[論文レビュー] Identifying and removing the cell-cycle effect from single-cell RNA-Sequencing data

Martin Barron, Jun Li|arXiv (Cornell University)|May 15, 2016

Single-cell and spatial transcriptomics参考文献 44被引用数 5

ひとこと要約

本稿では、単一細胞RNA-Seqデータからの細胞周期駆動型転写ノイズを特定および除去するための新規手法ccRemoverを紹介する。細胞周期シグネチャー行列と反復回帰を活用することで、ccRemoverは細胞周期のばらつきを効果的に抑制しつつ、生物学的に意味のある信号を保持し、シミュレート済みおよび実際のデータセットにおいて、後続のクラスタリング精度を顕著に向上させる。

ABSTRACT

Single-cell RNA-Sequencing (scRNA-Seq) is a revolutionary technique for discovering and describing cell types in heterogeneous tissues, yet its measurement of expression often suffers from large systematic bias. A major source of this bias is the cell cycle, which introduces large within-cell-type heterogeneity that can obscure the differences in expression between cell types. The current method for removing the cell-cycle effect is unable to effectively identify this effect and has a high risk of removing other biological components of interest, compromising downstream analysis. We present ccRemover, a new method that reliably identifies the cell-cycle effect and removes it. ccRemover preserves other biological signals of interest in the data and thus can serve as an important pre-processing step for many scRNA-Seq data analyses. The effectiveness of ccRemover is demonstrated using simulation data and three real scRNA-Seq datasets, where it boosts the performance of existing clustering algorithms in distinguishing between cell types.

研究の動機と目的

• 単一細胞RNA-Seqデータにおける細胞周期の混同効果を解消すること。これは、細胞タイプ内に誤った異質性を導入する。
• 他の生物学的に意味のある発現パターンを損なうことなく、細胞周期関連の転写ばらつきを正確に同定する手法を開発すること。
• 細胞周期に起因するシステム的ノイズを除去することで、特にクラスタリングを含む後続解析の性能を向上させること。
• 不均一な組織における細胞タイプ同定の解像度を向上させる信頼性の高い前処理ツールを提供すること。

提案手法

• ccRemoverは、文献から得た既知の細胞周期フェーズマーカーを用いて、細胞周期シグネチャー行列を構築する。
• 反復的回帰フレームワークを適用し、各細胞の遺伝子発現プロファイルからの細胞周期寄与を推定・差し引く。
• 外れ値の影響を最小限に抑えて、除去プロセスの安定性を確保するためのレジラント推定手順を用いる。
• 細胞周期効果をフェーズ特異的遺伝子群の線形結合としてモデル化することで、発現ばらつきの正確な分解を可能にする。
• 特定された細胞周期コンポonentにのみ焦点を当てることで、非細胞周期の生物学的信号を保持するように設計されている。
• 一般化可能性と有効性を確認するため、シミュレーションスタディおよび実際のscRNA-Seqデータセットを用いて検証されている。

実験結果

リサーチクエスチョン

• RQ1 計算的手法は、単一細胞RNA-Seqデータにおける細胞周期関連の転写ばらつきを信頼性を持って特定および分離できるか？
• RQ2 細胞周期効果を除去することで、クラスタリングアルゴリズムが真の生物学的細胞タイプを区別する精度が向上するか？
• RQ3 細胞周期ノイズを効果的に抑制しつつ、非細胞周期の生物学的信号を保持できるか？
• RQ4 信号保持とノイズ低減の観点から、ccRemoverは既存の手法と比較してどのように差をつけるか？

主な発見

• ccRemoverは、シミュレート済みおよび実際のscRNA-Seqデータセットにおいて、細胞周期駆動のばらつきを効果的に低減し、生物学的分離が明確になることを示した。
• 3つの実データセットにおいて、調整ランダムインデックスとシルエットスコアを用いた測定で、ccRemoverは後続のクラスタリングアルゴリズムの性能を向上させた。
• 既存の手法よりも非細胞周期の生物学的信号をよりよく保持しており、生物学的に関連するコンponentsを除去するリスクを最小限に抑える。
• ccRemoverの反復的回帰フレームワークは、データ内のノイズや外れ値に対してレジリエンスを示した。
• 事前に定義された細胞周期シグネチャー行列の使用により、補正プロセスの再現性と解釈可能性が向上した。