scDiagnostics: systematic assessment of cell type annotation in single-cell transcriptomics data

Resumo Técnico: scDiagnostics – Avaliação Sistemática da Anotação de Tipos Celulares em Transcriptômica de Célula Única

Definição do Problema
Embora a anotação de tipos celulares tenha se tornado um componente padrão nos fluxos de trabalho de sequenciamento de RNA de célula única (scRNA-seq), a avaliação rigorosa dessas anotações computacionais permanece um desafio significativo. Os fluxos de trabalho atuais frequentemente dependem de ferramentas automatizadas de "caixa preta" que transferem rótulos de conjuntos de dados de referência anotados para novos conjuntos de dados de consulta (query). Uma limitação crítica desta abordagem é a suposição de um alinhamento perfeito entre os dados de referência e de consulta. Na realidade, efeitos de lote técnicos, diferenças biológicas (por exemplo, estados de doença vs. atlas saudáveis) e a presença de estados celulares novos ou intermediários frequentemente levam a desalinhamentos. Consequentemente, células de consulta podem ser forçamente atribuídas à categoria de referência mais semelhante disponível, resultando em anotações enganosas que distorcem a interpretação biológica subsequente. As ferramentas de diagnóstico existentes são frequentemente específicas para tarefas, exigem arquiteturas de redes neurais específicas ou dependem apenas de escores de confiança que falham em detectar vieses sistemáticos ou incompatibilidades de conjuntos de dados.

Metodologia
Os autores apresentam o scDiagnostics, um pacote de código aberto em R/Bioconductor projetado para fornecer uma estrutura sistemática e agnóstica a métodos para avaliar anotações de tipos celulares. O pacote é compatível com todas as principais ferramentas de anotação (ex: SingleR, Azimuth, CellTypist, scArches) e aceita objetos SingleCellExperiment padrão, suportando o processamento eficiente de memória para grandes conjuntos de dados via DelayedArray.

A estrutura opera através de três componentes analíticos complementares:

1. Visualização de Projeção: Mapeia células de consulta em um espaço latente de baixa dimensão (ex: PCA) derivado do conjunto de dados de referência. Diferente de técnicas não lineares que podem distorcer a densidade local, o scDiagnostics utiliza métodos de projeção estatisticamente sólidos para visualizar o alinhamento das células de consulta contra seus respectivos correspondentes de referência.
2. Avaliação de Alinhamento: Quantifica a similaridade entre tipos celulares de referência e de consulta correspondidos usando métricas de distribuição global (ex: correlação de Spearman, distância de Wasserstein, coeficientes de Bhattacharyya, distância de Hellinger, teste de Cramér, teste de Hotelling's T²) e perfis de expressão de genes marcadores específicos de cada tipo celular.
3. Detecção de Anomalias: Identifica células de consulta específicas que se desviam significativamente do seu tipo celular de referência atribuído. Este módulo utiliza o algoritmo Isolation Forest e o erro de reconstrução de PCA para sinalizar outliers. O sistema distingue entre quatro causas potenciais para as anomalias: (i) artefatos técnicos (efeitos de lote, doublets), (ii) incompletude da referência (populações verdadeiramente fora da referência), (iii) ambiguidade de anotação (erros de mapeamento) e (iv) deriva biológica (ativação de doença ou mudanças de trajetória).

O pacote integra esses diagnósticos para permitir que os usuários interroguem as células sinalizadas, separando-as de categorias padrão para análise posterior (ex: expressão diferencial, interação célula-célula), em vez de descartá-las ou fundi-las com categorias de referência.

Resultos Principais
Os autores validaram o scDiagnostics utilizando dados simulados com verdade fundamental (ground truth) conhecida e dois estudos de caso do mundo real:

• Dados Simulados: Em cenários onde um tipo celular presente na consulta estava ausente na referência, os métodos padrão de transferência de rótulos classificaram incorretamente essas células de forma forçada. O scDiagnostics identificou com sucesso essas populações "fora da referência" como anômalas, mostrando uma distribuição bimodal de escores de anomalia que separou claramente as células mal classificadas das corretamente anotadas. O benchmarking no atlas de cérebro de camundongo Zeisel, sob condições de ruído de rótulo, desequilíbrio de classe e efeitos de lote simulados, demonstrou alta sensibilidade e especificidade (alto AUROC e AUPRC).
• Análise de PBMCs de COVID-19: Aplicado a células mononucleares do sangue periférico (PBMCs) de pacientes com COVID-19 contra uma referência saudável, o scDiagnostics detectou um subconjunto de monócitos CD14+ que foram anotados forçadamente como monócitos saudáveis por ferramentas padrão (Azimuth, SingleR, etc.). Estas células exibiram escores de anomalia significativamente elevados e um deslocamento distinto no espaço de componentes principais. Crucialmente, estas células anômalas mostraram uma forte regulação positiva de uma assinatura gênica de Interferon (IFN) (ex: IFI6, LY6E, ISG15), um estado específico da doença que foi obscurecido quando todos os monócitos CD14+ foram tratados como uma única população. A ferramenta recuperou com sucesso este sinal de doença, que foi diluído em análises de expressão diferencial padrão.
• Análise de Colite por MERFISH: Em dados de transcriptômica espacial de um modelo de camundongo com colite, o scDiagnostics identificou uma subpopulação de fibroblastos que se desviou do manifold de fibroblastos homeostáticos. Estas células anômalas estavam espacialmente localizadas próximas ao epitélio inflamado e neutrófilos e exibiram uma rede de interação ligante-receptor reconfigurada (ganhando sinais inflamatórios como Il1b-Il1r1 enquanto perdiam sinais homeostáticos de Wnt). Esta estratificação permitiu uma resolução mais precisa das redes de comunicação célula-célula em comparação com a análise de todos os fibroblastos como um único grupo.

Significância e Alegações
O artigo afirma que o scDiagnostics aborda uma necessidade crítica não atendida na análise de célula única, fornecendo um método sistemático, transparente e agnóstico a ferramentas para detectar casos de anotação complexos ou ambíguos que os fluxos de trabalho padrão perdem. Os autores enfatizam que:

• Escores de confiança são insuficientes: Altos escores de confiança de ferramentas de anotação não impedem altos escores de anomalia; muitas células mal rotuladas (particularmente aquelas que representam estados de doença) mantêm alta confiança, levando a erros não detectados.
• Prevenção da "Sobrecorreção": A ferramenta ajuda a identificar quando métodos de integração ou estratégias de transferência de rótulos "sobrecorrigem" ao fundir estados biológicos distintos (ex: estados associados à doença) em manifolds de referência saudáveis.
• Integração Humano-no-Loop: O scDiagnostics serve como um "guarda-corpo" quantitativo para fluxos de trabalho automatizados, incluindo modelos de fundação emergentes e Modelos de Linguagem de Grande Escala (LLMs). Ao sinalizar atribuições de alta confiança, mas anômalas, ele aciona a necessidade de revisão humana, prevenindo a propagação de erros para conclusões biológicas subsequentes.
• Ampla Aplicabilidade: Embora desenvolvido para scRNA-seq, a estrutura demonstra ser eficaz para transcriptômica espacial e é extensível para dados multimodais, oferecendo um caminho para detectar discrepâncias entre diferentes modalidades de dados (ex: transcriptômica vs. expressão de proteína de superfície).

Em conclusão, os autores postulam que, à medida que os conjuntos de dados de célula única crescem em escala e complexidade, e conforme a automação aumenta, ferramentas como o scDiagnostics são essenciais para manter o rigor, garantir a reprodutibilidade e permitir a descoberta de novos ou estados celulares associados a doenças que, de outra forma, permaneceriam obscuros.