[논문 리뷰] Negative binomial count splitting for single-cell RNA sequencing data

Anna Neufeld, Joshua M Popp외 3명|arXiv (Cornell University)|2023. 07. 24.

Single-cell and spatial transcriptomics인용 수 5

한 줄 요약

이 논문은 단일 scRNA-seq 카운트 매트릭스에서 생물학적 복제가 없이도 통계적 독립성을 유지하는 훈련 및 테스트 데이터셋을 생성하기 위해 과분산 데이터에서 부정이항 분포 모델을 기반으로 한 디리슈레-다중항 샘플링을 활용한 부정이항 카운트 스플릿팅을 제안한다. 이 방법은 과분산 데이터에서 포아송 카운트 스플릿팅보다 우수한 성능을 보이며, 생물학적 복제가 필요 없이도 scRNA-seq 분석에서 유효한 모델 검증 및 재현성 평가를 가능하게 한다.

ABSTRACT

The analysis of single-cell RNA sequencing (scRNA-seq) data often involves fitting a latent variable model to learn a low-dimensional representation for the cells. Validating such a model poses a major challenge. If we could sequence the same set of cells twice, we could use one dataset to fit a latent variable model and the other to validate it. In reality, we cannot sequence the same set of cells twice. Poisson count splitting was recently proposed as a way to work backwards from a single observed Poisson data matrix to obtain independent Poisson training and test matrices that could have arisen from two independent sequencing experiments conducted on the same set of cells. However, the Poisson count splitting approach requires that the original data are exactly Poisson distributed: in the presence of any overdispersion, the resulting training and test datasets are not independent. In this paper, we introduce negative binomial count splitting, which extends Poisson count splitting to the more flexible negative binomial setting. Given an $n imes p$ dataset from a negative binomial distribution, we use Dirichlet-multinomial sampling to create two or more independent $n imes p$ negative binomial datasets. We show that this procedure outperforms Poisson count splitting in simulation, and apply it to validate clusters of kidney cells from a human fetal cell atlas.

연구 동기 및 목표

• 생물학적 복제가 없는 상황에서 단일세포 RNA-seq 데이터에서 잠재변수 모델을 검증하는 데 도전하는 것.
• 과분산 상황에서 유도된 훈련 및 테스트 세트 간의 의존성으로 인해 실패하는 포아송 카운트 스플릿팅의 한계를 극복하는 것.
• 실제 부정이항 분포를 반영하면서도 통계적 독립성을 유지하는 유연하고 일반화 가능한 scRNA-seq 모델 검증 및 추론 방법을 개발하는 것.
• 인간 배아 신장 세포 어트라스와 같은 복잡한 데이터셋에서 클러스터 재현성 및 모델 적합도를 신뢰성 있게 평가할 수 있도록 하는 것.

제안 방법

• 과분산된 scRNA-seq 데이터를 다룰 수 있도록 포아송 카운트 스플릿팅의 확장으로서 부정이항 카운트 스플릿팅을 제안한다.
• 각 관측 카운트를 두 개 이상의 통계적 독립적인 부정이항 카운트로 분할하기 위해 디리슈레-다중항 샘플링을 사용한다.
• 전체 데이터셋에서 추정한 유전자별 과분산 매개변수를 갖는 부정이항 분포로 원본 데이터를 모델링한다.
• 과분산 매개변수를 조건부로 하고 대칭적 분할(예: ε₁ = ε₂ = 0.5)을 사용함으로써 생성된 훈련 및 테스트 데이터셋 간의 통계적 독립성을 확보한다.
• 클러스터링, 노이즈 제거, 연관성 테스트 등의 후속 분석을 위한 훈련 및 테스트 세트로 scRNA-seq 데이터를 분할한다.
• R 패키지 countsplit과 함께 제공되는 튜토리얼을 통해 기존 scRNA-seq 워크플로우에 이 방법을 통합한다.

Figure 1: (a) Data $X\in\mathbb{Z}_{\geq 0}^{100\times 2}$ , where each entry $X_{ij}$ is drawn independently from a negative binomial distribution with mean $5$ and variance $10$ . (b) The same data $X$ , colored by the clusters estimated when $k$ -means with $K=2$ is applied to $\log(X+1)$ . (c) T

실험 결과

연구 질문

• RQ1 생물학적 복제가 없이도 과분산 상황에서 통계적 독립성을 유지하면서 단일 scRNA-seq 카운트 매트릭스에서 독립적인 훈련 및 테스트 데이터셋을 생성할 수 있는가?
• RQ2 과분산된 데이터에서 모델 검증 성능 측면에서 부정이항 카운트 스플릿팅은 포아송 카운트 스플릿팅보다 어떻게 비교되는가?
• RQ3 기본 샘플 분할 방식에서 데이터를 이중으로 사용할 경우 scRNA-seq에서 클러스터 재현성 추정치가 얼마나 과대평가되는가?
• RQ4 인간 배아 신장과 같은 복잡한 조직에서 부정이항 카운트 스플릿팅은 주요 세포 유형과 희귀 아형 간의 재현성 차이를 감지할 수 있는가?
• RQ5 분할 절차에서 과분산을 고려할 경우, 클러스터 검증 및 유전자 연관성 테스트와 같은 후속 분석에서 더 신뢰할 수 있는 추론이 가능해지는가?

주요 결과

• 부정이항 카운트 스플릿팅은 포아송 카운트 스플릿팅이 유도하는 의존성으로 인해 실패하는 것과는 달리, 과분산 조건 하에서도 단일 scRNA-seq 매트릭스에서 통계적 독립성을 유지하는 훈련 및 테스트 세트를 성공적으로 생성한다.
• 시뮬레이션 결과에서 부정이항 카운트 스플릿팅은 통계적 독립성을 유지하고 유효한 모델 검증을 가능하게 하며 포아송 카운트 스플릿팅보다 뛰어난 성능을 보였다.
• 인간 배아 신장 세포 어트라스에 적용한 결과, 부정이항 카운트 스플릿팅은 메타네프릭 세포 아형이 주요 신장 세포 유형보다 재현성이 떨어진다는 사실을 드러내었으며, 이는 기존의 표준 샘플 분할 방식에서는 가려져 있었다.
• 10회의 반복에서 메타네프릭 아형에 대해 조정된 랜드 지수(ARIs)가 낮게 나타나 클러스터 안정성이 떨어지는 것으로 나타났으며, 표준 샘플 분할 방식은 데이터 이중 사용으로 인해 재현성을 과대평가하였다.
• 알고리즘 6에서 sctransform 기반의 과분산 매개변수 추정이 포아송 분포를 가정하는 것보다 더 현실적인 재현성 평가를 가능하게 하였으며, 과분산을 모델링하는 것이 중요함을 시사한다.
• R 패키지 countsplit을 통해 부정이항 카운트 스플릿팅을 기존 scRNA-seq 파ip라인에 통합할 수 있으며, 재현 가능한 모델 검증 및 추론을 지원한다.

Figure 2: We generate $100,000$ independent realizations of $\mathbf{X}_{11}\sim\mathrm{NB}(25,8)$ . Then, for 50 values of $b_{1}^{\prime}$ ranging from $10^{-6}$ to $10^{6}$ , we split each of these realizations into $\mathbf{X}^{(1)}_{11}$ and $\mathbf{X}^{(2)}_{11}$ by applying Algorithm 2 with