scLodestar: Scalable probabilistic clustering of single  cells in a continuous probability space

Resumo Técnico do scLodestar

Problema
A análise convencional de sequenciamento de RNA de célula única (scRNA-seq) baseia-se em algoritmos de agrupamento "rígido" (hard clustering, como Leiden e Louvain) que atribuem cada célula a um único cluster discreto. Os autores argumentam que esse paradigma impõe uma discretização artificial à realidade biológica, onde as células frequentemente existem em trajetórias de diferenciação contínuas, coexpressam marcadores de múltiplas linhagens e ocupam estados transicionais. O agrupamento rígido obscurece essa heterogeneidade, força decisões arbitrárias de fronteira e falha em fornecer uma quantificação de incerteza fundamentada. Além disso, as alternativas existentes — como o agrupamento suave (soft clustering), inferência de trajetória ou modelos generativos profundos — frequentemente carecem de escalabilidade para conjuntos de dados de escala de atlas, falham em fornecer membros interpretáveis ou exigem conhecimento prévio de direcionalidade.

Metodologia
O scLodestar (Single Cell Landmark-based Teleportation Markov Chain Clustering) propõe um framework onde cada célula é representada não como um rótulo discreto, mas como uma distribuição de probabilidade sobre um conjunto de $L$ estados "marco" (landmarks) dentro de um simplex de probabilidade $\Delta_{L-1}$. O fluxo de trabalho consiste em três estágios primários:

1. Construção de Grafo: Um grafo de vizinhos mais próximos compartilhados (SNN) é construído a partir de embeddings celulares (tipicamente coordenadas de PCA). Os pesos das arestas são determinados pela similaridade de Jaccard dos conjuntos de vizinhos, seguidos de podagem opcional e renormalização anisotrópica para lidar com a heterogeneidade de densidade.
2. Seleção de Marcos Sensível à Densidade: Células representativas (landmarks) são selecionadas via agrupamento k-medoids. Para garantir que regiões esparsas sejam representadas, o método emprega uma amostragem excessiva sensível à densidade, ponderando células de baixa densidade de forma mais elevada durante o processo de seleção. Os autores introduzem um algoritmo customizado OneBatchPAM para acelerar esta etapa.
3. Projeção via Caminhada Aleatória com Reinício (RWR): As células são projetadas no simplex de probabilidade usando o PageRank personalizado. Um caminhante aleatório parte de um marco e, com probabilidade $\alpha$, teletransporta-se de volta para esse marco, ou com probabilidade $1-\alpha$, transita para um vizinho baseado nos pesos SNN. A distribuição estacionária desta caminhada para cada marco define as probabilidades de pertencimento para todas as células. Isso é resolvido via iteração de potência em uma matriz esparsa.

Principais Contribuições Técnicas

• Representação Probabilística: Em vez de rótulos discretos, o scLodestar produz um vetor de pertencimento $m_i \in \Delta_{L-1}$ para cada célula. Isso permite:
  • Quantificação de Incerteza: A incerteza de atribuição é medida via entropia ($H_i$) e margem de probabilidade ($\Delta_i$), identificando células transicionais ou ambíguas.
  • Identificação de Marcadores Contínuos: Genes são identificados correlacionando sua expressão com vetores de pertencimento contínuos em vez de grupos discretos, capturando mudanças graduais de expressão.
  • Imputação Fiel: A expressão gênica é imputada como uma média ponderada por Dirichlet dos perfis de expressão dos marcos. Isso evita a "alucinação" (atribuir padrões de expressão a células com afinidade zero para um estado).
• Escalabilidade via Kernels Customizados: Para abordar o custo computacional de métodos probabilísticos em grandes conjuntos de dados, os autores implementaram dois kernels de alto desempenho em C/Cython:
  • OneBatchPAM: Acelera a seleção de marcos em 400 vezes em comparação ao k-medoids padrão (BanditPAM) usando computações de distância em lote (batched) e terminação precoce.
  • RWR Otimizado para CSR Esparso: Acelera o cálculo da caminhada aleatória em 100 vezes em comparação com implementações do NetworkX, aprovecendo operações de matriz em formato de Linha Comprimida Esparsa (CSR).
• Correção de Lote no Espaço de Probabilidade: O método integra dados de múltiplas amostras alinhando as distribuições de probabilidade no simplex, em vez do espaço de expressão bruta, aproveitando a normalização inerente dos vetores de probabilidade para reduzir a sensibilidade à variação técnica.

Resultados
Os autores validaram o scLodestar através de quatro conjuntos de dados diversos:

1. Medula Óssea Humana (17k células): O método identificou 26 clusters de marcos e revelou populações transicionais com alta entropia que foram obscurecidas pelo agrupamento rígido. Permitiu visualizações de coloração misturada (color-blended) de continentes celulares e detecção de marcadores baseada em correlação.
2. PBMCs de 10x Genomics (3k células): Demonstrou seleção de células baseada em confiança (filtragem de células ambíguas) e imputação de genes fiel. Para marcadores como Ptprc e Reln, a imputação removeu o ruído de fundo sem introduzir sinais espúrios em populações negativas.
3. Mesoderma Embrionário de Camundongo (3 milhões de células): O pipeline processou 3 milhões de células em aproximadamente cinco minutos. Alcançou alta pureza (0,78) e homogeneidade (0,68) em relação às anotações dos autores, capturando com sucesso trajetórias de desenvolvimento complexas e subtipos (ex: subtipos de condrócitos).
4. Doença Renal Diabética (14 doadores): Em um benchmark de correção de lote contra o Harmony, o scLodestar alcançou uma mistura de lotes superior (pontuações iLISI e KBET mais altas) enquanto mantinha métricas de conservação biológica competitivas.

Significância e Alegações
O artigo afirma que o scLodestar fornece um framework unificado que preenche a lacuna entre a nuance biológica e a escalabilidade computacional. Ao representar a identidade celular como uma distribuição de probabilidade completa, ele resolve a tensão entre a natureza contínua da diferenciação e os requisitos discretos dos pipelines de análise padrão.

Os autores enfatizam que sua abordagem:

• Revela Biologia Oculta: Descobre populações transicionais e mudanças graduais de expressão invisíveis ao agrupamento rígido.
• Garante Fidelidade: Evita os artefatos de "alucinação" comuns em métodos de imputação agressivos ao ancorar o denoising na pertença probabilística.
• Escala para o Tamanho de Atlas: Através de co-design algorítmico (OneBatchPAM e CSR-RWR), torna o agrupamento probabilístico viável para conjuntos de dados contendo milhões de células, processando 3 milhões de células em cinco minutos.
• Oferece um Novo Paradigma de Integração: Sugere que alinhar células no espaço de probabilidade é uma alternativa viável e frequentemente superior ao alinhamento no espaço de expressão para remover efeitos de lote.

Os autores concluem que este paradigma probabilístico desloca o campo para análises conscientes da incerteza, permitindo representações mais fiéis da identidade celular à medida que esta escala para conjuntos de dados de nível de atlas.