[論文レビュー] CloudPred: Predicting Patient Phenotypes From Single-cell RNA-seq

Bryan He, Matthew Thomson+4 more|arXiv (Cornell University)|Oct 13, 2021

Single-cell and spatial transcriptomics参考文献 20被引用数 4

ひとこと要約

CloudPredは、各患者の細胞集団を微分可能ガウス混合モデルとしてモデル化することで、単一細胞RNA-Seqデータから患者の表現型（例：リウマチ性疾患の有無）を予測する、新しい解釈可能な機械学習フレームワークである。Lupusデータセットにおいて0.98のAUROCを達成し、既存の手法を上回っている。特定のCD4+ T細胞サブポピュレーションが疾患予測に顕著に寄与しており、偽バッチ変換を用いず、細胞数のばらつきにも対応しながら単一細胞解像度を保持している。

ABSTRACT

Single-cell RNA sequencing (scRNA-seq) has the potential to provide powerful, high-resolution signatures to inform disease prognosis and precision medicine. This paper takes an important first step towards this goal by developing an interpretable machine learning algorithm, CloudPred, to predict individuals' disease phenotypes from their scRNA-seq data. Predicting phenotype from scRNA-seq is challenging for standard machine learning methods -- the number of cells measured can vary by orders of magnitude across individuals and the cell populations are also highly heterogeneous. Typical analysis creates pseudo-bulk samples which are biased toward prior annotations and also lose the single cell resolution. CloudPred addresses these challenges via a novel end-to-end differentiable learning algorithm which is coupled with a biologically informed mixture of cell types model. CloudPred automatically infers the cell subpopulation that are salient for the phenotype without prior annotations. We developed a systematic simulation platform to evaluate the performance of CloudPred and several alternative methods we propose, and find that CloudPred outperforms the alternative methods across several settings. We further validated CloudPred on a real scRNA-seq dataset of 142 lupus patients and controls. CloudPred achieves AUROC of 0.98 while identifying a specific subpopulation of CD4 T cells whose presence is highly indicative of lupus. CloudPred is a powerful new framework to predict clinical phenotypes from scRNA-seq data and to identify relevant cells.

研究の動機と目的

• 単一細胞RNA-Seqデータから臨床的表現型を直接予測する機械学習フレームワークの開発。標準的手法の限界を克服することを目的とする。
• 患者間での細胞数のばらつきやscRNA-seqデータの高い異質性に対処し、偽バッチ平均化に依存せずに処理することを目的とする。
• 事前のアノテーションに依存せず、疾患状態を予測する生物学的に意味のある細胞サブポピュレーションを同定することを目的とする。これにより、解釈可能な表現型予測を実現する。
• scRNA-seqデータの幾何的構造（「ポイントクラウド」としての表現）を活用し、スケーラブルでエンドツーエンド微分可能なモデルを構築することを目的とする。
• 実世界のデータセットを用いた検証と、将来のscRNA-seq表現型予測手法のベンチマークに役立つ、体系的なシミュレーションプラットフォームの提供を目的とする。

提案手法

• CloudPredは、各患者のscRNA-seqデータを、それぞれが学習された平均と共分散を持つ潜在的細胞サブポピュレーションを表すガウス混合としてモデル化する。
• 確率的勾配降下法を用いたエンドツーエンド微分可能な最適化により、細胞サブポピュレーションのパラメータと表現型予測重みを同時に学習する。
• アルゴリズムは、患者固有の細胞集団の豊度（連続的Bag-of-Features）を計算し、これを表現型予測用の分類器の入力として用いる。
• 標準的なクラスタリングとは異なり、CloudPredはデータ適合性だけでなく、表現型に対する予測力にも混合成分を最適化する。トレーニング中に臨床ラベルを統合することで、予測性能を向上させる。
• 無教師クラスタリングで初期化されたが、表現型ラベルを用いたファインチューニングにより、生物学的に顕著なサブポピュレーションを同定する。
• 手法の評価のため、制御された疾患サインチャや変動性を有する患者レベルのscRNA-seqデータをシミュレートする合成データ生成フレームワークを構築した。

実験結果

リサーチクエスチョン

• RQ1 細胞数のばらつきや高い異質性が存在するにもかかわらず、単一細胞RNA-Seqデータから患者の表現型（例：疾患状態）を正確に予測できるか？
• RQ2 エンドツーエンド微分可能な混合モデルは、標準的な偽バッチ法やクラスタリングベースの手法に比べ、表現型予測の精度で優れているか？
• RQ3 事前のアノテーションに依存せず、生物学的に意味のある予測可能な細胞サブポピュレーションを自動で同定できるか？
• RQ4 トレーニングセットにおける患者数や細胞数の増加に伴い、モデルの性能はどのように変化するか？
• RQ5 特定の細胞タイプの存在または豊度が、リウマチや人種などの臨床的アウトカムと強く相関しているか、同定できるか？

主な発見

• CloudPredは、リウマチ性疾患の有無を単一細胞RNA-Seqデータから予測する際、複数の評価設定で他手法を大きく上回り、0.98のAUROCを達成した。
• モデルは、自己免疫疾患におけるT細胞の既知の免疫学的役割に一致する、特定のCD4+ T細胞サブポピュレーションの豊度がリウマチの予測に顕著に寄与していることを同定した。
• リウマチデータセットにおいて、20例のトレーニング患者のみでも高い性能を維持しており、限られたデータからの優れた一般化能力を示した。
• 1,000細胞/患者程度で性能が安定化したため、患者あたりのシーケンシング深度を増やすよりも、患者数を増やすことがより有益である可能性を示唆した。
• 100,000細胞を含むサンプルでも、標準CPU上で1秒未塔で表現型予測が可能であり、強力な計算スケーラビリティを示した。
• 体系的なシミュレーションにより、CloudPredは、DeepSetsや偽バッチベースラインを含む多様な合成データ設定で一貫して他手法を上回った。