LAML-Pro: Maximum Likelihood Inference of Cell Genotypes and Cell Lineage Trees

O artigo apresenta o LAML-Pro, um algoritmo baseado em máxima verossimilhança que inferi simultaneamente genótipos celulares e árvores de linhagem, corrigindo erros de genotipagem e produzindo reconstruções mais precisas do que os métodos atuais que tratam essas etapas de forma separada.

O essencial

Imagine que você está tentando reconstruir a história de uma grande família, mas em vez de fotos e álbuns de recortes, você tem apenas manchas de tinta colorida que aparecem aleatoriamente nas roupas dos membros da família à medida que eles crescem e se dividem.

Essas "manchas" são mutações genéticas induzidas por cientistas para rastrear como as células de um organismo se dividem e se relacionam. O objetivo é montar a árvore genealógica perfeita de todas essas células.

O problema é que essas manchas são difíceis de ler. Às vezes, a tinta está borrada, às vezes a cor parece ter mudado de lugar, e às vezes a mancha simplesmente não aparece (como se a roupa estivesse manchada de branco). Os métodos antigos tentavam primeiro "adivinhar" qual era a cor exata de cada mancha (o genótipo) e, só depois, tentar montar a árvore. Se a primeira adivinhação estivesse errada, a árvore inteira ficava torta.

LAML-Pro é a nova ferramenta criada pelos pesquisadores da Universidade de Princeton para resolver esse caos. Aqui está como ela funciona, usando analogias simples:

1. O Problema: O "Detetive Cego" vs. O "Detetive Inteligente"

• O jeito antigo (Detetive Cego): Imagine um detetive que tenta montar o quebra-cabeça da árvore genealógica olhando apenas para as peças soltas. Ele primeiro tenta adivinhar o que cada peça representa (ex: "Isso é azul ou verde?"). Se ele errar a cor de uma peça, ele coloca a peça no lugar errado da árvore. Como as peças são muitas e as cores são confusas, ele erra muito.
• O jeito novo (LAML-Pro - O Detetive Inteligente): O LAML-Pro não tenta adivinhar a cor de cada peça isoladamente antes de montar o quebra-cabeça. Em vez disso, ele olha para todas as peças ao mesmo tempo. Ele pensa: "Se essa célula é filha daquela, e aquela tem uma mancha vermelha, então é muito provável que esta aqui também tenha, mesmo que eu não veja a cor com clareza agora."

2. A Mágica: "Adivinhar e Corrigir" ao Mesmo Tempo

O LAML-Pro usa um modelo matemático chamado PMMO (que é um nome chique para dizer: "como as mutações acontecem e como nossas observações podem falhar").

Pense no LAML-Pro como um restaurador de pinturas antigas que trabalha em tempo real:

• Ele vê uma mancha de tinta que parece um borrão cinza (incerteza).
• Em vez de ignorar ou chutar, ele olha para a "família" inteira daquela célula.
• Se a mãe e a irmã da célula têm uma mancha verde brilhante, o LAML-Pro diz: "Ok, essa mancha cinza aqui provavelmente é verde também, só que a câmera tirou a foto com pouca luz."
• Ele corrige os erros de leitura antes mesmo de desenhar a linha final da árvore.

3. O Resultado: Uma Árvore Mais Verdadeira

Quando os pesquisadores testaram isso:

• Redução de Erros: Eles conseguiram reduzir os erros de leitura das células em 5 vezes. É como transformar uma foto granulada e cheia de ruído em uma imagem HD nítida.
• Espaço e Tempo: Em experimentos onde as células eram observadas em uma placa de vidro (como em um microscópio), a árvore feita pelo LAML-Pro fez mais sentido espacialmente. Ou seja, células que nasceram perto uma da outra e eram "irmãs" na árvore genealógica também estavam fisicamente perto no microscópio. Os métodos antigos misturavam células que não tinham nada a ver.
• Velocidade: Apesar de ser mais inteligente e fazer mais cálculos, ele é rápido. Consegue montar a história de milhares de células em menos de uma hora.

Resumo em uma frase

O LAML-Pro é como um tradutor superinteligente que não apenas traduz as mensagens confusas das células (os dados brutos), mas também entende o contexto da conversa inteira para corrigir os erros de tradução e montar a história real da família, sem precisar de um passo intermediário falho.

Isso é revolucionário porque permite que cientistas usem técnicas de imagem (que são mais baratas e rápidas, mas mais "sujas" de dados) com a mesma precisão de técnicas de sequenciamento de DNA caras e complexas.

Resumo técnico

Resumo Técnico: LAML-Pro

1. O Problema

A reconstrução da história de divisões celulares (linhagem celular) é fundamental para a biologia do desenvolvimento. Tecnologias recentes de rastreamento de linhagem dinâmica (DLT) utilizam edição de genoma para induzir mutações hereditárias que acumulam-se durante as divisões celulares. Essas mutações são medidas via sequenciamento de célula única ou imageamento (ex.: fluorescência).

No entanto, as abordagens computacionais atuais operam em duas etapas separadas:

1. Genotipagem: Inferir o genótipo (estado de edição) de cada célula a partir dos dados brutos (sequenciamento ou imagem).
2. Reconstrução da Árvore: Inferir a árvore de linhagem a partir dos genótipos estimados.

Limitações Críticas:

• A etapa de genotipagem é inerentemente imprecisa. Em sistemas baseados em imageamento, a taxa de genótipos incertos ou errôneos pode ser alta (25-50%).
• Erros na genotipagem propagam-se para a reconstrução da árvore, resultando em topologias e comprimentos de ramos incorretos.
• Métodos existentes geralmente descartam dados com baixa confiança ou tratam a incerteza de forma inadequada, perdendo informações valiosas.

2. Metodologia: LAML-Pro e o Modelo PMMO

Os autores introduzem o LAML-Pro (Lineage Analysis via Maximum Likelihood with PRobabilistic Observations), um algoritmo que realiza a inferência conjunta da árvore de linhagem celular e dos genótipos das células, sem a necessidade de uma etapa prévia de genotipagem fixa.

O Modelo PMMO (Probabilistic Mixed-type Missing with Observations):
O núcleo do método é o modelo PMMO, que descreve tanto o processo de edição do genoma quanto o processo de observação dos dados.

• Processo de Edição: Modelado como uma Cadeia de Markov Contínua (CTMC) onde os estados ocultos (genótipos) evoluem ao longo das arestas da árvore. Inclui estados editados, não editados e um estado de "ausência hereditária" (silenciamento epigenético ou resecção), denotado como -1.
• Processo de Observação: Modela a relação entre o genótipo oculto ($Z$) e a observação ($X$).
  • Permite dados faltantes (missing data) e dropout (falha na detecção).
  • Para dados de imageamento, utiliza estimadores de densidade de kernel (Gaussianos) treinados para mapear intensidades de pixels para estados de edição, permitindo lidar com a incerteza contínua dos dados de imagem.
• Marginalização: O algoritmo marginaliza sobre os genótipos desconhecidos das células extantes (folhas da árvore), calculando a verossimilhança diretamente das observações brutas.

Algoritmo de Otimização:

• Busca Heurística: O LAML-Pro realiza uma busca de máxima verossimilhança alternando entre:
  1. Proposta de novas topologias de árvore usando trocas de vizinhos mais próximos (NNI).
  2. Otimização dos parâmetros do modelo (comprimentos dos ramos, taxas de edição, taxas de dropout) dada a topologia proposta.
• Algoritmo EM (Expectation-Maximization): Utilizado para otimizar os parâmetros em uma topologia fixa. Diferente de métodos anteriores que usam ascensão de coordenada em bloco, o LAML-Pro utiliza um método de ponto interior (interior-point method) para estimar todos os parâmetros conjuntamente. Isso garante convergência quadrática rápida para pontos estacionários.
• Restrições Biológicas: O modelo impõe um relógio molecular estrito (árvore ultramétrica) e um limite mínimo para o comprimento dos ramos para evitar divisões celulares instantâneas (ramos de comprimento zero), garantindo estabilidade numérica e realismo biológico.

3. Principais Contribuições

1. Inferência Conjunta: É o primeiro método a inferir simultaneamente a árvore de linhagem e os genótipos a partir de observações probabilísticas (imagens ou sequenciamento), eliminando o viés introduzido pela genotipagem prévia.
2. Modelo PMMO: Um novo modelo estatístico que integra explicitamente o processo de edição do genoma, a taxa de mutação, a taxa de ausência hereditária e a probabilidade de dropout de observação.
3. Correção de Erros de Genótipo: O algoritmo é capaz de corrigir erros de genotipagem e imputar genótipos em locais onde os dados são faltantes ou incertos, aproveitando a estrutura da árvore e a informação de vizinhos.
4. Escalabilidade: Apesar da complexidade do modelo, o algoritmo escala para milhares de células (ex.: 3.000 células em menos de 18 horas), sendo viável para conjuntos de dados experimentais reais.

4. Resultados

Dados Simulados:

• O LAML-Pro superou consistentemente métodos existentes (como LAML, Neighbor Joining e ConvexML) na precisão da topologia da árvore (medida pela distância Robinson-Foulds normalizada).
• Em cenários com dados faltantes (37,5%) e ruído de observação, o LAML-Pro reduziu significativamente o erro topológico.
• A precisão na estimativa dos comprimentos dos ramos foi superior, com correlação quase perfeita ($R^2 = 0.995$) com os comprimentos verdadeiros, enquanto outros métodos degradaram-se com o aumento do ruído.
• O método corrigiu genótipos com 90% de precisão, superando a abordagem de "argmax" independente (77%).

Dados Reais (Imageamento):

• PEtracer (Células 4T1): Ao aplicar a dados de imageamento baseados em edição de prime, o LAML-Pro reduziu a taxa de erro de genótipo de 25-50% para níveis comparáveis ao erro de sequenciamento (0,3%).
  • Eliminou dados faltantes: Onde o pipeline PEtracer descartava ~22% das observações por baixa confiança, o LAML-Pro inferiu genótipos para 100% dos sítios.
  • Concordância Espacial: As árvores inferidas pelo LAML-Pro apresentaram maior correlação entre a distância filogenética e a distância espacial (x, y) das células, indicando uma reconstrução biologicamente mais coerente.
• baseMEMOIR (Células-tronco embrionárias de camundongo):
  • O LAML-Pro recuperou observações informativas que foram descartadas pelo pipeline original (que exigia alta confiança).
  • As árvores do LAML-Pro mostraram maior concordância genotípica entre irmãos (menor distância de Hamming esperada) e melhor concordância espacial do que as árvores originais do baseMEMOIR.

5. Significado e Impacto

O LAML-Pro representa um avanço significativo na análise de dados de rastreamento de linhagem celular, especialmente para tecnologias baseadas em imageamento, que historicamente sofrem com altas taxas de ruído e dados faltantes.

• Viabilidade do Imageamento: Ao reduzir drasticamente a taxa de erro de genotipagem, o método torna os sistemas de rastreamento baseados em imageamento (que permitem resolução espacial e temporal superior) viáveis para inferência de linhagens precisas, competindo em acurácia com o sequenciamento.
• Uso Eficiente de Dados: A capacidade de utilizar dados de "baixa confiança" que seriam descartados por métodos convencionais maximiza a informação extraída de experimentos caros e complexos.
• Ferramenta Disponível: O código é de código aberto, permitindo que a comunidade científica aplique essa abordagem a diversos sistemas de rastreamento de linhagem, potencialmente reavaliando estudos anteriores que podem ter sido limitados por erros de genotipagem.

Em suma, o LAML-Pro muda o paradigma de "genotipar primeiro, depois reconstruir" para uma abordagem integrada que trata a incerteza observacional como parte fundamental do modelo probabilístico, resultando em árvores de linhagem celular mais precisas e biologicamente coerentes.