Joint analysis of multiply perturbed cells improves statistical power and cost efficiency in Perturb-seq

Resumo Técnico: Análise Conjunta de Células Multiplamente Perturbadas em Perturb-seq

Definição do Problema
Os designs convencionais de Perturb-seq (triagens de CRISPR de célula única agrupadas) visam tipicamente uma média de um RNA guia (guide RNA ou guide) por célula para garantir a atribuição inequívoca das perturbações. Consequentemente, células que carregam múltiplos guias (multipletos de guias) são descartadas durante a análise, o que limita significativamente o rendimento utilizável de cada experimento. Embora estudos recentes tenham sugerido que aumentar a multiplicidade de infecção (MOI) para criar multipletos de guias poderia reduzir custos, os trade-offs sistemáticos relativos à recuperação de sinal, perda de informação e artefatos biológicos em cargas elevadas de guias permanecem não quantificados. As incertezas fundamentais incluem os artefatos transcricionais provocados pela carga extrema de guias, a viabilidade de escalar frameworks computacionais para analisar milhares de perturbações em células multiplamente perturbadas e o equilíbrio quantitativo entre redução de custo e perda de informação.

Metodologia
Os autores conduziram uma avaliação abrangente utilizando três escalas experimentais distintas: uma triagem direcionada de 35 genes, uma triagem de um quarto do genoma (5.000 genes) e uma reanálise de um conjunto de dados existente de escala genômica (9.000 genes).

1. Design Experimental:

   • Triagem Direcionada: Realizada em células DLD-1 através de seis níveis de MOI (variando de baixo a alto, incluindo spinfection) visando 45 promotores. Isso permitiu a caracterização dos efeitos da carga de guias na fisiologia celular.
   • Triagens de Larga Escala: Realizadas em três triagens de Perturb-seq visando ~5.000 genes em MOI baixo, médio e alto para avaliar escalabilidade e eficiência de custo.
   • Reanálise: Aplicou o framework proposto ao conjunto de dados de Replogle et al. de 9.000 perturbações em células K562.

2. Framework Computacional (PerturbMatch):

   • Atribuição de Guia: Utilizou fishash, uma abordagem baseada em tabela de contingência, para atribuir guias às células, contabilizando RNA ambiente e troca de barcodes (barcode swapping).
   • Modelagem Marginal: Desenvolveu o PerturbMatch, um framework estatístico escalável que evita o ajuste de um único modelo massivo para todas as perturbações. Em vez disso, ajusta um modelo de expressão diferencial separado para cada perturbação genética.
   • Pareamento por Escore de Propensão: Para abordar o fator de confusão causado por cargas de guias desbalanceadas entre grupos de tratamento e controle (visto que guias não direcionados são mais abundantes), o método estratifica as células por classe de multiplete (ex: dupletos, tripletos) e aplica pareamento por escore de propensão dentro de cada estrato para equilibrar covariáveis técnicas (ex: fração mitocondrial, tamanho da biblioteca).
   • Triagem de Interação: Utilizou uma extensão multivariada de modelagem de interação de "relutância" (sprinter) para demonstrar que os efeitos de interação guia-guia são negligenciáveis em comparação com covariáveis técnicas, justificando a omissão de termos de interação para simplificar o modelo.

3. Métricas para Avaliação:

   • Perda de Informação: Quantificada usando uma estatística de ranking de vizinhança (desequilíbrio de informação) para medir como as relações de vizinho mais próximo das perturbações degradam conforme o MOI aumenta.
   • Recuperação de Sinal: Avaliada via precisão, recall, F-score e similaridade de cosseno de vetores de log-fold-change (LFC) contra uma verdade fundamental de referência.
   • Benchmark Teórico: Derivado de uma relação teórica entre a magnitude da resposta transcricional (Relação Sinal-Ruído, SNR) e a reprodutibilidade esperada (similaridade de cosseno), modelada como $\rho = \frac{SNR}{SNR+1}$.

Principais Resultados

1. Impacto Biológico da Carga de Guia:

   • A carga extrema de guias (alto MOI) induz uma resposta de estresse transcricional específica e suprime a progressão do ciclo celular.
   • Genes upregulados com a carga de guias incluem marcadores de estresse (ex: GDF15, TXNIP, FTH1) e genes de síntese de ATP mitocondrial.
   • Genes downregulados incluem marcadores de ciclo celular e proliferação (ex: MKI67, TOP2A, CENPF).
   • Esses efeitos são independentes do status de p53 (observado em células DLD-1 com mutação em TP53).

2. Desempenho do PerturbMatch:

   • A abordagem de modelagem marginal (ajustando um modelo por perturbação) produz resultados altamente correlacionados com modelos completos (correlação de Pearson > 0,97), mas é significativamente mais rápida (minutos vs. horas/dias para milhares de perturbações).
   • Ignorar os efeitos de interação guia-guia é uma simplificação válida, pois as covariáveis técnicas dominam os scores de interação.

3. Classes de Multipletos Ótimas:

   • Dupletos e Tripletos: Estas classes melhor recapitulam as respostas de perturbação de singletes. Elas mantem alta precisão e recall mesmo conforme sua fração aumenta.
   • Multipletos de Ordem Superior: Quadrupletos e quintupletos mostram um declínio rápido na recuperação de sinal (recall e similaridade de cosseno) em triagens direcionadas devido ao ruído de guias "passageiros". No entanto, em triagens não enviesadas de larga escala (5.000 genes), o ruído de guias passageiros é menor, e multipletos de ordem superior performam comparavelmente aos tripletos.

4. Trade-off Custo vs. Informação:

   • Na triagem de 5.000 genes, aumentar o MOI para níveis médio e alto reduziu os custos por célula em 66% e 81%, respectivamente.
   • Apesar da redução de custo, a perda de informação permaneceu dentro de um aumento de 1,5 a 2 vezes em relação ao baseline (baixo MOI), o que é comparável à perda observada entre réplicas técnicas.
   • O número efetivo de células por guia aumentou em até 7,1 vezes no alto MOI.

5. Reanálise de Dados Genômicos:

   • A incorporação de multipletos de guias anteriormente descartados (dupletos e tripletos) no conjunto de dados de Replogle melhorou o poder estatístico.
   • A análise conjunta de singletes e multipletos levou a recuperação de sinal para mais perto do benchmark de reprodutibilidade teórica esperado, enquanto análises de apenas singletes ou apenas multipletos ficaram abaixo desse limite teórico.

Significância e Alegações
O artigo alega que a prática convencional de descartar células com múltiplas perturbações é subótima para experimentos de grande escala de Perturb-seq. Ao desenvolver o PerturbMatch e caracterizar os limites biológicos e estatísticos de designs de alto MOI, os autores demonstram que:

• Eficiência de Custo: Projetar intencionalmente triagens para incluir singletes, dupletos e tripletos pode reduzir os custos em até 81% enquanto preserva a recuperação de sinal.
• Escalabilidade: O framework de modelagem marginal proposto permite a análise de milhões de células e milhares de perturbações com overhead computacional mínimo.
• Recuperação de Sinal: A análise conjunta de multipletos de guias melhora o poder estatístico e aproxima os resultados experimentais do limite de reprodutibilidade teórica, tornando o Perturb-seq de larga escala mais prático para paradigmas iterativos de "lab-in-the-loop".
• Orientação: O estudo fornece uma recomendação baseada em dados para evitar cargas extremas de guias (que induzem estresse) enquanto se aproveitam dupletos e tripletos para maximizar o rendimento.

Os autores posicionam esses achados como um framework prático para endereçar os gargalos de custo e complexidade necessários para escalar o Perturb-seq para os milhares de genes exigidos para o treinamento de modelos de fundação e genômica funcional abrangente.