[论文解读] Estimating Clonality

Yi Liu, Andrew Fire+2 more|arXiv (Cornell University)|Aug 6, 2014

Genomics and Phylogenetic Studies参考文献 5被引用 6

一句话总结

该论文提出了一种基于经验贝叶斯与刀切法的新方法，用于估计群体（如免疫 repertoire 和微生物组）中克隆性——相对频率的二次泛函——的值，方法基于具有不同测序深度的重复测序文库。与现有估计器相比，该方法将均方误差显著降低（超过 98%），即使在底层频率分布未知的情况下，也能实现准确的克隆性估计。

ABSTRACT

Challenges of assessing complexity and clonality in populations of mixed species arise in diverse areas of modern biology, including estimating diversity and clonality in microbiome populations, measuring patterns of T and B cell clonality, and determining the underlying tumor cell population structure in cancer. Here we address the problem of quantifying populations, with our analysis directed toward systems for which previously defined algorithms allow the sequence-based identification of clonal subpopulations. Data come from replicate sequencing libraries generated from a sample, potentially with very different depths. While certain properties of the underlying clonal distribution (most notably the total number of clones) are difficult to estimate accurately from data representing a small fraction of the total population, the population-level "clonality" metric that is the sum of squared probabilities of the respective species can be calculated. (This is the sum of squared entries of a high-dimensional vector $p$ of relative frequencies.) The clonality score is the probability of a clonal relationship between two randomly chosen members of the population of interest. A principal takeaway message is that knowing a functional of $p$ well may not depend on knowing $p$ itself very well. Our work has led to software, which we call {\it lymphclon}; it has been deposited in the CRAN library.

研究动机与目标

• 解决在真实频率分布未知且仅能获得部分测序数据的情况下，对生物群体中克隆性的估计挑战。
• 改进现有免疫 repertoire 测序中克隆性估计器的性能，特别是在文库深度不一致和 PCR 扩增偏差存在的情况下。
• 开发一种方法，无需精确掌握完整频率向量，即可准确估计 Gini-Simpson 指数（克隆性）作为相对频率的二次泛函。
• 提供一种统计上可靠、低偏差、低方差的估计器，适用于免疫细胞或微生物群落产生的高维稀疏测序数据。

提出的方法

• 采用经验贝叶斯估计方法，通过在克隆之间借用信息来减小克隆性估计的方差，利用频率数据的层次化建模。
• 应用刀切法重采样以校正初始克隆性估计器中的偏差，尤其在小样本或高稀疏性情况下。
• 采用五步估计器框架：(1) 从重复文库中计算初始克隆性估计值，(2) 估计这些估计值的协方差矩阵，(3) 对协方差矩阵进行正则化，(4) 使用正则化协方差矩阵的逆矩阵，应用最佳线性无偏估计（BLUE）公式，(5) 通过最终估计函数组合结果。
• 使用帕累托-泊松生成过程对克隆频率进行建模，以模拟具有不同文库深度和扩增偏差的现实测序数据。
• 引入正则化以稳定协方差矩阵的求逆过程，即使克隆数量远大于重复文库数量，也能实现稳健估计。
• 在 R 包 lymphclon 中实现该方法，该包已发布于 CRAN，提供混合克隆性估计和文库间一致性检查的函数。

实验结果

研究问题

• RQ1 当底层频率向量仅部分观测且高度稀疏时，能否实现克隆性的准确估计？
• RQ2 在重复文库测序深度不一致的情况下，如何同时降低克隆性估计的偏差与方差？
• RQ3 与现有方法相比，经验贝叶斯与刀切技术在多大程度上能改善克隆性估计器的均方误差？
• RQ4 是否可能在不准确估计向量本身的情况下，估计高维概率向量的二次泛函（如克隆性）？
• RQ5 在真实模拟场景中，所提出估计器与 Parameswaran 等人（2013）提出的最先进估计器相比表现如何？

主要发现

• 与现有最佳估计器（Parameswaran 等人，2013）相比，所提出估计器将克隆性估计的均方误差降低了超过 98%。
• 即使真实频率分布未知，该方法仍能实现高精度，表明在不掌握底层概率向量精确信息的情况下，仍可对功能量（克隆性）进行准确估计。
• 刀切法能有效降低克隆性估计器的偏差，尤其在文库深度不均和存在 PCR 扩增伪影的情况下。
• 协方差矩阵的正则化可实现稳定求逆，提升估计性能，即使克隆数量超过重复文库数量。
• 该方法在多种克隆频率分布下表现稳健，包括免疫 repertoire 中典型的幂律（齐普夫）分布。
• lymphclon R 包成功实现了该方法，并已发布于 CRAN，支持免疫学与微生物组研究中可重现且可扩展的克隆性估计。