💻 bioinformática

A Benchmark of Unsupervised Circadian Phase Inference Methods for Bulk Transcriptomic Data

Este estudo avalia sistematicamente dez métodos de inferência de fase circadiana não supervisionados em 25 conjuntos de dados, identificando o CHIRAL como o melhor desempenho com o menor erro médio, ao mesmo tempo em que demonstra que a precisão dos métodos varia de acordo com as características dos conjuntos de dados e que os principais métodos recuperam eficazmente padrões de genes rítmicos mesmo quando os tempos de coleta de amostras são desconhecidos.

Autores originais: Purohit, S., Grant, G. R., Brooks, T. G.

Publicado 2026-10-15

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Purohit, S., Grant, G. R., Brooks, T. G.

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo

Dentro de quase todas as células do corpo humano, um relógio interno silencioso tiquetaqueia, orquestrando um ciclo diário de atividade que se repete aproximadamente a cada vinte e quatro horas. Esse ritmo, conhecido como ciclo circadiano, dita quando os genes se ligam e desligam, influenciando desde o metabolismo até o momento dos tratamentos com medicamentos. Para entender como esse relógio funciona em diferentes tecidos ou como ele pode falhar em doenças, os cientistas precisam saber exatamente que hora do dia uma amostra de tecido foi coletada. No entanto, em muitos registros médicos e bancos de dados públicos existentes, essa informação crucial está faltando. Pesquisadores desenvolveram programas de computador para adivinhar a hora do dia baseando-se apenas no padrão de genes presentes em uma amostra, mas, até agora, ninguém havia testado sistematicamente qual dessas ferramentas de adivinhação realmente funciona melhor.

Uma equipe de pesquisadores da Universidade da Pensilvânia partiu para resolver esse problema, submetendo dez programas de computador diferentes a um teste rigoroso. Eles reuniram vinte e cinco conjuntos distintos de dados, incluindo amostras reais de tecidos de humanos e camundongos onde o horário de coleta já era conhecido, bem como simulações de computador cuidadosamente construídas. O objetivo era ver com que precisão cada programa conseguia olhar para uma lista de genes e identificar corretamente a hora do dia em que a amostra foi coletada. Os pesquisadores mediram o sucesso calculando a diferença média em horas entre o palpite do programa e a hora real. Eles também verificaram se os programas conseguiam reconstruir corretamente os ritmos diários de genes individuais, uma tarefa essencial para compreender como o relógio do corpo funciona.

Os resultados revelaram uma hierarquia clara entre as ferramentas. Um programa, chamado CHIRAL, emergiu como o mais preciso, adivinhando a hora com um erro médio de apenas 1,80 hora. Isso significa que, se uma amostra fosse coletada ao meio-dia, o CHIRAL tipicamente estimaria o horário entre 10h15 e 13h45. Os próximos melhores desempenhos, incluindo programas chamados TEMPO, CYCLOPS e CYCLOPS 2.0, tiveram erros médios variando de aproximadamente 2,5 a 2,8 horas. Embora estes ainda fossem úteis, eram menos precisos que o CHIRAL. Um método de linha de base simples, que dependia apenas do comportamento conhecido de doze "genes do relógio" específicos sem usar algoritmos complexos, teve um desempenho quase tão bom quanto os principais programas de computador, com um erro de cerca de 2,15 horas. Essa descoberta sugere que um conhecimento profundo desses genes centrais do relógio é, por si só, uma ferramenta poderosa. Os seis programas restantes testados tiveram um desempenho significativamente inferior, com erros variando de quase quatro a quase cinco horas, um nível de imprecisão que é pouco melhor do que o acaso.

O estudo também descobriu que o sucesso desses programas depende fortemente da qualidade dos dados que lhes são fornecidos. Os programas funcionaram melhor quando os genes no tecido mostravam ritmos diários fortes e claros. Em conjuntos de dados onde esses ritmos eram fracos ou ruidosos, como em certos tecidos cerebrais humanos, até mesmo os melhores programas enfrentaram dificuldades, com erros subindo para quase três horas. Os pesquisadores descobriram que a precisão das principais ferramentas permanecia consistente entre diferentes tipos de tecidos e espécies, mas também descobriram que alguns programas eram sensíveis à forma como os dados eram preparados. Por exemplo, corrigir as diferenças técnicas entre lotes de amostras ajudou alguns programas a melhorar seus palpites, enquanto na verdade tornou outros menos precisos. Além disso, os pesquisadores testaram o quão estáveis eram os resultados executando os programas várias vezes com diferentes pontos de partida aleatórios. Eles descobriram que, enquanto algumas ferramentas produziam o mesmo resultado todas as vezes, outras variavam significavelmente dependendo da semente aleatória utilizada, o que significa que uma única execução dessas ferramentas poderia não ser confiável.

Para ver se essas descobertas se sustentavam no mundo real, a equipe aplicou os programas a dois grandes conjuntos de dados de camundongos onde os horários de coleta eram completamente desconhecidos. Eles compararam os palpites dos programas contra referências estabelecidas de quando os genes tipicamente atingem o pico nos tecidos do fígado e da gordura. O CHIRAL foi o único programa que consistentemente correspondeu aos padrões conhecidos para o tecido do fígado, enquanto nenhum programa conseguiu corresponder de forma confiável aos padrões para o tecido adiposo, sugerindo que o relógio na gordura pode ser mais difícil de ler ou que os dados de referência são insuficientes. O estudo conclui que, embora nenhum programa seja perfeito, o CHAL é atualmente a escolha mais confiável para estimar o tempo a partir de amostras de tecido bruto. No entanto, os pesquisadores alertam que a precisão de qualquer estimativa depende da força dos ritmos biológicos no tecido específico que está sendo estudado e que, para as aplicações mais críticas, o uso de múltiplos métodos ou linhas de base simples de genes do relógio pode fornecer uma verificação necessária contra o erro.

Resumo Técnico: Um Benchmark de Métodos de Inferência de Fase Circadiana Não Supervisionada para Dados Transcriptômicos Bulk

Definição do Problema
Os ritmos circadianos na expressão gênica são críticos para compreender o tempo biológico, o metabolismo de fármacos e mecanismos de doenças. No entanto, muitos conjuntos de dados transcriptômicos públicos carecem de tempos de coleta, o que impede a análise direta de padrões temporais. Embora existam métodos não supervisionados para inferir a fase circadiana a partir de matrizes de expressão gênica sem os tempos de coleta, eles não foram sistematicamente comparados. Avaliações anteriores foram frequentemente conduzidas pelos próprios desenvolvedores dos métodos em seus próprios conjuntos de dados, utilizando diferentes pré-processamentos e métricas, o que pode levar a vieses. Além disso, permanece incerto o quão precisamente esses métodos reconstroem as fases das amostras ou os ritmos ao nível do gene (acrofase, amplitude e ritmicidade) em diversos contextos biológicos.

Metodologia
Os autores realizaram um benchmark sistemático de dez métodos de inferência de fase não supervisionados e duas abordagens de linha de base (baseline) baseadas em genes do relógio.

Conjuntos de Dados: A avaliação utilizou 25 conjuntos de dados com tempos de referência conhecidos (16 conjuntos reais de cinco estudos em tecidos humanos e de camundongos e 9 conjuntos de dados simulados) e dois conjuntos de dados de camundongos (fígado e tecido adiposo de Diversity Outbred) sem tempos de coleta. Os conjuntos de dados foram agrupados em seis "famílias" para considerar as dependências entre os estudos.
Métodos Avaliados:
- Métodos Não Supervisionados: CHIRAL, TEMPO, CYCLOPS, CYCLOPS 2.0, COFE, DCPR, PENN, PROTECT, Cyclum e reCAT. Estes empregam várias estratégias, incluindo modelagem probabilística, redes neurais/autoencoders, fatoração de matrizes e ordenação geométrica.
- Linhas de Base (Baselines): Duas linhas de base simples que atribuem fases baseadas na análise de componentes principais (PCA) de 12 genes canônicos do relógio ou de apenas dois genes (ARNTL e NR1D1).
Métricas de Avaliação:
- Primária: Erro Médio Absoluto (MAE) circular alinhado, medindo a menor distância circular entre a fase inferida e a de referência após a otimização da rotação e reflexão globais.
- Secundária: Correlação circular absoluta de Fisher–Lee, fração de amostras dentro de 1 hora da referência, reconstrução ao nível do gene da acrofase e amplitude, e detecção de ritmicidade (ROC AUC).
- Verificações de Robustez: Testes de permutação para estabelecer o desempenho ao nível do acaso, análises de sensibilidade em relação a sementes aleatórias (random seeds), ajustes de lote/covariáveis (ComBat-seq, regressão) e variações de simulação (design de amostragem, tamanho da amostra, forma da onda).
Reprodutibilidade: Os autores tentaram replicar os resultados publicados para todos os métodos; eles reproduziram com sucesso os resultados de oito métodos, mas não conseguiram reproduzir o PENN e o PROTECT com o código disponibilizado.

Principais Resultados

Ranking de Desempenho: O CHIRAL alcançou o menor MAE médio alinhado (1,80 h), superando as duas linhas de base de genes do relógio (2,15 h e 2,20 h). O TEMPO, CYCLOPS e CYCLOPS 2.0 seguiram com erros médios de 2,49–2,80 h. Os seis métodos restantes (COFE, DCPR, PENN, PROTECT, Cyclum, reCAT) apresentaram erros médios de 3,91–4,86 h, que foram apenas marginalmente superiores ao nível do acaso (5,08–5,23 h).
Significância Estatística: Embora o CHIRAL tenha apresentado o menor erro médio, os intervalos de confiança dos principais métodos sobrepõem-se substancialmente. Comparações pós-hoc confirmaram que o CHIRAL foi estatisticamente superior ao grupo de menor desempenho (COFE, PENN, PROTECT), mas não pôde ser distinguido estatisticamente do TEMPO, CYCLOPS ou CYCLOPS 2.0.
Reconstrução ao Nível do Gene: Os quatro principais métodos (CHIRAL, TEMPO, CYCLOPS, CYCLOPS 2.0) e as linhas de base reconstruíram com sucesso as acrofases gênicas com erros medianos de 0,18–0,64 h e identificaram genes rítmicos com ROC AUCs medianos de 0,64–0,70.
Fatores que Influenciam a Precisão:
- Força do Ritmo: A precisão estava fortemente correlacionada com a força dos ritmos dos genes do relógio no conjunto de dados (Spearman $\rho = -0,58$ ). Conjuntos de dados com ritmos fracos (ex: estriado humano) geraram erros maiores para todos os métodos.
- Ajuste de Lote/Covariável: O impacto do ajuste variou conforme o método. A correção ComBat-seq melhorou significamente o CYCLOPS e o CYCLOPS 2.0, mas degradou o desempenho do TEMPO. Notavelmente, a regressão de covariáveis (como o intervalo pós-morte) que estão correlacionadas com o tempo removeu os sinais circadianos, aumentando os erros para o CHIRAL e as linhas de base além do nível do acaso.
- Sensibilidade à Simulação: Em simulações, o CYCLOPS e o COFE tiveram um desempenho excepcional (erro de 0,3–0,4 h), mas isso não se traduziu para dados reais, sugerindo que os modelos simulados podem favorecer suposições específicas de cada método.
- Sementes Aleatórias (Random Seeds): Os resultados para DCPR, TEMPO, PENN, PROTECT e Cyclum mostraram alta sensibilidade às sementes aleatórias (SD de 0,27–0,49 h), enquanto o CHIRAL e o CYCLOPS foram altamente estáveis.
Conjuntos de Dados Sem Tempos de Coleta: Nos conjuntos de dados de camundongos Diversity Outbred, o CHIRAL foi o único método consistente com as acrofases de referência externas para o tecido hepático. No entanto, nenhum método concordou com as referências de tecido adiposo, e a concordância de fase entre tecidos foi baixa mesmo para o melhor método (correlação 0,47).

Significância e Alegações
O artigo fornece a primeira comparação sistemática e independente de métodos de inferência de fase circadiana não supervisionados usando um protocolo unificado. Os autores alegam que:

O CHIRAL é o método líder atual para dados de RNA-seq bulk, oferecendo o menor erro médio e desempenho consistente entre os conjuntos de dados, embora o TEMPO, CYCLOPS e CYCLOPS 2.0 continuem sendo alternativas razoáveis.
O conhecimento prévio de genes do relógio é benéfico, mas não suficiente. Embora as linhas de base usando genes do relógio tenham tido um bom desempenho, foram superadas pelo CHIRAL. Contudo, métodos que dependem exclusivamente de priors circadianos (como o DCPR) não superaram necessariamente aqueles que não dependem, indicando que a arquitetura do modelo e o tratamento dos dados são igualmente críticos.
O contexto importa. A precisão desses métodos depende fortemente da força do ritmo do conjunto de dados e das etapas específicas de pré-processamento (ex: correção de lote) aplicadas.
Cautela na interpretação. Os autores enfatizam que o ranking reflete o desempenho dessas ferramentas sob as configurações específicas testadas e pode não se generalizar para todos os tipos de dados (ex: single-cell ou proteômica, para os quais algumas ferramentas foram originalmente projetadas). Eles também observam que a incapacidade de reproduzir o PENN e o PROTECT limita as conclusões sobre essas ferramentas específicas.

O estudo conclui que, embora a inferência de fase não supervisionada seja uma ferramenta viável para analisar dados transcriptômicos não anotados, os usuários devem considerar cuidadosamente as características específicas de seu conjunto de dados e a estabilidade do método escolhido.

Mais como este