Incorporating cell states for mapping eQTLs in single-cell studies

Os genes são os manuais de instrução para construir e operar um organismo vivo, mas eles não operam no vácuo. Sua atividade é constantemente ajustada por pequenas variações no próprio código de DNA, conhecidas como variantes genéticas. Os cientistas chamam os locais específicos onde essas variantes influenciam a atividade gênica de "loci de traços de expressão quantitativa" ou eQTLs. Durante décadas, pesquisadores mapearam essas relações estudando grupos de células misturadas, como se estivessem tomando um smoothie de um tecido e medindo o sabor médio. Essa abordagem revelou como os genes são regulados em diferentes órgãos e tipos amplos de células. No entanto, o corpo humano não é um smoothie; é um ecossistema complexo onde células individuais dentro do mesmo tecido podem estar em estados de atividade, maturidade ou resposta ao ambiente vastamente diferentes. Uma célula pode estar em repouso, dividindo-se ou combatendo uma infecção, e sua regulação genética pode mudar dependendo desse estado específico.

O desafio para a ciência moderna é que essas mudanças sutis e dependentes do estado são frequentemente perdidas quando as células são misturadas. Além disso, os dados coletados de células individuais são incrivelmente esparsos e ruidosos, tornando difícil aplicar ferramentas estatísticas padrão sem encontrar erros. Os pesquisadores precisavam de uma maneira de observar a regulação genética dos genes não apenas através de tipos celulares, mas através do espectro contínuo de estados celulares, enquanto também lidavam com a realidade desordenada dos dados de célula única. Sem um método que pudesse navegar por essa complexidade, muitos sinais genéticos importantes permaneciam ocultos, obscurecidos pelo processo de média ou descartados como ruído estatístico.

Para resolver isso, uma equipe de estatísticos e biólogos da Universidade de Tsinghua, da Universidade Capital de Economia e Negócios e da Universidade de Yale desenvolveu um novo framework chamado scarf-QTL. Este método foi projetado para mapear como variantes genéticas influenciam a expressão gênica conforme as células se movem através de diferentes estados, como durante seu desenvolvimento ou em resposta a estímulos. Em vez de agrupar células em baldes rígidos e pré-definidos, os pesquisadores trataram o estado celular como uma coordenada contínua, semelhante a uma linha do tempo ou um espectro. Eles modelaram a expressão gênica como uma função suave movendo-se ao longo desta coordenada, permitindo capturar como um efeito genético pode ser forte em uma parte do espectro e fraco em outra.

A inovação central do scarf-QTL reside em como ele lida com a matemática da associação. Métodos tradicionais frequentemente assumem que a expressão gênica segue uma curva de sino perfeita, uma suposição que frequentemente falha com dados de célula única, que são cheios de zeros e picos irregulares. Quando essas suposições estão erradas, os testes padrão podem produzir alarmes falsos ou perder sinais reais. O novo método utiliza uma abordagem "retrospectiva". Em vez de perguntar como a expressão gênica muda dado um genótipo específico, ele pergunta como o genótipo é distribuído dada a expressão gênica observada. Essa mudança sutil de perspectiva torna o teste robusto contra as distribuições não normais e desordenadas típicas de dados de célula única. Isso permite que os pesquisadores utilizem um modelo computacionalmente eficiente, mantendo ao mesmo tempo um controle rigoroso sobre falsos positivos, garantindo que os sinais encontrados sejam reais.

Os pesquisadores testaram seu método extensivamente usando simulações computacionais antes de aplicá-lo a dados reais. Eles criaram conjuntos de dados artificiais que mimetizavam vários cenários biológicos, incluindo células com efeitos genéticos constantes, efeitos que aumentavam linearmente e padrões complexos como picos ou ciclos. Nessas simulações, o novo método controlou com sucesso a taxa de alarmes falsos, mesmo quando os dados foram gerados a partir de distribuições que não seguiam regras estatísticas padrão. Em contraste, métodos mais antigos que dependiam de suposições estritas sobre a distribuição dos dados começaram a produzir muitos falsos positivos. No que diz respeito à detecção de sinais reais, o novo método provou ser mais poderoso do que a abordagem padrão de "pseudobulk", que faz a média das células. Foi particularmente eficaz na detecção de efeitos genéticos concentrados em estados celulares específicos ou que mudavam de direção, padrões que o método de média frequentemente suavizava até que desaparecessem.

A equipe então aplicou o scarf-QTL ao conjunto de dados OneK1K, uma coleção massiva de dados de sequenciamento de RNA de célula única de 982 indivíduos saudáveis, contendo mais de 1,2 milhão de células sanguíneas de 14 tipos diferentes de células imunes. Neste teste do mundo real, o método identificou 30% mais genes com regulação genética significativa do que a análise anterior de pseudobulk. Esse aumento não foi apenas uma questão de encontrar mais ruído; o novo método descobriu genes específicos que foram totalmente ignorados pela abordagem mais antiga. Por exemplo, em células dendríticas, um tipo de célula imune crucial para combater infecções, o método revelou que a regulação genética frequentemente varia dependendo do subconjunto específico da célula. Um gene, conhecido por ser um marcador para um subconj tipo específico de células dendríticas, mostrou um forte efeito genético apenas em células que haviam progredido para um certo estado. O método antigo, que tratava todas as células dendríticas como um único grupo, falhou em detectar essa associação porque o efeito foi diluído quando calculado pela média de toda a população.

Ao agrupar os padrões desses efeitos genéticos recém-descobertos, os pesquisadores encontraram grupos distintos de genes que se comportavam de forma diferente conforme as células mudavam de estado. Alguns genes mostraram influência genética crescente conforme as células se moviam em direção a um estado de célula dendrítica convencional, enquanto outros mostraram influência decrescente conforme as células se moviam em direção a um estado plasmocitoide. Esses padrões alinharam-se com funções biológicas conhecidas, como a apresentação de antígenos, confirmando que o método estava capturando uma regulação biológica genuína em vez de artefatos estatísticos. A capacidade de ver essas mudanças contínuas e dependentes do estado sugere que muitas variantes genéticas não atuam como simples interruptores de liga/desliga, mas como seletores que aumentam ou diminuem dependendo da condição atual da célula.

A eficiência computacional do método também foi uma descoberta fundamental. Apesar da complexidade de modelar milhões de células individuais, o algoritmo escalou bem, levando aproximadamente o mesmo tempo que os métodos de pseudobulk mais simples ao analisar conjuntos de dados típicos. Essa eficiência é alcançada através do uso de atalhos matemáticos que reduzem a dimensionalidade do problema sem perder a nuance dos dados de célula única. Isso significa que o método pode ser aplicado a conjuntos de dados ainda maiores e mais diversos conforme eles se tornem disponíveis, sem exigir um poder computacional proibitivo.

O estudo conclui que, embora o novo método tenha limitações, como a dificuldade de testar diretamente se um efeito varia através dos estados ou a necessidade de escolhas cuidadosas na definição da coordenada do estado celular, ele representa um passo significativo à frente. Ele fornece uma maneira rigorosa e escalável de descobrir as camadas ocultas da regulação genética que existem dentro do cenário dinâmico das células únicas. Ao ir além da visão estática de tipos celulares e abraçar a natureza contínua dos estados celulares, os pesquisadores podem agora mapear a arquitetura genética do sistema imunológico com um nível de detalhe que era anteriormente inalcançável. As descobertas sugerem que a regulação genética de nossas células é muito mais fluida e dependente de contexto do que anteriormente compreendido, abrindo novos caminhos para entender como a variação genética influencia a saúde e a doença no nível mais fundamental.