ScRNA-seq Alt Kümeleri Kullanılarak Uzamsal Transkriptomik Verilerin Seyrek Dekonvolüsyonu ile Hücre Tipi Heterojenitesının Ortaya Konması

Abstract

Hücrelerin doğal ortamlarındaki uzamsal organizasyonu, mimarilerini, karşılıklı etkileşimlerini ve işlevlerini anlamak açısından çok önemlidir ve bu da Uzamsal Transkriptomik (ST) yönteminin ortaya koymayı hedeflediği bir konudur. Ancak günümüz teknolojisi, tüm genom kapsayıcılığına sahip tek hücre çözünürlüğünde uzamsal organizasyonun belirlenmesinde yetersiz kalmaktadır. Bu hedef, kısmen tek hücreli RNA dizileme (scRNA-seq) yöntemiyle sağlansa da, bu süreçte uzamsal bilgi kaybı yaşanmaktadır. Bu nedenle, hem uzamsal hem de yüksek çözünürlüklü hücresel verilerin elde edilebilmesi için ST ve scRNA-seq veri kümeleri birlikte kullanılarak çözümlenme (dekonvolüsyon) işlemi gibi hesaplamalı yöntemlerden yararlanılmaktadır. scRNA-seq aracılığıyla ST'nin çözümlenmesi umut vadetse de, hala aşılması gereken bazı engeller bulunmaktadır. Parti (batch) arası etkiler teknik varyansa yol açarken, dikkate alınması gereken biyolojik varyanslar da mevcuttur. Çoğu dekonvolüsyon yöntemi, hedef verideki tüm referans hücre türlerini tahmin etmeye çalışırken, hücresel heterojenite gibi biyolojik ayrıntıları ve nadir ya da geçiş halindeki alt popülasyonları göz ardı ederek, gerçek hücre türü lokalizasyonlarının tahmin gücünü sınırlandırmaktadır. Bu zorlukları aşmak için, hücre türü alt kümelendirmesini içeren Uzamsal Transkriptomik çözümlenmesini geliştiren WISpR-DeFine (İyi Çözünürlüklü Dekonvolüsyon için Ağırlıklı Seyrek Regresyon) adlı yeni teknik geliştirdik. WISpR-DeFine, anlık tek hücre referans verilerinde mevcut olan hücre tipi heterojenliğini hesaba katarak daha hassas ve ayrıntılı dekonvolüsyona olanak tanır. Toplam 4 veri setinde (2 hasta, 1 sağlıklı ve SeqFISH+) karşılaştırmalı olarak incelendiğinde, WISpR'ye kıyasla tahmin üstünlüğü göstermiştir. Ayrıca, yaygın olarak kullanılan toplu etki düzeltme araçlarını karşılaştırarak toplu etki zorluğunu ele aldık ve LIGER'i en doğru model olarak belirledik.

The spatial organization of cells in their native environment is crucial to understand their architectures, cross-talks and functionalities, what spatial transcriptomics (ST) aims to reveal. However, today's technology lacks the identification of whole genome coverage single-cell resolution spatial organization. Whereas this goal is partially achieved by single-cell RNA sequencing (scRNA-seq), with the cost of spatial information loss. Therefore, to obtain both spatial and high-resolution cellular data, deconvolution is used as one of the computational processes using ST and scRNA-Seq datasets as inputs. Deconvoluting ST through scRNA-seq holds promise, but there are still a number of obstacles to overcome. Batch effects results in technical variance, together with the biological variances that are needed to be focused. Most deconvolution methods attempt to predict all reference cell types across the target data, often overlooking biological nuances such as cellular heterogeneity and rare or transitional subpopulations, limiting the prediction strengths of the true cell-type localizations. To overcome these challenges, we developed a new technique named WISpR-DeFine (Weight Induced Sparse Regression for Deconvolution in Fine-Resolution), which is an extension of the original WISpR framework that enhances ST deconvolution by incorporating cell-type subclustering. WISpR-DeFine allows for more precise and nuanced deconvolution by accounting for cell-type heterogeneity present in snapshot single-cell reference data. Benchmarked in total 4 datasets (2 diseased ,1 healthy and SeqFISH+), it showed its prediction superiority compared to WISpR. Moreover, we addressed the batch effect challenge by benchmarking the widely used batch-effect correction tools and identified LIGER as the best accurate model.