[논문 리뷰] Identifying and removing the cell-cycle effect from single-cell RNA-Sequencing data

Martin Barron, Jun Li|arXiv (Cornell University)|2016. 05. 15.

Single-cell and spatial transcriptomics참고 문헌 44인용 수 5

한 줄 요약

이 논문은 단일세포 RNA-Seq 데이터에서 세포주기 유도 전사 노이즈를 식별하고 제거하기 위한 새로운 방법인 ccRemover를 소개한다. 세포주기 서명 행렬과 반복 회귀를 활용함으로써 ccRemover는 세포주기 변동을 효과적으로 억제하면서 생물학적으로 의미 있는 신호를 유지하며, 시뮬레이션된 데이터와 실제 데이터에서 모두 후속 클러스터링 정확도를 크게 향상시킨다.

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.

연구 동기 및 목표

• 단일세포 RNA-Seq 데이터에서 세포주기의 혼란 요인 작용을 해결하기 위해, 이는 세포 유형 내에서 잘못된 이질성을 유도한다.
• 기타 생물학적으로 의미 있는 발현 패tern을 손상시키지 않으면서 세포주기 관련 전사 변동을 정확하게 식별하는 방법을 개발하기 위해.
• 세포주기로 인한 체계적 노이즈를 제거하여, 특히 클러스터링과 같은 후속 분석의 성능을 향상시키기 위해.
• 이질적인 조직에서 세포 유형 탐지의 해상도를 향상시키는 신뢰할 수 있는 사전처리 도구를 제공하기 위해.

제안 방법

• ccRemover는 문헌에서 알려진 세포주기 단계 마커를 사용하여 세포주기 서명 행렬을 구성한다.
• 반복 회귀 프레임워크를 적용하여 각 세포의 유전자 발현 프로파일에서 세포주기 기여도를 추정하고 빼낸다.
• 이상치의 영향을 최소화하고 제거 과정의 안정성을 확보하기 위해 강력한 추정 절차를 사용한다.
• 세포주기 영향을 단계별 유전자 집합의 선형 조합으로 모델링함으로써 발현 변동의 정밀한 분해를 가능하게 한다.
• 식별된 세포주기 성분에만 집중함으로써 비세포주기 생물학적 신호를 유지하도록 알고리즘을 설계한다.
• 일반화성과 효과성을 보장하기 위해 시뮬레이션 연구와 실제 scRNA-Seq 데이터셋을 통해 검증된다.

실험 결과

연구 질문

• RQ1 계산 기반 방법이 단일세포 RNA-Seq 데이터에서 세포주기 관련 전사 변동을 신뢰성 있게 식별하고 분리할 수 있는가?
• RQ2 세포주기 영향을 제거하면 진정한 생물학적 세포 유형을 구분하는 데 클러스터링 알고리즘의 정확도가 향상되는가?
• RQ3 세포주기 노이즈를 효과적으로 억제하면서 비세포주기 생물학적 신호를 유지할 수 있는가?
• RQ4 신호 유지와 노이즈 감소 측면에서 기존 방법과 비교해 ccRemover는 어떻게 성능을 발휘하는가?

주요 결과

• ccRemover는 시뮬레이션된 데이터와 실제 scRNA-Seq 데이터셋 모두에서 세포주기 유도 변동을 성공적으로 감소시켜 더 명확한 생물학적 분리를 이룬다.
• 세 가지 실제 데이터셋에서 조정된 랜드 지수와 실루엣 스코어로 측정한 후속 클러스터링 알고리즘의 성능이 향상된다.
• 기존 방법보다 ccRemover가 비세포주기 생물학적 신호를 더 잘 유지하여 생물학적으로 의미 있는 성분을 제거할 위험을 최소화한다.
• ccRemover의 반복 회귀 프레임워크는 데이터 내 노이즈와 이상치 세포에 대해 뛰어난 강건성을 보였다.
• 사전 정의된 세포주기 서명 행렬의 사용은 보정 과정의 재현성과 해석 가능성 향상에 기여한다.