DPCGS: a computational framework for linking GWAS to single-cell transcriptomics in complex traits and diseases

Resumo Técnico do DPCGS

Definição do Problema
Traços complexos e doenças surgem da interação entre a variação genética e a heterogeneidade celular. Embora os Estudos de Associação de Genoma Amplo (GWAS) tenham identificado milhares de variantes genéticas associadas a esses traços, a maioria reside em regiões não codificantes, o que dificulta a interpretação funcional. Os métodos computacionais existentes para vincular sinais de GWAS a dados de sequenciamento de RNA de célula única (scRNA-seq), como scDRS e scPagwas, frequentemente sofrem com sensibilidade, especificidade ou escalabilidade limitadas. Consequentemente, a identificação sistemática de subpopulações celulares associadas a traços e seus drivers moleculares específicos em resolução de célula única permanece incompleta.

Metodologia: O Framework DPCGS
Os autores apresentam o DPCGS (Identification of Disease Phenotype-associated Cell subpopulations by integrating GWAS summary statistics with ScRNA-seq data), um framework computacional projetado para mapear o risco genético para estados celulares. O algoritmo opera através de três etapas primárias:

1. Construção de Conjuntos de Genes Associados a Doenças:

   • O framework utiliza a Análise Multimarcador de Anotação Genômica (MAGMA) para analisar estatísticas de resumo de GWAS.
   • O MAGMA mapeia SNPs associados a traços para genes proximais (dentro do corpo do gene e regiões flanqueadoras de ±10 kb) usando um modelo de distribuição normal multivariada que considera o Desequilíbrio de Ligação (LD).
   • Os genes são classificados por seus valores de estatística ($T$-values), e os 1.000 genes superiores que interceptam a matriz de expressão de scRNA-seq disponível são selecionados para formar o conjunto de genes associados à doença ($\mathcal{G}$).

2. Cálculo de Pontuações de Relevância de Traço (TRS):

   • Para cada célula individual $j$, uma pontuação de doença bruta ($S_{target, j}$) é computada como a média de expressão dos genes em $\mathcal{G}$.
   • Para normalizar esta pontuação, o método gera $M$ conjuntos de genes de fundo aleatórios do mesmo tamanho que $\mathcal{G}$ e calcula sua expressão média por célula ($S_{background, j}^{(m)}$).
   • Uma pontuação padronizada ($S_j$) é derivada subtraindo a pontuação de fundo média da pontuação alvo.
   • Estas pontuações são adicionalmente padronizadas (média zero, variância unitária) e transformadas via uma função sigmoide para mapear os valores ao intervalo (0, 1), resultando na pontuação de módulo de doença final ($S''_j$) para cada célula.

3. Avaliação de Significância Estatística:

   • Para avaliar a significância, 1.000 conjuntos de genes de controle aleatórios são gerados.
   • Um $p$-valor empírico para cada célula é calculado comparando sua pontuação de doença contra a distribuição das pontuações das 1.000 permutações de controle.
   • A correção de Benjamini-Hochberg é aplicada para controlar a Taxa de Descoberta Falsa (FDR).

Principais Contribuições

• Mapeamento de Alta Resolução: Diferente de métodos que avaliam primariamente o enriquecimento de vias ou associações ao nível de tipo celular, o DPCGS quantifica o enriquecimento de genes geneticamente priorizados dentro de células individuais, permitindo o mapeamento de alto risco genético em alta resolução.
• Calibração Estatística: O framework emprega uma estratégia de pontuação de conjunto de genes estatisticamente calibrada usando distribuições de controle correspondentes para garantir testes de significância robustos.
• Saída de Múltiplos Níveis: O DPCGS fornece saídas em três níveis:
  • Nível de Tipo Celular: Identifica populações celulares predefinidas mais fortemente associadas ao traço.
  • Nível de Gene: Destaca genes relevantes para o traço que estão enriquecidos em subpopulações específicas.
  • Nível Regulatório: Prediz fatores de transcrição (usando SCENIC e escores de especificidade de regulon) atuando como reguladores chave de estados associados à doença.

Resultados e Desempenho
Os autores avaliaram o DPCGS utilizando tanto dados simulados quanto datasets do mundo real, comparando-o com métodos existentes (scDRS e scPagwas).

• Dados Simulados:

  • Em simulações baseadas em traços de contagem de monócitos e porcentagem de células NK, o DPCS demonstrou poder discriminativo superior.
  • Para contagem de monócitos, o DPCGS alcançou um AUROC de 0,997 e um AUPR de 0,998, superando significativamente o scDRS (AUROC 0,971) e o scPagwas (AUROC 0,100).
  • Similar superioridade foi observada para a porcentagem de células NK (AUROC 0,993 vs. 0,975 para scDRS).

• Datasets de scRNA-seq Reais:

  • Traços Imunes: Aplicado a datasets de Células Mononucleares da Medula Óssea (BMMC) e Células Mononucleares do Sangue Periférico (PBMC), o DPCGS consistentemente mostrou maior precisão (AUROC 0,948 para contagem de monócitos em BMMC) e sensibilidade que seus competidores. Manteve desempenho robusto mesmo em datasets de grande escala (~97.000 células).
  • Doença de Alzheimer (AD): Integrando snRNA-seq do córtex entorrinal humano com dados de GWAS de AD, o DPCGS identificou oligodendrócitos e astrócitos como as subpopulações celulares mais enriquecidas. Destacou o CD74 como um gene significativamente upregulado e identificou FOS e FLI1 como reguladores transcricionais chave. A análise de vias vinculou estes a processos imunes e neuroinflamação.
  • Asma: A análise de dados de scRNA-seq de tecido pulmonar humano identificou macrófagos e células B como subpopulações chave associadas à asma. O framework destacou o FOS (um membro da família AP-1) como um principal driver upregulado e identificou fatores de transcrição da família AP-1 (JUNB, FOS, FOSB) como reguladores chave, vinculando-os à degranulação de neutrófilos e remodelamento das vias aéreas.

Significância e Alegações
O artigo afirma que o DPCGS estabelece um framework generalizável para dissecar a arquitetura celular de traços complexos. Ao unir descobertas de GWAS com interpretação funcional em resolução de célula única, o método permite a descoberta sistemática de subpopulações celulares relevantes para doenças, redes regulatórias e potenciais alvos terapêuticos. Os autores afirmam que o DPCGS oferece precisão, sensibilidade e robustez superiores em comparação com abordagens existentes, fornecendo novos insights sobre mecanismos celulares e imunes específicos de doenças, como a Doença de Alzheimer e a asma. O framework é posicionado como uma ferramenta para avançar a genética humana, a biologia de célula única e a medicina de precisão.

Limitações Reconhecidas
Os autores observam que a precisão do DPCGS depende da qualidade das estatísticas de resumo de GWAS e do mapeamento de SNPs para genes, o que pode não capturar totalmente interações regulatórias de longo alcance. Adicionalmente, ruído técnico e efeitos de lote em dados de scRNA-seq podem afetar a estimativa de pontuação. Os autores sugerem que a integração futura com modalidades complementares (ex: scATAC-seq, transcriptômica espacial) e dados de perturbação pode aumentar ainda mais a resolução e a inferência causal.