scprocess: a pipeline for processing, integrating and visualising atlas-scale single cell data

O artigo apresenta o scprocess, um pipeline automatizado em Snakemake que otimiza o processamento, integração e visualização de dados de RNA de célula única em escala de atlas, garantindo reprodutibilidade e escalabilidade para conjuntos de dados massivos.

O essencial

Imagine que você é um detetive tentando entender uma cidade inteira, mas em vez de visitar casa por casa, você tem que analisar milhões de pessoas de uma só vez, olhando para o que cada uma delas está "pensando" (seus genes) no momento. Isso é o que os cientistas fazem com o scRNA-seq (sequenciamento de RNA de célula única).

O problema é que, com tantos dados, a cidade fica caótica. Os arquivos são gigantescos, os computadores travam e é muito difícil lembrar exatamente quais regras você usou para filtrar quem é um "cidadão real" e quem é apenas "lixo" ou "ruído".

É aqui que entra o scprocess, a estrela deste artigo. Pense nele como um super-robô de cozinha automatizado (ou uma linha de montagem de alta tecnologia) feito para organizar essa bagunça.

Aqui está como ele funciona, passo a passo, usando analogias simples:

1. O Que é o scprocess?

O scprocess é um "pipeline" (um fluxo de trabalho) criado por pesquisadores da Suíça e da Roche. Ele é como um receituário de bolo infalível que você pode repetir quantas vezes quiser.

• O Problema: Antes, cada cientista fazia o bolo de um jeito diferente (usava ferramentas diferentes, parava em momentos diferentes), e ninguém conseguia repetir o bolo do vizinho exatamente igual.
• A Solução: O scprocess automatiza tudo. Você joga os ingredientes brutos (os dados de sequenciamento) e ele segue o passo a passo exato, garantindo que o resultado final seja sempre o mesmo, não importa quem esteja na cozinha.

2. Como ele lida com a "Cidade Gigante"? (Escala)

Quando você tem dados de 100 ou 1.000 amostras, é como tentar organizar uma multidão de milhões de pessoas em um estádio.

• O Truque: O scprocess é otimizado para computadores superpotentes (HPC). Ele não tenta segurar todos os dados na memória de uma vez (o que faria o computador explodir). Em vez disso, ele processa em "blocos" ou "lotes", como se fosse uma esteira rolante que processa um grupo de pessoas, limpa, e passa para o próximo, sem travar.

3. A Grande Limpeza (Controle de Qualidade)

Antes de analisar quem é quem, você precisa separar o joio do trigo.

• O Ruído de Fundo: Em experimentos de células, muitas gotas de líquido estão vazias ou contêm apenas "suco" solto de células que estouraram (RNA ambiente). É como tentar ouvir uma conversa em uma festa barulhenta onde o microfone capta o som de todos os outros lugares.
• A Ferramenta: O scprocess usa dois métodos inteligentes (CellBender ou DecontX) para "abafar" esse ruído de fundo e identificar quais gotas realmente contêm uma célula viva.
• O Filtro: Ele também descarta células "doentes" ou "quebradas" (como aquelas que perderam muita informação) e identifica "gêmeos siameses" (duas células que entraram na mesma gota por acidente), garantindo que a análise seja feita apenas com dados limpos.

4. Encontrando os "Líderes de Opinião" (Seleção de Genes)

Dentre os 20.000 genes de uma célula, a maioria está "dormindo" ou é igual em todas. O scprocess é esperto: ele não analisa tudo. Ele identifica os genes variáveis (os "líderes de opinião" que estão gritando algo importante).

• A Analogia: Imagine que você quer entender a política de uma cidade. Você não precisa ouvir a opinião de 1 milhão de pessoas sobre o tempo (todos dizem "está chovendo"). Você quer ouvir os líderes que estão debatendo coisas diferentes. O scprocess foca apenas nesses debates importantes para economizar tempo e energia.

5. Agrupando e Rotulando (Integração e Anotação)

Depois de limpar e escolher os genes importantes, o robô agrupa as células que são parecidas.

• O Mapa: Ele cria um mapa visual (como um Google Maps) onde células do mesmo tipo ficam juntas em "bairros".
• O Tradutor: O scprocess usa inteligência artificial (ferramentas como CellTypist) para ler os genes e dizer: "Ah, este grupo de células é um neurônio", "Aquele é uma célula de defesa". Ele faz isso de forma automática e precisa, evitando que o cientista tenha que adivinhar.

6. Por que isso é revolucionário?

• Reprodutibilidade: É como ter um vídeo gravado de todo o processo. Se alguém quiser verificar o resultado, pode rodar o mesmo código e obter o mesmo resultado.
• Velocidade: Ele é rápido o suficiente para lidar com "atlas" (mapas) de milhões de células, algo que antes levaria semanas ou exigiria supercomputadores caríssimos.
• Flexibilidade: Se você quiser mudar um parâmetro (como "quero ser mais rigoroso na limpeza"), o sistema permite que você ajuste e rode apenas aquela parte, sem ter que começar do zero.

Resumo Final

O scprocess é a ponte entre a montanha de dados brutos e a descoberta científica real. Ele transforma uma tarefa que antes era como tentar montar um quebra-cabeça de 1 milhão de peças no escuro, em um processo organizado, rápido e transparente, permitindo que os cientistas se concentrem no que realmente importa: descobrir como a vida funciona, em vez de perder tempo lutando com o computador.

Onde encontrar?
O código é gratuito (como um software de código aberto) e está disponível no GitHub, pronto para qualquer laboratório usar.

Resumo técnico

Título: scprocess: um pipeline para processamento, integração e visualização de dados de célula única em escala de atlas

1. O Problema

A transição para pesquisas de célula única em "escala de atlas" resultou em conjuntos de dados massivos, contendo milhões de células e centenas de amostras. Isso criou desafios significativos em três frentes:

• Gestão de Dados e Eficiência Computacional: O processamento de grandes volumes de dados exige recursos de computação de alto desempenho (HPC) e estratégias de gerenciamento de memória.
• Reprodutibilidade: A complexidade da análise de dados de RNA de célula única (scRNA-seq) envolve dezenas de decisões metodológicas e ferramentas distintas. Manter um registro claro de todas as ferramentas e parâmetros usados é difícil, tornando os resultados finais difíceis de reproduzir.
• Flexibilidade Excessiva: A falta de um fluxo de trabalho unificado torna a transição dos dados brutos para o resultado final altamente sensível às escolhas do usuário, comprometendo a transparência.

2. Metodologia

O scprocess é um pipeline baseado em Snakemake projetado para automatizar e padronizar o processamento de dados de scRNA-seq e snRNA-seq (núcleo único), especificamente otimizados para dados gerados pela tecnologia 10x Genomics.

Principais componentes e estratégias metodológicas:

• Arquitetura Modular e Reprodutível:

  • Utiliza ambientes Conda para gerenciar dependências, garantindo consistência entre sistemas.
  • Configurado via arquivo YAML, que serve como registro de parâmetros.
  • Gera relatórios HTML detalhados para cada etapa principal, permitindo a inspeção de saídas intermediárias e o ajuste de parâmetros.
  • Suporta a execução de etapas individuais de forma independente.

• Alinhamento e Quantificação:

  • Substitui o Cell Ranger (intensivo em recursos) pelo simpleaf (parte do ecossistema alevin-fry).
  • Utiliza um pseudoalinhador (alevin-fry) que é significativamente mais rápido e eficiente em memória, gerando matrizes de contagem com contagens de leituras emendadas (spliced) e não emendadas (unspliced).
  • Inclui detecção automática da química do ensaio 10x Genomics.

• Chamada de Células e Remoção de RNA Ambiental:

  • Oferece duas opções: CellBender (baseado em GPU, mais preciso mas lento) e DecontX (baseado em CPU, rápido).
  • Para o DecontX, o pipeline utiliza um perfil de RNA ambiental estimado (em vez do modelo baseado em clusters padrão) para maior precisão na estimativa de ruído.
  • Integra métodos de chamada de células como barcodeRanks (DropletUtils) e emptyDrops.

• Controle de Qualidade (QC):

  • Filtra com base em tamanho da biblioteca, número de características, proporção de leituras mitocondriais e proporção de leituras emendadas (crucial para dados de núcleo único para detectar contaminação citoplasmática).
  • Utiliza scDblFinder para detecção de dupletos, validado em benchmarks como superior a outras ferramentas.
  • Evita o uso de desvios padrão absolutos (MAD) para limiares, preferindo limites definidos pelo usuário baseados na distribuição dos dados para evitar a exclusão de populações biológicas reais.

• Seleção de Características Variáveis (HVGs):

  • Implementa uma modificação do método vst (Scanpy/Seurat) que opera em matrizes de contagem fragmentadas (chunked), evitando a necessidade de carregar a matriz completa na memória.
  • Permite calcular métricas por amostra ou grupo de amostras antes de gerar um ranking consolidado, prevenindo viés de lote.
  • Filtra genes enriquecidos em gotículas vazias (genes ambientais) usando análise de expressão diferencial (edgeR) em perfis pseudobulk.

• Integração e Análise de Baixa Dimensionalidade:

  • Realiza correção de lote com Harmony, construção de grafos de vizinhos, agrupamento Leiden e redução de dimensionalidade UMAP.
  • Oferece dois frameworks: um padrão baseado em Scanpy e uma versão otimizada com RAPIDS-singlecell para aceleração via GPU (especialmente útil para grandes conjuntos de dados).
  • Executa a integração em duas rodadas: a primeira inclui dupletos para identificar clusters ricos neles, permitindo sua remoção antes da segunda rodada de integração final.

• Identificação de Marcadores e Anotação:

  • Adota uma abordagem pseudobulk para identificação de genes marcadores, agregando contagens ao nível da amostra e usando edgeR para testes estatísticos, superando a suposição de independência biológica de células individuais.
  • Inclui Gene Set Enrichment Analysis (GSEA) via fgsea para caracterizar identidade celular.
  • Integra ferramentas de anotação automática: CellTypist (classificação supervisionada) e um modelo XGBoost treinado em dados de cérebro humano.

• Amostras Multiplexadas:

  • Suporta a demultiplexagem de amostras usando HTOs (oligonucleotídeos de hashtag) via simpleaf e Seurat HTODemux, além de aceitar saídas de ferramentas externas.

3. Principais Contribuições e Resultados

• Unificação: O scprocess consolida diversas ferramentas de ponta em um único fluxo de trabalho coerente, eliminando a necessidade de scripts personalizados desconexos.
• Escalabilidade: Foi especificamente otimizado para lidar com conjuntos de dados de centenas de amostras (ex: 149 amostras testadas), utilizando estratégias de processamento em blocos e suporte a HPC/GPU.
• Flexibilidade e Transparência: A capacidade de executar etapas isoladamente e a geração de relatórios HTML detalhados permitem que os pesquisadores refinem parâmetros e auditem o processo.
• Inovações Metodológicas:
  • Uso de pseudobulk para identificação de marcadores e detecção de genes ambientais.
  • Implementação de chunking para seleção de HVGs em grandes matrizes.
  • Integração de correção de lote e detecção de dupletos em um fluxo iterativo.

4. Disponibilidade

• O código está disponível no GitHub (sob licença MIT).
• Documentação completa, incluindo tutoriais e instruções de configuração, está hospedada em um site dedicado.
• O pipeline é agnóstico ao desenho experimental, focando na geração de saídas padronizadas (arquivos H5AD e objetos SingleCellExperiment) prontas para análises downstream.

5. Significância

O scprocess preenche uma lacuna crítica na bioinformática de célula única ao fornecer uma solução robusta, reprodutível e escalável para a era dos "atlases" celulares. Ao automatizar as etapas mais complexas e computacionalmente intensivas, ele permite que pesquisadores se concentrem na interpretação biológica, garantindo que os resultados de grandes estudos colaborativos sejam transparentes e replicáveis. A sua capacidade de lidar com a complexidade de dados de múltiplas amostras e a integração de métodos estatísticos rigorosos (como pseudobulk) posiciona-o como uma ferramenta essencial para a próxima geração de pesquisas em biologia de sistemas.