Resumo Técnico: SCPInt – Desmembramento Explícito da Variação Biológica e de Lote para Integração de Proteômica de Célula Única

Declaração do Problema

A proteômica de célula única (SCP) baseada em espectrometria de massas oferece uma medição direta dos estados funcionais celulares, superando as limitações dos métodos baseados em sequenciamento como o CITE-seq, que capturam menos de 1% do proteoma. No entanto, os dados de SCP baseados em MS são inerentemente de baixo rendimento, necessitando da integração de múltiplos conjuntos de dados para suportar estudos em escala de atlas. Os métodos de integração atuais (ex: Harmony, scVI, Scanorama) são projetados primariamente para dados de contagem de sequenciamento (scRNA-seq) e falham em modelar adequadamente os dados de SCP, que exibem distribuições contínuas, estruturas de ausência heterogêneas e variação técnica substancial decorrente de diversas plataformas e protocolos de preparação de amostras. Além disso, as ferramentas existentes carecem da capacidade de desmembrar e quantificar explicitamente os complexos efeitos de lote específicos para MS-SCP, dificultando a análise a jusante abrangente e a construção de atlas proteômicos unificados.

Metodologia: O Framework SCPInt

O SCPInt é um framework de aprendizado profundo projetado para aprender uma representação biológica unificada enquanto separa explicitamente a variação técnica. Ele aborda dois desafios principais: a modelagem da distribuição específica dos dados proteômicos de MS e o desmembramento de sinais biológicos de efeitos de lote.

1. Arquitetura e Componentes

O modelo opera sobre uma matriz de expressão proteica e rótulos de lote, gerando dois embeddings latentes distintos para cada célula: um embedding biológico e um embedding de lote.

• Encoder (Codificador): Um MLP (perceptron multicamadas) compartilhado extrai características globais da matriz de expressão de entrada. Essas características são projetadas em duas cabeças separadas: uma cabeça biológica e uma cabeça de lote, produzindo os respectivos embeddings.
• Decoder de Mistura Gaussiana Condicionada por Lote (GMM): Diferente dos autoencoders padrão que assumem uma distribuição Gaussiana única, o SCPInt utiliza um modelo de mistura gaussiana de dois componentes adaptado à natureza contínua e com excesso de zeros dos dados de SCP. O decoder recebe a concatenação do embedding biológico e o vetor de rótulo de lote one-hot como entrada. Ele reconstrói a matriz de expressão proteica prevendo o peso da mistura ($\pi$), a média ($\mu$) e a variância ($\sigma$) para cada proteína. Este design garante que o embedding biológico não seja confundido por informações de lote, pois a reconstrução depende da entrada explícita do lote.
• Desmembramento Adversário:
  • Classificador de Lote: Um classificador prevê o rótulo do lote a partir do embedding de lote, incentivando este embedding a capturar integralmente a informação associada ao lote.
  • Discriminador de Lote: Um discriminador tenta prever o rótulo do lote a partir do embedding biológico. Crucialmente, uma Camada de Reversão de Gradiente (GRL) é inserida entre a cabeça biológica e o discriminador. Durante a retropropagação, a GRL inverte o gradiente, forçando o encoder a minimizar a capacidade do discriminador de prever o lote a partir do embedding biológico. Este processo adversário remove explicitamente a informação específica do lote da representação biológica.

2. Função de Perda

A perda total é uma soma ponderada de quatro componentes:

1. Perda de Reconstrução GMM: Maximiza a verossimilhança dos dados observados sob o modelo de mistura gaussiana de dois componentes.
2. Perda de Erro Quadrático Médio (MSE): Uma perda auxiliar aplicada à média da mistura para preservar o perfil global de expressão proteica.
3. Perda de Classificação de Lote: Perda de entropia cruzada no embedding de lote para garantir que este retenha a informação do lote.
4. Perda Adversária: Perda de entropia cruzada no embedding biológico (via discriminador) para remover a informação de lote.

Principais Contribuições

1. Modelagem Consciente da Distribuição: O SCPInt é o primeiro método de integração projetado especificamente para dados de MS-SCP, utilizando um modelo de mistura gaussiana de dois componentes para abordar a distribuição contínua e a inflação de zeros inerentes à proteômica, em vez de depender de suposições baseadas em contagens.
2. Desmembramento Explícito: O framework vai além da correção de lote implícita. Ao gerar embeddings biológicos e de lote separados, ele permite a preservação simultânea da estrutura biológica e a quantificação explícita da varação técnica.
3. Fenótipos Técnicos Quantitativos: Os embeddings de lote servem como "fenótipos técnicos quantitativos", permitindo a medição do viés de plataforma, efeitos de criopreservação e sensibilidade técnica específica de tipo celular.

Resultados

O SCPInt foi avaliado através de seis tarefas de integração compreendendo 18 conjuntos de dados de oito estudos independentes, abrangendo múltiplas tecnologias, estágios de desenvolvimento e condições de amostra.

• Benchmarking em Conjuntos de Dados Heterogêneos: Em tarefas envolvendo múltiplos lotes de estudos únicos (ex: Huffman et al.) e integração entre estudos (ex: Derks, Leduc, Specht), o SCPInt superou consistentemente os métodos de última geração (Harmony, scVI, Scanorama, LIGER, scProtein). Ele alcançou um equilíbrio superior entre conservação biológica (preservação da separação de tipos celulares) e correção de lote (mistura de células de diferentes lotes).
• Construção de Atlas e Continuidade de Desenvolvimento: Aplicado a dados de SCP de cérebro humano através de estágios de desenvolvimento (GW13, GW15, GW19), o SCPInt integrou com sucesso os dados enquanto preservava os manifolds de desenvolvimento contínuos. Ele permitiu a reconstrução de trajetórias de desenvolvimento proteômico de glia radial para neurônios excitatórios, um feito onde outros métodos falharam em manter a continuidade ou a separação de tipos celulares.
• Identificação de Estados Celulares: Em conjuntos de dados de macrófagos, o SCPInt preservou estados biológicos distintos (ex: tratados com LPS vs. não tratados) enquanto removia os efeitos de lote. Identificou estados "Normais" e "Inflamatórios" biologicamente significativos, com a análise de enriquecimento de vias confirmando que os estados identificados correlacionavam-se com a sinalização de IFN Tipo I e reprogramação metabólica.
• Quantificação da Variação Técnica:
  • Viés de Plataforma: Usando embeddings de lote, o SCPInt quantificou a separação entre três plataformas de MS (pSCoPE, SCoPE2, plexDIA). Os resultados alinharam-se com princípios técnicos conhecidos, mostrando que pSCoPE e SCoPE2 (baseados em TMT) estavam mais próximos entre si do que do plexDIA (baseado em DIA).
  • Efeitos de Preparação de Amostra: Em dados de tecido fresco vs. congelado, o SCPInt revelou que, embora as diferenças de plataforma explicassem a maior parte da variância, os efeitos de criopreservação eram específicos do tipo celular. Por exemplo, os condrócitos mostraram um deslocamento maior de "fresco para congelado" do que outros tipos celulares, e a direção desse deslocamento variou entre os tipos celulares, indicando uma variação técnica estruturada em vez de ruído aleatório.

Significância e Alegações

O artigo afirma que o SCPInt altera o paradigma da integração de proteômica de célula única de uma remoção implícita de efeito de lote para uma representação biológica unificada acoplada a uma análise explícita, interpretável e quantitativa da variação técnica.

Ao fornecer uma base para a construção de atlas escaláveis, o SCPInt aborda a fragmentação dos atuais conjuntos de dados de MS-SCP. A capacidade de gerar fenótipos técnicos quantitativos permite que pesquisadores avaliem sistematicamente fluxos de trabalho experimentais, instrumentação e estratégias de preparação de amostras. Os autores afirmam que essa capacidade apoia uma construção de atlas mais reprodutível e a otimização de fluxos de trabalho de SCP, particularmente em contextos onde metadados detalhados não estão disponíveis.

Limitações Reconhecidas:
Os autores observam que o SCPInt atualmente depende de rótulos de lote predefinidos e não identifica os fatores experimentais causais por trás dos desvios técnicos. Além disso, o framework é projetado para integração de matriz de expressão e não modela coordenadas espaciais ou características derivadas de imagem, limitando sua aplicação direta a tecnologias de SCP espacialmente resolvidas como scDVP.