pysigscore: gene signatures scoring across bulk and single-cell transcriptomics

Resumo Técnico de pysigscore: gene signatures scoring across bulk and single-cell transcriptomics

Problema
A transcriptômica de alto rendimento estabeleceu as assinaturas gênicas como ferramentas centrais para interpretar dados de expressão gênica em diagnóstico, prognóstico e caracterização de função biológica. No entanto, quantificar a atividade da assinatura e avaliar sua robustez continua sendo um desafio. Os métodos de pontuação existentes baseiam-se em diferentes pressupostos em relação às distribuições de fundo, robustez e fundamentos estatísticos (por exemplo, resumos simples, estatísticas Z ou abordagens baseadas em ranking). Consequentemente, nenhum método de pontuação único é universalmente ideal para todos os conjuntos de dados ou questões biológicas. Existe uma necessidade distinta de um framework unificado que permita aos pesquisadores computar, comparar e testar o desempenho de múltiplos métodos de pontuação, enquanto avaliam sua significância estatística e confiabilidade.

Metodologia
Os autores apresentam o pysigscore, um framework Python projetado para a pontuação de conjuntos de genes tanto em dados de RNA-seq bulk quanto de célula única (single-cell - scRNA-seq). O framework é coordenado por um objeto Scorer() que gerencia um fluxo de trabalho unificado compreendendo pré-processamento de dados, computação de pontuação, avaliação de confiabilidade e visualização.

• Entrada e Pré-processamento: O sistema aceita matrizes de expressão (como objetos DataFrame ou AnnData) e conjuntos de genes (como dicionários ou matrizes binárias). Ele suporta um pré-processamento extensivo, incluindo transformação logarítmica, padronização, escalonamento min-max, suavização por k-Vizinhos Mais Próximos (k-NN) e transformações de degrau/quantil.
• Mecanismo de Pontuação (Scoring Engine): A funcionalidade principal é impulsionada pela função compute_scores(), que gera uma matriz de pontuação onde as linhas representam amostras/células e as colunas representam conjuntos de genes. O framework implementa 18 métodos de pontuação integrados organizados em três famílias:
  1. Estatísticas Diretas (14 métodos): Inclui Soma (Sum), Soma Ponderada (WeightedSum), Média (Mean), Mediana (Median), Moda (Mode) e estatísticas robustas como IQR, MAD e AAD. Estes computam resumos escalares diretamente dos valores dos genes da assinatura.
  2. Z-score (1 método): Padroniza a média de expressão de um conjunto de genes em relação ao perfil de expressão total da amostra.
  3. Métodos Baseados em Ranking (3 métodos): Inclui AUCell, ssGSEA e GSVA, que avaliam o enriquecimento de genes da assinatura entre os genes com maior ranking dentro de uma amostra.
• Customização: Uma característica fundamental é o Custom Scorer, que permite aos usuários definir novas funções de pontuação via código Python sem modificar o código-fonte da biblioteca. Essas funções devem aceitar o vetor de expressão dos genes da assinatura e o vetor de expressão total da amostra.
• Confiabilidade e Significância:
  • Estimativa de P-valor: Para métodos diretos, a significância é estimada via testes de permutação usando conjuntos de genes aleatórios de tamanho correspondente para gerar uma distribuição nula, aplicando uma correção de mais um (+1). Os Z-scores utilizam p-valores analíticos bilaterais da distribuição normal padrão. Métodos baseados em ranking utilizam procedimentos empíricos ou implementações de backend.
  • Experimentos Leave-One-Out (LOO): A robustez é avaliada recomputando as pontuações após remover iterativamente cada gene de uma assinatura. As desvios são quantificados usando Erro Absoluto Médio (MAE), Erro Quadrático Médio (MSE) ou Erro Percentual Absoluto Médio (MAPE) para identificar a dependência de genes "hub" específicos.

Principais Contribuições
O artigo reivindica cinco contribuições primárias que estendem trabalhos anteriores (como o pacote R sigscores e sigQC):

1. Integração de Métodos de scRNA-seq: Incorpora novas abordagens desenvolvidas especificamente para transcriptômica de célula única, expandindo o número de métodos integrados para 18.
2. Customização Unificada: Fornece um custom scorer integrado e flexível, permitindo que os usuários implementem, testem o desempenho e comparem diretamente suas próprias funções de pontuação contra abordagens existentes dentro de uma única biblioteca.
3. Análise de Contribuição ao Nível de Gene: Facilita a avaliação das contribuições de genes individuais para a atividade da assinatura através de experimentos LOO.
4. Escalabilidade: O framework é otimizado para lidar com grandes conjuntos de dados transcriptômicos de forma eficiente.
5. Interoperabilidade: É diretamente compatível com os principais frameworks de análise de RNA-seq (por exemplo, AnnData), garantindo uma integração perfeita em fluxos de trabalho existentes.

Resultados
Os autores validaram o pysigscore utilizando os conjuntos de dados CCLE, TCGA e PBMC. A validação demonstrou a capacidade do framework de recuperar enriquecimentos biológicos esperados, especificamente em assinaturas de fígado, hipóxia, inflamação e ciclo celular. Os resultados confirmam que o framework pode processar diversos tipos de dados com sucesso e gerar pontuações consistentes e interpretáveis através de diferentes configurações experimentais.

Significância
O artigo posiciona o pysigscore não meramente como uma ferramenta de cálculo, mas como um framework reprodutível para comparação metodológica. Ao permitir que os usuários computem, comparem e avaliem a robustez de diferentes métodos de pontuação simultaneamente, ele aborda a limitação de que nenhum método único é ideal para todos os contextos. A ferramenta capacita os pesquisadores a irem além da seleção de um único "melhor" método a priori, permitindo, em vez disso, decisões baseadas em dados sobre qual estratégia de pontuação melhor se ajusta a perguntas biológicas específicas e características de conjuntos de dados.