ajustar os detalhes: Ele revisa a árvore final para garantir que as mutações (as "folhas" da árvore) estejam nos lugares certos, corrigindo erros de leitura.

Por que isso é melhor do que o que tínhamos antes?

Antes, existiam ferramentas como o LACE, que também tentavam usar fotos de vários momentos. Mas o LACE tinha dois grandes problemas:

1. Era lento e travava: Se você tivesse muitas mutações (centenas), o LACE ficava tão lento que demoraria dias para dar um resultado, ou nem conseguia terminar. O scLongTree é como um carro esportivo: ele lida com milhares de células e centenas de mutações em poucas horas.
2. Era frágil: Se você mudasse um pouco o número de mutações que usava para analisar, o LACE mudava completamente a árvore final, como se a história mudasse só porque você mudou a lente da câmera. O scLongTree é robusto: a história que ele conta permanece a mesma, seja você usando 20 mutações ou 55.

O Teste Real

Os cientistas testaram o scLongTree em dois cenários:

1. Dados simulados: Criaram florestas de câncer falsas no computador para ver quem acertava mais. O scLongTree venceu todos os outros concorrentes, especialmente quando a floresta era grande e complexa.
2. Dados reais (Câncer de Mama e Leucemia):
   • No caso de um tumor de mama (SA501), o scLongTree conseguiu reconstruir a história do tumor exatamente como os biólogos esperavam, e manteve essa história consistente mesmo quando usaram mais dados. O LACE, por outro lado, mudou a história quando mais dados foram adicionados, o que é perigoso para diagnósticos.
   • No caso de uma leucemia (AML107) com quase 5.000 células, o scLongTree conseguiu processar tudo rapidamente, mostrando que ele escala bem para grandes hospitais e estudos complexos.

Conclusão

O scLongTree é como um novo tipo de GPS para a evolução do câncer. Enquanto os mapas antigos (ferramentas antigas) só mostravam o ponto de partida e o de chegada, ou travavam em estradas complexas, o scLongTree traça a rota completa, incluindo os atalhos e as paradas intermediárias que não foram registradas.

Isso é crucial porque, para curar o câncer, precisamos entender não apenas onde ele está hoje, mas como ele chegou lá. Saber a ordem exata das mutações ajuda os médicos a prever se o tumor vai voltar, se vai ficar resistente a remédios e qual é o melhor tratamento para cortar a evolução desse "crescimento desordenado" antes que ele se espalhe.

Em resumo: scLongTree é a ferramenta que transforma fotos soltas e cheias de ruído em uma história clara, precisa e completa da evolução do câncer.

Resumo técnico

Resumo Técnico: scLongTree

1. O Problema

A heterogeneidade intratumoral (ITH) é um desafio central na oncologia, onde diferentes subclones de células cancerígenas acumulam conjuntos distintos de mutações somáticas. A reconstrução da história evolutiva dessas células, representada por árvores de subclones (árvores filogenéticas), é crucial para entender a progressão do câncer e planejar tratamentos.

Embora o sequenciamento de DNA de célula única (scDNA-seq) ofereça alta resolução para reconstruir essas árvores, ele enfrenta desafios técnicos como falsos positivos (FP), falsos negativos (FN) e dados ausentes devido a erros de amplificação. Além disso, a maioria das ferramentas computacionais existentes (como SCITE, SiCloneFit) assume que os dados foram coletados em um único ponto temporal.

Com o surgimento de dados de scDNA-seq longitudinais (coletados em múltiplos pontos no tempo, ex: pré-tratamento, durante e pós-recidiva), há uma necessidade crítica de ferramentas que:

• Utilizem a informação temporal para resolver a ordem das mutações.
• Inferam nós não observados (subclones que existiram entre dois pontos de tempo, mas não foram sequenciados).
• Lidem com mutações paralelas e reversas (back mutations), comuns em câncer devido a perdas de cópia.
• Sejam escaláveis para milhares de células e centenas de mutações, superando as limitações de ferramentas atuais como o LACE (que falha com centenas de mutações).

2. Metodologia

O scLongTree é uma ferramenta computacional que utiliza uma abordagem combinatória e estatística para inferir árvores de subclones longitudinais. O pipeline segue os seguintes passos principais:

• A. Agrupamento (Clustering) Temporal:

  • Ao invés de agrupar todas as células de uma vez, o scLongTree utiliza a ferramenta BnpC (um método bayesiano) para agrupar células dentro de cada ponto de tempo separadamente.
  • Isso permite inferir taxas de erro (FP/FN) específicas para cada momento temporal e evita agrupar erroneamente subclones que diferem por poucas mutações mas estão em tempos diferentes.
  • O algoritmo executa o BnpC múltiplas vezes (padrão: 5 vezes) para lidar com a não determinística do método bayesiano.

• B. Eliminação de Clusters Espúrios:

  • O sistema identifica e elimina clusters "espúrios" (prováveis resultados de superagrupamento) baseando-se em dois critérios probabilísticos:
    1. A remoção do cluster deve aumentar a probabilidade da árvore (score de suporte).
    2. A remoção não deve inflar excessivamente as taxas de FP ou FN.
  • Células de clusters eliminados são reassigned para outros clusters no mesmo ponto temporal usando máxima verossimilhança.

• C. Inferência da Árvore Longitudinal e Nós Não Observados:

  • O algoritmo conecta nós com genótipos idênticos entre pontos de tempo consecutivos.
  • Inovação Chave: O scLongTree infere nós não observados (subclones intermediários) entre dois pontos de tempo consecutivos ($p$ e $p+1$). Isso é feito através de um algoritmo combinatório que busca o maior conjunto de mutações compartilhadas por subclones em $p+1$ e as conecta a um nó intermediário, minimizando a necessidade de mutações paralelas.
  • Isso permite reconstruir eventos de ramificação que ocorreram entre as coletas de amostras, algo que ferramentas como o LACE não conseguem fazer.

• D. Correção de Mutações (Modelo k-Dollo):

  • Após a construção da árvore, o scLongTree aplica o modelo k-Dollo.
  • Este modelo assume que uma mutação ocorre apenas uma vez (proibindo mutações paralelas frequentes) mas pode ser perdida até $k$ vezes (permitindo mutações reversas/back mutations, comuns em perdas de cópia).
  • O algoritmo refina a atribuição de mutações nas arestas para maximizar a probabilidade, eliminando mutações paralelas e limitando as reversas a $k$ eventos.

• E. Seleção da Melhor Árvore:

  • Dentre as múltiplas execuções do BnpC, o scLongTree seleciona a execução que resulta na melhor combinação de taxas de erro finais (FP/FN) e no maior score de suporte da árvore.

3. Contribuições Principais

• Primeira ferramenta escalável para dados longitudinais: Diferente do LACE (que é limitado a poucas mutações devido à complexidade computacional), o scLongTree é escalável para centenas de mutações e milhares de células.
• Inferência de Nós Não Observados: Capacidade única de reconstruir subclones intermediários que não foram capturados pelas amostras, preenchendo lacunas temporais na evolução tumoral.
• Robustez a Erros e Quantidade de Dados: O método demonstra alta robustez na presença de diferentes taxas de erro e mantém a consistência da topologia da árvore mesmo quando o número de mutações de entrada varia significativamente.
• Correção via k-Dollo: Integração de um modelo biológico realista que lida com a perda de mutações (back mutations) sem permitir mutações paralelas excessivas, melhorando a precisão biológica.

4. Resultados

Os autores avaliaram o scLongTree através de simulações extensas e conjuntos de dados reais:

• Dados Simulados:

  • O scLongTree superou consistentemente os métodos de última geração (LACE, SCITE, SiCloneFit, RobustClone) em precisão de pares de SNV (Single Nucleotide Variants) e precisão de Robinson-Foulds (RF).
  • Escalabilidade: Enquanto o LACE falhou em completar a execução em 24 horas com ~140 mutações, o scLongTree processou esses dados em horas.
  • Nós Não Observados: O scLongTree recuperou com alta precisão a estrutura filogenética interna (nós não observados), melhorando a precisão geral da reconstrução em comparação com árvores que ignoram esses nós.
  • Estabilidade: A precisão do agrupamento (clustering) permaneceu alta e estável com apenas 5 execuções do BnpC.

• Dados Reais (SA501 - Câncer de Mama Triplo Negativo):

  • O scLongTree recuperou a história evolutiva conhecida do tumor com sucesso.
  • Robustez: Ao usar 55 mutações (em vez das 20 usadas pelo LACE), o scLongTree manteve a mesma topologia de árvore. Em contraste, o LACE produziu uma topologia diferente e incorreta com o conjunto maior de dados, demonstrando que o scLongTree é mais robusto à quantidade de mutações de entrada.

• Dados Reais (AML107 - Leucemia Mieloide Aguda):

  • O método foi aplicado a um conjunto de dados massivo com 4.617 células.
  • O scLongTree escalou com sucesso, reconstruindo a árvore evolutiva e identificando a ordem temporal de mutações de motor (ex: TP53 ocorrendo antes de DNMT3A), validando sua utilidade em cenários clínicos com grandes volumes de dados.

5. Significado e Impacto

O scLongTree representa um avanço significativo na bioinformática oncológica ao fornecer uma ferramenta prática e precisa para analisar a evolução temporal do câncer. Sua capacidade de lidar com dados longitudinais, inferir eventos não observados e escalar para grandes conjuntos de dados permite:

• Uma compreensão mais precisa da dinâmica de crescimento tumoral e resistência a tratamentos.
• Melhorias no prognóstico e no desenho de terapias direcionadas a subclones específicos.
• A superação das limitações computacionais que impediam a análise de grandes coortes longitudinais de células únicas.

O código-fonte está disponível publicamente no GitHub, facilitando sua adoção pela comunidade científica.