Finding stable clusterings of single-cell RNA-seq data

O artigo propõe um método de agrupamento hierárquico espectral divisivo, baseado em cortes normalizados e validado por consistência em subamostras, para identificar agrupamentos estáveis e reproduzíveis em dados de RNA-seq de célula única.

O essencial

Imagine que você tem uma sala cheia de milhares de pessoas (as células) e você quer organizá-las em grupos baseados no que elas têm em comum (como se fossem amigos que gostam da mesma música). Isso é o que os cientistas fazem com dados de RNA de células individuais: tentam agrupar células semelhantes para entender o corpo humano.

O problema é: como saber se esses grupos que você criou são reais e não apenas uma ilusão da sua imaginação? Se você pegar metade das pessoas da sala e tentar agrupá-las de novo, você conseguiria os mesmos grupos? Se não, talvez a sua organização inicial tenha sido aleatória.

Este artigo, escrito por Victor Klebanoff, é como um "teste de realidade" para essas organizações de células. Aqui está a explicação simplificada:

1. O Grande Desafio: A Estabilidade

O autor começa com uma pergunta simples: "Se eu tivesse o dobro de dados, meus grupos mudariam?"
Como é impossível ter o dobro de dados agora, ele faz o inverso: pega os dados que tem, divide ao meio (como cortar uma pizza em duas metades) e vê se consegue encontrar os mesmos grupos em cada metade.

• A analogia: Imagine que você está tentando separar uma mistura de feijão, arroz e macarrão. Se você pegar uma concha do meio da panela e conseguir separar os grãos da mesma forma que a panela inteira, sua técnica é boa (estável). Se a concha sair tudo bagunçado, sua técnica é ruim.

2. A Ferramenta Mágica: A Árvore Genealógica

Para fazer essa separação, o autor usa um método chamado "agrupamento espectral". Ele não joga as células em caixas aleatoriamente. Em vez disso, ele constrói uma árvore genealógica.

• Como funciona: Ele começa com todas as células juntas. Depois, ele corta a árvore em dois grandes ramos (dois grupos). Depois, corta cada ramo novamente, e assim por diante.
• O mapa: Cada corte na árvore cria um novo nível de grupos. Ele mede "o quão fácil foi cortar" (chamado de Normalized Cut). Se o corte for limpo e fácil, significa que os grupos são muito diferentes entre si. Se for difícil, os grupos estão misturados.

3. Limpando a Bagunça: Os "Outliers"

Às vezes, uma célula é um estranho no ninho. Ela tem dados estranhos (talvez um erro de medição ou uma célula doente) que atrapalha todo o agrupamento.

• A analogia: Imagine que você está organizando uma festa e, de repente, entra um palhaço gritando no meio de um grupo de pessoas conversando calmamente. O palhaço (o outlier) pode fazer com que o grupo de pessoas calmas pareça barulhento e confuso.
• A solução: O autor desenvolveu um método para identificar e remover esses "palhaços" (células com dados estranhos) antes de fazer a festa (o agrupamento). Ele faz isso várias vezes, limpando a sala cada vez mais, até que os grupos fiquem claros.

4. O Resultado: O que eles descobriram?

O autor testou seu método em vários conjuntos de dados reais (sangue, retina, pulmão, câncer de mama).

• O que funcionou: Em alguns casos (como no sangue e na retina), o método encontrou grupos que são muito estáveis. Isso significa que, não importa como você divide os dados, você sempre encontra os mesmos grupos de células. Isso dá confiança aos cientistas de que esses grupos são biologicamente reais.
• O que não funcionou (e por que é importante): Em alguns casos (como em certos dados de câncer de mama), o método mostrou que nenhum agrupamento era estável.
  • A lição: Isso não é um fracasso! É uma descoberta valiosa. Significa que, talvez, naquela amostra específica, as células não estejam se comportando de forma clara o suficiente para serem separadas em grupos distintos, ou que os dados estão muito "sujos". O método avisa: "Cuidado! Não confie nos grupos que você viu aqui, eles podem mudar se você olhar de outro ângulo."

5. Por que isso importa para você?

Na medicina de precisão, queremos saber exatamente qual tipo de célula está causando uma doença. Se os cientistas agruparem as células de forma errada (instável), eles podem tratar a doença errada ou perder uma descoberta importante.

Este artigo é como um selo de qualidade. Ele nos diz:

1. Confie: "Olhe, esses grupos de células são sólidos, aparecem sempre que tentamos separá-los."
2. Desconfie: "Olhe, esses grupos são instáveis. Se você tentar separar metade dos dados, eles mudam. Não use isso para tomar decisões médicas ainda."

Resumo em uma frase

O autor criou um "teste de estresse" para ver se as classificações de células que os cientistas fazem são reais e consistentes, ajudando a separar a verdade biológica da confusão estatística, garantindo que as descobertas médicas sejam baseadas em algo sólido e não em sorte.

Resumo técnico

Resumo Técnico: Encontrando Agrupamentos Estáveis em Dados de RNA-seq de Célula Única

1. O Problema

A estabilidade (ou replicabilidade) de agrupamentos (clustering) em dados de expressão gênica é um desafio conhecido há décadas, mas não há consenso sobre como identificar agrupamentos estáveis especificamente para dados de RNA-seq de célula única (scRNA-seq) apresentados como contagens UMI (Unique Molecular Identifiers).

• Desafio Central: Se novos dados de células adicionais do mesmo experimento estivessem disponíveis, os resultados do agrupamento mudariam?
• Limitação Atual: Métodos existentes muitas vezes não distinguem entre agrupamentos biologicamente significativos e artefatos espúrios gerados por ruído ou outliers. A estabilidade de um agrupamento global não garante que todos os seus clusters individuais sejam estáveis; um agrupamento pode conter clusters muito estáveis e outros extremamente instáveis.

2. Metodologia

O autor propõe um pipeline robusto que avalia a estabilidade de agrupamentos através de amostragem e comparação hierárquica.

A. Definição de Estabilidade (Abordagem Inversa)
Em vez de simular dados adicionais (o que é impossível), o método inverte a lógica:

1. Gera-se um agrupamento para o conjunto completo de células ($C$).
2. O conjunto é dividido aleatoriamente em duas amostras complementares ($C_1$ e $C_2$).
3. Gera-se agrupamentos independentes para cada amostra.
4. Compara-se o agrupamento da amostra com a restrição do agrupamento completo àquela amostra.
5. Se houver concordância consistente em múltiplas amostras (40 amostras no estudo, 20 pares complementares), o agrupamento é considerado estável.

B. Métricas de Avaliação

• MED (Misclassification Error Distance): Distância de erro de classificação entre o agrupamento da amostra e o agrupamento completo (limitado à amostra). É normalizado para ajustar agrupamentos aleatórios.
  • Critério de Estabilidade do Agrupamento: O 90º percentil do MED normalizado deve ser $\le 0,10$.
• CMER (Cluster Misclassification Error Rate): Taxa de erro de classificação específica para cada cluster.
  • Critério de Estabilidade do Cluster: O 90º percentil do CMER normalizado deve ser $\le 0,50$ (ou seja, em pelo menos 90% das amostras, menos da metade das células do cluster são mal classificadas).
  • Admissibilidade: Um agrupamento é considerado admissível para análise downstream se seus clusters instáveis tiverem menos de 500 células.

C. Pipeline de Processamento

1. Filtragem e Transformação:
   • Filtragem de genes (presentes em $\ge 50$ células) e células (exclusão de alta contribuição mitocondrial).
   • Cálculo de resíduos de Pearson usando um modelo de Poisson para capturar variabilidade.
   • Redução de dimensionalidade via SVD (Decomposição em Valores Singulares) em uma representação euclidiana de baixo posto.
2. Identificação e Exclusão de Outliers:
   • Outliers Euclidianos: Baseado na distribuição das distâncias dos $k$-vizinhos mais próximos (kNN). Células com distâncias excessivamente grandes (acima de 3 desvios padrão da média) são removidas.
   • Iteração de Limpeza: O processo é repetido em três iterações, removendo iterativamente células e genes que contribuem desproporcionalmente para a variância (outliers de contagem), baseando-se em um modelo de que outliers impedem a existência de agrupamentos estáveis.
3. Agrupamento (Clustering):
   • Uso de Agrupamento Espectral Hierárquico Divisivo (baseado no algoritmo de Ng, Jordan e Weiss).
   • Affinidade: Definida como o inverso da distância euclidiana entre pontos que são $k$-vizinhos (usando $k=64$).
   • Geração da Árvore: O algoritmo divide recursivamente os dados, criando uma árvore de clusters aninhados.
   • Mapeamento da Árvore: O "Normalized Cut" (corte normalizado) define o comprimento das arestas da árvore. A distância de cada nó à raiz permite mapear a árvore para um conjunto de agrupamentos aninhados (de 2 clusters até o número máximo possível).

3. Resultados Principais

O método foi aplicado a sete conjuntos de dados públicos (dois pequenos e quatro grandes: PBMC, Retina, Pulmão e Câncer de Mama).

• Zhengmix4eq e 8eq (Dados de Controle):
  • O método recuperou com alta precisão os rótulos "ground truth" (4 e 8 tipos celulares, respectivamente).
  • Os clusters identificados foram extremamente estáveis (CMER muito baixo).
• CD14 Monocytes:
  • O método não encontrou agrupamentos estáveis, o que é consistente com a hipótese de que os dados representam um tipo celular homogêneo (tudo é o mesmo tipo), tornando qualquer divisão espúria.
• 68k PBMC:
  • Identificou um agrupamento estável de 12 clusters (admissível).
  • Comparação com resultados publicados (k-means) mostrou sobreposições parciais, mas o método revelou que certos clusters do k-means eram instáveis ou divididos de forma inconsistente entre amostras.
  • Um agrupamento de 9 clusters, que parecia estável por mediana, foi rejeitado pelo critério rigoroso do 90º percentil, demonstrando a importância da métrica proposta.
• 25k Retina:
  • Encontrou um agrupamento estável de 11 clusters.
  • Revelou que certos clusters publicados (ex: bastonetes e cones) foram divididos em clusters hierárquicos estáveis, sugerindo subestrutura biológica real que pode ser explorada.
• 65k Pulmão:
  • Encontrou agrupamentos estáveis de 16 e 19 clusters.
  • O agrupamento de 16 clusters foi notavelmente estável (MED máximo de 0,01), superando a granularidade de 56 tipos celulares reportados, sugerindo que muitos tipos reportados podem não ser distinguíveis de forma estável ou que o método agrupou subtipos relacionados de forma robusta.
• 100k Câncer de Mama:
  • Nenhum agrupamento foi estritamente estável segundo os critérios rígidos (MED > 0,10).
  • O processo iterativo de remoção de outliers impactou desproporcionalmente os plasmablastos (devido à distribuição desigual entre pacientes), ilustrando a sensibilidade do método a viéses de amostragem.
  • Mesmo assim, o agrupamento de 9 clusters mostrou alta compatibilidade com tipos celulares principais (ARI = 0,86), embora falhasse em separar células epiteliais normais de cancerígenas.

4. Contribuições Chave

1. Framework de Estabilidade Baseado em Amostragem: Propõe um método prático para validar agrupamentos sem necessidade de dados externos, usando a consistência entre subamostras aleatórias.
2. Hierarquia e Aninhamento: Utiliza uma árvore divisiva hierárquica para gerar um espectro contínuo de agrupamentos, permitindo a escolha do nível de granularidade mais estável, em vez de forçar um número fixo de clusters.
3. Métricas Granulares: Distingue entre a estabilidade do agrupamento global e a estabilidade de cada cluster individual, permitindo reter agrupamentos úteis mesmo que contenham pequenos clusters instáveis.
4. Tratamento de Outliers: Introduz uma abordagem iterativa para remover células e genes que distorcem a variância global, melhorando a qualidade da representação euclidiana antes do clustering.
5. Mapeamento de Árvore para Agrupamentos: Uma técnica novel para converter a estrutura de árvore do agrupamento espectral em uma série de agrupamentos aninhados baseados no "Normalized Cut".

5. Significado e Conclusão

O trabalho demonstra que a busca por agrupamentos em scRNA-seq deve priorizar a replicabilidade sobre a simples maximização de métricas de separação.

• Validação Biológica: Os resultados estáveis frequentemente corroboram tipos celulares conhecidos, mas também identificam divisões biológicas plausíveis que métodos tradicionais (como k-means) podem perder ou criar de forma instável.
• Alerta sobre Instabilidade: O estudo revela que muitos agrupamentos publicados podem conter clusters instáveis, o que pode levar a conclusões biológicas errôneas.
• Reprodutibilidade: O código e os dados estão disponíveis publicamente, permitindo que outros pipelines de agrupamento sejam avaliados sob a mesma ótica de estabilidade.

Em suma, o artigo oferece uma metodologia rigorosa para filtrar "ruído" algorítmico e biológico, garantindo que apenas agrupamentos que sobrevivem à variação amostral sejam considerados para análises downstream, aumentando a confiança nas descobertas de novos tipos celulares ou estados celulares.