Integración multiómica de células individuales

La integración temprana es un método que concatena (mediante la unión de filas y columnas) dos o más conjuntos de datos ómicos en una única matriz de datos. ^{[ 19 ] [ 20 ]} Algunas ventajas de la integración temprana son que el enfoque es simple, altamente interpretable y capaz de capturar relaciones entre características de diferentes modalidades. La integración temprana se emplea principalmente para fusionar conjuntos de datos del mismo tipo de datos (por ejemplo, integrar dos conjuntos de datos scRNA-seq distintos). Esto se debe a que la integración de conjuntos de datos de diferentes modalidades puede conducir a un conjunto de características combinado con rangos de valores de características variables. Por ejemplo, los datos de expresión a menudo abarcan un rango más amplio en comparación con los datos de accesibilidad, que normalmente oscilan entre valores de 0 y 2.

Los enfoques de integración temprana generan matrices de datos con mayor dimensionalidad que la matriz original. Por ello, los métodos de reducción de dimensionalidad, como la selección y la extracción de características, suelen ser pasos necesarios para el análisis posterior. La selección de características consiste en conservar únicamente las variables importantes de las capas ómicas originales, mientras que la extracción de características transforma las características de entrada originales en combinaciones de las mismas. La proyección de datos de alta dimensionalidad a un espacio de menor dimensionalidad reduce el ruido y simplifica el conjunto de datos, lo que facilita su manejo.

La integración intermedia describe una clase de enfoques que buscan analizar múltiples conjuntos de datos ómicos simultáneamente sin necesidad de una transformación previa de los datos (ya que esta ocurre durante la integración de datos). ^{[ 19 ] [ 20 ]} Algunos ejemplos de integración intermedia incluyen la integración basada en similitud, la reducción conjunta de dimensiones y el modelado estadístico.

La integración tardía tiene como objetivo preprocesar y modelar las modalidades ómicas por separado, y luego combinar los dos modelos al final. ^{[ 19 ] [ 20 ]} La ventaja de la integración tardía es que se pueden aplicar herramientas adaptadas para cada modalidad ómica por modalidad. Si bien los enfoques de integración tardía se utilizan comúnmente en el contexto de estudios multiómicos masivos (por ejemplo, análisis Cluster-of-clusters ^{[ 32 ]} y Kernel Learning Integrative Clustering ^{[ 33 ]} ), los enfoques de integración tardía para la integración de células individuales aún son un campo novedoso. Por ejemplo, las técnicas de aprendizaje de conjuntos , como el agrupamiento de conjuntos (por ejemplo, SAME-clustering, ^{[ 34 ]} Sc-GPE, ^{[ 35 ]} EC-PGMGR ^{[ 36 ]} ), han demostrado potencial en la agregación de resultados de agrupamiento de diferentes fuentes. Estos métodos combinan los resultados de agrupamiento de diferentes conjuntos de datos ómicos para crear un agrupamiento de consenso que modela las relaciones entre los resultados de agrupamiento individuales para encontrar una solución de agrupamiento global mejorada en las diferentes modalidades.

Dado que la integración tardía implica analizar cada capa ómica individual por separado antes de integrar los resultados en un resultado consensuado, puede que no logre capturar las interacciones y relaciones entre las diferentes modalidades ómicas. Por ello, algunos grupos argumentan que la integración tardía representa múltiples análisis paralelos de una sola ómica realizados sobre múltiples tipos de datos, en lugar de cumplir el "verdadero objetivo" de la integración multiómica, que es descubrir las relaciones interómicas presentes en los datos multiómicos. ^{[ 20 ]}

Dado que los datos de células individuales son propensos al ruido de origen biológico y técnico, puede ser necesario desarrollar métodos robustos de eliminación de ruido para mitigarlo. ^{[ 47 ]} En el contexto de los experimentos con células individuales, la variación biológica derivada de factores como las explosiones transcripcionales , las diferencias en el ciclo celular y el microambiente celular puede introducir ruido en el conjunto de datos. Además, también debe abordarse la variabilidad técnica resultante de factores como la mala calidad de la secuencia, la cobertura desigual de la secuencia y la contaminación de la muestra.

La integración de diferentes modalidades ómicas puede ser compleja debido a las diferencias en la estructura de los distintos conjuntos de datos. ^{[ 48 ]} Por ejemplo, las características de scRNA-seq se expresan en una escala continua, mientras que los datos de accesibilidad de la cromatina (es decir, scATAC-seq) existen entre 0 y 2 (dos copias de cada región por célula). Por lo tanto, la integración de diferentes modalidades puede requerir pasos adicionales para transformar los conjuntos de datos en un espacio latente común. Aun así, las estrategias de integración, como la integración temprana, pueden presentar problemas de sesgo si la matriz resultante está representada desproporcionadamente por características de una modalidad específica.

El análisis de grandes conjuntos de datos multiómicos de células individuales puede ser computacionalmente intensivo debido a la alta dimensionalidad de los conjuntos de datos. ^{[ 1 ] [ 2 ]} Por lo tanto, las herramientas empleadas para integrar conjuntos de datos deben ser computacionalmente eficientes, o bien se deben utilizar métodos computacionales inicialmente para reducir la dimensionalidad de los conjuntos de datos (véase reducción de dimensionalidad).

Muchos métodos de integración se centran en asociaciones estadísticas en lugar de modelos causales detallados. Por lo tanto, interpretar y validar los resultados puede ser particularmente difícil, especialmente si se utilizó una red neuronal, ya que estos métodos son cajas negras . ^{[ 20 ]} La utilidad y validación de los métodos de integración deben evaluarse en función de aplicaciones prácticas, como la identificación precisa de relaciones multiómicas biológicamente relevantes.

La integración de datos multiómicos de células individuales presenta diferentes desafíos según si los conjuntos de datos coinciden o no. ^{[ 48 ]} Los conjuntos de datos coincidentes se refieren a múltiples capas ómicas que se miden a partir de la misma célula individual, mientras que los datos no coincidentes se refieren a conjuntos de datos que se miden a partir de un conjunto diferente de células. Si bien los conjuntos de datos coincidentes permiten comparaciones directas entre las diferentes capas ómicas dentro de la misma célula, pueden no estar tan disponibles como los conjuntos de datos no coincidentes. Por otro lado, si bien los conjuntos de datos no coincidentes permiten la integración de diferentes fuentes y condiciones, requieren considerar posibles sesgos y factores de confusión (por ejemplo, diferencias en las poblaciones celulares, las condiciones experimentales o los métodos de preparación de muestras entre diferentes conjuntos de datos). Varios enfoques para la integración multiómica para datos no coincidentes incluyen la coincidencia por grupo celular (requiere anotaciones de tipo celular), la coincidencia por características compartidas o enfoques estadísticos como NMF. ^{[ 2 ]}

Por ejemplo, la integración del transcriptoma y la accesibilidad del ADN ha permitido el desarrollo de herramientas bioinformáticas para inferir redes reguladoras de genes específicas de cada tipo celular . ^{[ 49 ] [ 50 ] [ 51 ]} Esto se logra aprovechando la expresión de factores de transcripción y genes diana junto con información cis-reguladora para inferir factores de transcripción relevantes y sus socios reguladores.

Otra aplicación de la integración multiómica consiste en ampliar las definiciones de estados celulares incorporando características observadas en múltiples modalidades. Por ejemplo, la integración de la detección de marcadores proteicos con el perfilado del transcriptoma mediante una tecnología de secuenciación multiómica como CITE-seq puede dilucidar firmas de estados celulares basadas en la expresión conjunta de marcadores reguladores de genes y de superficie. ^{[ 52 ]} Esto permite inferencias más robustas sobre los fenotipos celulares, similares y directamente comparables con los resultados de la citometría de flujo clásica . Además, definir los estados celulares basándose en el análisis de agrupamiento dentro de un espacio latente integrado puede ofrecer estimaciones más estables de los fenotipos celulares en comparación con el análisis dentro de un espacio latente de una sola modalidad. ^{[ 2 ]}

Además, la integración multiómica puede superar las limitaciones específicas de cada modalidad mediante la imputación . Por ejemplo, la mayoría de las tecnologías de secuenciación transcriptómica espacial sufren de una resolución espacial limitada (píxeles que comprenden una mezcla de células locales) y una baja complejidad de características. ^{[ 53 ]} La integración de la transcriptómica espacial con scRNAseq puede ayudar a superar estas limitaciones al admitir la deconvolución espacial de lecturas de baja resolución y estimar las frecuencias de cada tipo de célula. ^{[ 54 ] [ 55 ]}