CHACAM: a cell-cell interaction-guided hierarchical attention model for high-precision cell identity annotation of scRNA-seq data in early C. elegans embryogenesis

A vida começa como uma única célula, uma pequena esfera contendo o projeto de um organismo inteiro. Nos primeiros momentos do desenvolvimento, esta célula se divide repetidamente, criando um aglomerado de células em rápido crescimento. Por décadas, os cientistas sabem que no minúsculo verme nematódeo Caenorhabditis elegans, esse processo é notavelmente previsível. Cada verme segue exatamente o mesmo caminho: a primeira célula se divide, as células filhas se dividem e elas se dividem novamente, sempre na mesma ordem e sempre terminando no mesmo lugar. Devido a essa consistência perfeita, os biólogos têm usado este verme há muito tempo como um mapa para entender como uma única célula se torna um animal complexo. No entanto, um novo desafio surgiu à medida que a tecnologia avançou. Os cientistas agora podem ler as instruções genéticas, ou o "transcriptoma", de células individuais dentro desses embriões. Embora isso pareça um avanço, revelou um problema confuso: conforme as células se dividem, as instruções genéticas em irmãs intimamente relacionadas tornam-se quase idênticas. Quando os cientistas tentam classificar essas células baseando-se apenas em seu código genético, muitas vezes não conseguem distingui-las, forçando-os a agrupar células distintas em categorias vagas e ambíguas.

Para resolver este quebra-cabeça, uma equipe de pesquisadores desenvolveu uma nova abordagem que olha além do código genético dentro da célula. Eles perceberam que uma célula não existe no vácuo; ela está constantemente tocando e conversando com suas vizinhas. No início do embrião, o destino de uma célula é fortemente influenciado pelos sinais que ela recebe das células específicas com as quais está fisicamente tocando. Os pesquisadores construíram um modelo computacional chamado CHACAM que combina os dados genéticos de uma célula com um mapa detalhado de quem está tocando quem. Ao integrar esse contexto físico, o modelo consegue distinguir entre células que parecem geneticamente idênticas, mas que estão em bairros diferentes. Este método permitiu que eles criassem um mapa perfeitamente claro do embrião do verme, resolvendo identidades que permaneceram ambíguas por anos e revelando novos marcadores genéticos que definem cada célula única.

O cerne do problema reside no quão próximas as células relacionadas são umas das outras. Nos estágios iniciais do desenvolvimento do verme, as células se dividem tão rapidamente que as células irmãs, que nasceram da mesma célula mãe, têm quase exatamente o mesmo perfil genético. Os métodos tradicionais de identificação dessas células dependem da busca por genes específicos que atuam como marcadores, como uma etiqueta de nome. No entanto, quando as diferenças genéticas são tão pequenas, as etiquetas de nome não são distintas o suficiente para distinguir as irmãs. Em estudos anteriores, isso levou a uma situação em que os cientistas só podiam rotular um grupo de células com um nome genérico, como "ABalx", reconhecendo que sabiam que o grupo existia, mas não podiam dizer qual célula específica era qual. Essa falta de precisão dificultava a compreensão da sequência exata de eventos que impulsiona o desenvolvimento, pois os pesquisadores estavam, essencialmente, trabalhando com um mapa borrado.

Os pesquisadores hipotetizaram que a peça de informação que faltava era o ambiente físico. Eles sabiam, de décadas de observação, que células específicas no embrião do verme sempre tocam vizinhos específicos. Por exemplo, uma célula pode tocar uma vizinha que envia um sinal para se tornar uma célula muscular, enquanto sua irmã, que parece geneticamente idêntica, toca uma vizinha diferente que envia um sinal para se tornar uma célula nervosa. O novo modelo, CHACAM, foi projetado para usar esse conhecimento. Ele começa com um banco de dados curado de canais de comunicação conhecidos entre células, especificamente os pares de moléculas que permitem que uma célula envie um sinal para outra. Em seguida, ele sobrepõe isso a um mapa quadridimensional de alta resolução do embrião, que mostra exatamente quais células estão se tocando a cada minuto de desenvolvimento.

O modelo funciona olhando para uma célula e fazendo duas perguntas: quais genes ela está expressando e com quem ela está tocando? Ele compara o perfil genético da célula com uma biblioteca de referência de tipos celulares conhecidos. Se o perfil genético for ambíguo, o modelo observa as vizinhas da célula. Ele calcula uma pontuação baseada na probabilidade de interações específicas entre a célula e suas vizinhas. Por exemplo, se uma célula está tocando uma vizinha conhecida por interagir com um tipo de célula específico, o modelo infere que a célula é provavelmente desse tipo. Os pesquisadores usaram uma estratégia que chamam de "triangulação" para confirmar essas suposições. Eles escolheriam uma célula de referência com uma identidade conhecida e verificariam suas interações com a célula ambígua. Se a célula de referência for conhecida por tocar um tipo de irmã, mas não a outra, e as pontuações de interação corresponderem a esse padrão, a identidade da célula ambígua pode ser determinada com alta confiança.

Quando a equipe aplicou este método a dados existentes do embrião de C. elegans, os resultados foram impressionantes. No conjunto de dados cobrindo o embrião de um a dezesseis células, o modelo resolveu com sucesso a identidade de cada célula. Anteriormente, no estágio de dezesseis células, oito das células eram agrupadas em quatro pares de gêmeos indistinguíveis. O novo método separou todas elas, alcançando uma taxa de resolução de cem por cento. Isso significa que, pela primeira vez, os cientistas têm um mapa completo e inequívoco da identidade genética de cada célula no embrião de dezesseis células. O modelo funcionou igualmente bem em um conjunto de dados maior que chegava até o estágio de cento e duas células, identificando corretamente a grande maioria das células, mesmo quando alguns dados estavam faltando.

Além de apenas classificar as células, o modelo proporcionou uma compreensão mais profunda do que torna cada célula única. Uma vez que as células foram corretamente identificadas, os pesquisadores puderam procurar os genes específicos que distinguem uma célula de sua gêmea. Eles descobriram um novo conjunto de genes marcadores que estavam ativos em apenas uma das células irmãs, enquanto estudos anteriores haviam encontrado apenas marcadores que funcionavam para grupos de células. Por exemplo, eles encontraram genes que podiam distinguir duas células específicas que anteriormente haviam sido agrupadas. Esses novos marcadores oferecem um nível de detalhe muito mais fino, permitindo que os cientistas vejam o programa genético exato que ocorre em cada célula individual. Este mapa de alta resolução serve como um novo recurso para entender como as células tomam decisões, fornecendo uma lista clara dos genes envolvidos em cada etapa do processo.

O sucesso desta abordagem destaca uma mudança fundamental na forma como os cientistas veem a identidade celular. Demonstra que a identidade de uma célula não é determinada apenas pelos genes que ela carrega, mas também pelo contexto físico e químico de seus arredores. Ao combinar os dados genéticos internos com a realidade externa de quem está tocando quem, os pesquisadores foram capazes de enxergar através do ruído que confundiu análises anteriores. O modelo não depende de suposições ou simulações complexas; ele usa as regras invariantes conhecidas do desenvolvimento do verme para guiar a interpretação dos dados genéticos. Este método provou que, quando as células são muito semelhantes para serem distinguidas apenas por seus genes, o mapa físico do embrião detém a chave para desbloquear suas verdadeiras identidades.

As implicações deste trabalho estendem-se além do verme. Embora o estudo tenha focado em C. elegans devido à sua linhagem perfeitamente mapeada, a lógica aplica-se a qualquer sistema onde as células sejam difíceis de distinguir. Em organismos mais complexos, como os humanos, as células frequentemente existem em ambientes lotados onde suas vizinhas influenciam seu comportamento. Se os cientistas conseguirem mapear os contatos físicos entre as células em tecidos ou tumores, poderão usar uma abordagem semelhante para classificar tipos de células que parecem idênticas sob um microscópio. Os pesquisadores observaram que, à medida que as tecnologias para mapear a localização das células melhoram, esse tipo de análise consciente do contexto se tornará cada vez mais importante. O estudo serve como uma prova de conceito de que a integração de dados de interação física com dados genéticos pode revelar verdades biológicas que antes estavam ocultas.

Os pesquisadores também reconheceram os limites de seu método. O modelo depende fortemente da precisão do mapa de contatos e da completude do banco de dados de sinais célula-a-célula. Se o mapa de quem toca quem estiver errado, ou se uma via de sinalização crítica estiver faltando no banco de dados, o modelo pode não funcionar tão bem. No caso do verme, o mapa de contatos é conhecido com extrema precisão devido a décadas de imagens; porém, em outros organismos, essa informação pode ser mais difícil de obter. Além disso, o modelo atual trata as interações como um instantâneo estático no tempo, em vez de rastrear como elas mudam conforme o embrião cresce. Apesar dessas limitações, o método já entregou um atlas totalmente resolvido do embrião inicial do verme, um recurso que antes estava fora de alcance. Esta conquista fornece uma base sólida para estudos futuros, permitindo que os cientistas façam perguntas mais precisas sobre como as células se comunicam e como decidem o que se tornarão.