Rectangle: robust and scalable multiscale deconvolution informed by single-cell RNA sequencing data

Resumo Técnico: Rectangle – Deconvolução Multiescala Robusta e Escalável Informada por Dados de Sequenciamento de RNA de Célula Única

Declaração do Problema
O sequenciamento de RNA em massa (bulk RNA-seq) permite o perfilamento de larga escala de tecidos complexos, mas carece de resolução celular. Embora os métodos de deconvolução in silico infiram a composição de tipos celulares a partir de dados de bulk RNA-seq, os métodos atuais de segunda geração (que utilizam referências de sequenciamento de RNA de célula única [scRNA-seq]) enfrentam três limitações críticas:

1. Resolução: Eles frequentemente falham em distinguir fenótipos ou estados celulares estreitamente relacionados devido à similaridade transcricional.
2. Escalabilidade: Eles não escalam eficientemente para os volumes em rápida expansão de grandes conjuntos de dados de scRNA-seq (ex: >100k células), frequentemente sofrendo com altos custos computacionais ou restrições de memória.
3. Robustez a Desconhecidos: Eles tipicamente assumem que a matriz de assinatura de referência cobre todo o conteúdo celular presente na amostra de bulk. Quando o "conteúdo celular desconhecido" (tipos ou estados celulares ausentes da referência) está presente, esses métodos frequentemente atribuem erroneamente os sinais, levando a estimativas de fração enviesadas.

Metodologia
Os autores apresentam o Rectangle, um framework Python de código aberto dentro do ecossistema scverse projetado para o desenredamento (disentanglement) recursivo de dados de RNA-seq de bulk. O algoritmo opera em duas fases primárias:

1. Construção da Matriz de Assinatura (Pseudobulking com Bootstrap):

   • Pseudobulking: Em vez de processar cada célula individualmente, o Rectangle realiza o bootstrap da referência de scRNA-seq ao amostrar repetidamente um número pequeno e constante de células (padrão: 500) com reposição para cada tipo celular anotado, a fim de criar perfis de expressão "pseudobulk puros". Isso garante uma pegada de memória pequena e um tempo de execução independente do tamanho total da referência.
   • Seleção de Marcadores: A análise de expressão diferencial (DE) é realizada utilizando o pyDESeq2. Os limiares de log-fold-change (LFC) são otimizados de forma adaptativa via busca em grade (grid search) em misturas de pseudobulk sintéticas para maximizar a correlação com a verdade fundamental (ground truth).
   • Otimização: A matriz de assinatura resultante é refinada pela remoção de genes mal discriminativos para minimizar a multicolinearidade (número de condição) e escalonada pela quantidade de mRNA específica de cada tipo celular para evitar viés sistemático.
   • Estratégia Multiescala: Duas matrizes de assinatura são geradas: uma "assinatura direta" para tipos celulares de granularidade fina e uma "assinatura agrupada", onde tipos transcritivamente similares são agrupados via agrupamento hierárquico (hierarchical clustering).

2. Deconvolução (Programação Quadrática Hierárquica):

   • Estimativa de Conteúdo Desconhecido: O método modela explicitamente o conteúdo celular desconhecido como o resíduo entre a expressão observada em bulk e a reconstrução baseada na matriz de assinatura.
   • Deconvolução Hierárquica: Para tipos celulares altamente similares, um processo de dois passos é empregado:
     • Passo 1: Um solver de programação quadrática (QP) deconvolve os dados de bulk usando a "assinatura agrupada" para estimar as proporções grosseiras dos grupos celulares.
     • Passo 2: Um segundo passo de QP utiliza a "assinatura direta" para resolver as frações de granularidade fina, sendo restringido pelas estimativas de nível de cluster do Passo 1 dentro de um intervalo de tolerância estreito. Isso restringe o espaço de solução para tipos similares enquanto permite alta resolução.
   • Escalonamento Final: As frações conhecidas finais são reescalonadas de modo que, combinadas com o componente desconhecido estimado, somem 100%.

Principais Contribuições

• Framework Multiescala: O Rectangle combina de forma única a deconvolução hierárquica com a modelagem explícita de conteúdo celular desconhecido, abordando tanto a resolução quanto a robustez simultaneamente.
• Escalabilidade via Bootstrap: Ao desacoplar o tempo de execução do total de células individuais na referência (dependendo, em vez disso, do número de tipos celulares e genes), o Rectangle alcança escalabilidade de memória linear e escalabilidade de tempo de execução quase constante em relação ao tamanho da referência.
• Integração: Como parte do ecossistema scverse, ele suporta os formatos AnnData e SpatialData, garantindo a interoperabilidade com ferramentas padrão de transcriptômica de célula única e espacial.

Resultados
Os autores avaliaram o Rectangle contra oito métodos de última geração (incluindo CIBERSORTx, Scaden, MuSiC, BayesPrism) utilizando o framework de benchmarking omnideconv através de diversos conjuntos de dados (tecidos de camundongo/humano, microambientes tumorais, transcriptômica espacial).

• Precisão e Resolução: O Rectangle alcançou a maior correlação de Pearson global (média de 0,804) e o menor erro quadrático médio (RMSE) cumulativo em todos os conjuntos de dados de validação. Demonstrou baixo spillover (média de 15,81%), comparável aos melhores desempenhos, e resolveu com sucesso fenótipos de granularidade fina em ecossistemas tumorais complexos (ex: distinguindo CAFs miofibroblásticos de inflamatórios) onde métodos grosseiros falharam.
• Eficiência Computacional: Em um laptop padrão (Apple M1, 32GB de RAM) com uma referência de ~150k células, o Rectangle completou o pipeline completo (construção de assinatura + deconvolução) em aproximadamente um minuto. Em contraste, outros métodos falharam em executar ou exigiram tempos de execução e memória significativamente maiores conforme os tamanhos das referências aumentavam. O Rectangle foi o único método a manter baixo uso de tempo de execução e memória através de um aumento de 150 vezes no tamanho da referência.
• Tratamento de Conteúdo Desconhecido: Em simulações com crescente conteúdo desconhecido, o Rectangle foi o único método a manter alta correlação global e baixo RMSE para tipos cobertos pela referência. Em aplicações do mundo real:
  • Câncer de Pulmão: Quando as células tumorais foram excluídas da referência, a fração "desconhecida" estimada correlacionou-se fortemente com a pureza tumoral de consenso (r=0,612). Combinar isso com as estimativas de tumor guiadas pela referência melhorou a quantificação da pureza (r=0,772).
  • Organoides Cerebrais: Aplicado a dados de bulk de série temporal contra uma referência de células maduras, o Rectangle identificou altas frações "desconhecidas" em pontos temporais iniciais. A análise de erro de reconstrução desses desconhecidos revelou programas de desenvolvimento coerentes (ex: diferenciação neurogênica, regulação do ciclo celular), desconvolvendo efetivamente estados progenitores ocultos.
• Transcriptômica Espacial: Sem adaptações espaciais específicas, o Rectangle deconvolveu com sucesso dados de 10x Visium de cérebro de camundongo, mapeando precisamente subtipos neuronais de granularidade fina para suas regiões anatômicas e posicionando-se entre os melhores desempenhos no benchmark Spotless.

Significância
O artigo afirma que o Rectangle preenche a lacuna entre a alta resolução da transcriptômica de célula única e a eficiência de escala/custo do RNA-seq de bulk. Ao abordar simultaneamente a precisão, a escalabilidade e a incompletude da referência, ele permite o perfilamento celular em escala populacional. Essa capacidade apoia a descoberta de biomarcadores celulares e o rastreamento de dinâmicas de estado celular em cenários (como grandes coortes clínicas ou estudos longitudinais) onde o sequenciamento de célula única abrangente é impraticável. Os autores posicionam o Rectangle como uma ferramenta fundamental para ir além da quantificação correspondente à referência para recuperar sinais biológicos "ocultos", como heterogeneidade maligna e trajetórias de desenvolvimento.