[論文レビュー] SimCD: Simultaneous Clustering and Differential expression analysis for single-cell transcriptomic data

Seyednami Niyakan, Ehsan Hajiramezanali+3 more|arXiv (Cornell University)|Apr 4, 2021

Single-cell and spatial transcriptomics参考文献 38被引用数 5

ひとこと要約

SimCD は、階層的ガンマ負の二項分布（hGNB）モデルを用いて、単一細胞RNA-Seqデータにおいて同時にクラスタリングと差分発現解析を実行する統合的ベイジアン手法である。細胞の異質性と動的遺伝子発現変化の両方を一つの枠組みでモデル化することで、正規化や補完処理を必要とせず、既知のおよび未知のバイオマーカーをより正確に同定できる。従来の分離型クラスタリングおよびDE解析手法に比べ、優れた性能を発揮する。

ABSTRACT

Single-Cell RNA sequencing (scRNA-seq) measurements have facilitated genome-scale transcriptomic profiling of individual cells, with the hope of deconvolving cellular dynamic changes in corresponding cell sub-populations to better understand molecular mechanisms of different development processes. Several scRNA-seq analysis methods have been proposed to first identify cell sub-populations by clustering and then separately perform differential expression analysis to understand gene expression changes. Their corresponding statistical models and inference algorithms are often designed disjointly. We develop a new method -- SimCD -- that explicitly models cell heterogeneity and dynamic differential changes in one unified hierarchical gamma-negative binomial (hGNB) model, allowing simultaneous cell clustering and differential expression analysis for scRNA-seq data. Our method naturally defines cell heterogeneity by dynamic expression changes, which is expected to help achieve better performances on the two tasks compared to the existing methods that perform them separately. In addition, SimCD better models dropout (zero inflation) in scRNA-seq data by both cell- and gene-level factors and obviates the need for sophisticated pre-processing steps such as normalization, thanks to the direct modeling of scRNA-seq count data by the rigorous hGNB model with an efficient Gibbs sampling inference algorithm. Extensive comparisons with the state-of-the-art methods on both simulated and real-world scRNA-seq count data demonstrate the capability of SimCD to discover cell clusters and capture dynamic expression changes. Furthermore, SimCD helps identify several known genes affected by food deprivation in hypothalamic neuron cell subtypes as well as some new potential markers, suggesting the capability of SimCD for bio-marker discovery.

研究の動機と目的

• 従来の単一細胞RNA-Seq解析手法がクラスタリングと差分発現（DE）解析を別々の段階で実行するという限界を解消すること。
• 生物学的および技術的ノイズを考慮しながら、細胞クラスタと動的遺伝子発現変化を同時に推定する統合的統計モデルの開発。
• 正規化や補完処理を必要とせず、遺伝子レベルおよび細胞レベルの要因を組み込むことで、ゼロ過剰な単一細胞RNA-Seqデータのモデリングを改善すること。
• 特に食事制限のような複雑な条件下でも、条件特異的な差分発現遺伝子を、異質な細胞集団において頑健に同定すること。
• 統合的解析により、単一細胞トランスクリプトミクスデータにおける既知および未知のバイオマーカーの同定を促進すること。

提案手法

• SimCD は、過分散およびゼロ過剰を遺伝子レベルおよび細胞レベルのランダム効果で捉える階層的ガンマ負の二項分布（hGNB）モデルを用いて、単一細胞RNA-Seqカウントデータを統合的にモデリングする。
• 生物学的共変量（例：処理条件、細胞タイプ）を遺伝子および細胞レベルに明示的に組み込むことで、技術的ばらつきに対する耐性を高める。
• 潜在変数（細胞クラスタの割り当て、差分発現効果など）を一貫したベイジアン枠組み内で効率的なギブスサンプリングアルゴリズムで推定する。
• hGNB モデルにより、制御対食事制限などの条件下での遺伝子発現変化を動的かつ同時にモデリング可能であり、細胞サブポピュレーションの同定も可能である。
• 統計的に厳密な分布フレームワークを用いて、生のカウントデータを直接モデリングすることで、正規化や補完処理を不要とする。
• 動的発現パターンを通じて自然に細胞の異質性を定式化し、より生物学的に整合性のあるクラスタリングおよびDE結果をもたらす。

実験結果

リサーチクエスチョン

• RQ1 逐次的手法と比較して、統合的統計モデルが単一細胞RNA-Seqデータにおけるクラスタリングと差分発現解析の両方を同時に改善できるか。
• RQ2 階層的hGNBモデルで遺伝子レベルおよび細胞レベルの要因を同時にモデリングすることで、生物学的に有意義な差分発現および細胞クラスタの検出がどの程度向上するか。
• RQ3 実世界の単一細胞RNA-Seqデータセットにおいて、SimCDが既知および未知のバイオマーカーを同定する際、最先端手法をどの程度上回るか。
• RQ4 SimCD は正規化や補完処理を必要とせず、分析性能を維持または向上させることができるか。
• RQ5 SimCD は、視床下部ニューロンにおける食事制限反応の動的発現変化をどの程度正確に捉えられるか。

主な発見

• CORTEX データセットでは、SimCD が差分発現解析で AUC-ROC 0.3153 を達成し、ZINB-WaVE（0.2436）および scVI（0.2977）を上回った。
• PBMC4k データセットでは、SimCD が AUC-ROC 0.4699 を達成し、ZINB-WaVE（0.4420）および scVI（0.4163）を顕著に上回った。
• 視床下部ニューロンデータセットでは、SimCD が 10 個の既知の食事制限応答遺伝子を同定し、新たな潜在的バイオマーカーを同定した。特に、シナプス小胞およびニューロンアポトーシス関連プロセス（例：GO:0097458、P = 5.9e-06）が有意に豊富化された。
• SimCD のDE結果は、DESingle や DESeq2 と比較してより生物学的に整合性が高く、シナプス小胞および細胞外オルガネラ関連語彙（例：GO:0031988、P = 1.3e-11）が顕著に豊富化された。
• アブレーションスタディでは、細胞レベルの共変量を含めることで、CORTEX データセットにおけるさまざまな潜在要因数（K）の下で調整済みシルエット幅（ASW）として測定されたクラスタリング精度が向上した。
• B細胞（AUC = 0.7517 ± 0.0104）および樹状細胞（AUC = 0.8720 ± 0.0155）における差分発現遺伝子の同定において、SimCD は DESeq2 や sigEMD を上回る優れた性能を発揮した。