Un marco estadístico para la clasificación de enfermedades mediante datos de secuenciación de ARN de células individuales (scRNA-Seq)

Motivación: La clasificación de enfermedades basada en el secuenciamiento masivo de ARN (bulk RNA-sequencing) dificulta la identificación de señales específicas de cada tipo celular al agregar la expresión génica en tejidos heterogéneos. Aunque el secuenciamiento de ARN de una sola célula (single-cell RNA-seq) aborda esta limitación, resumir y derivar predictores a nivel del paciente, manteniendo al mismo tiempo la interpretabilidad biológica, sigue siendo un desafío.

Los métodos estándar de escasez (sparse methods), como lasso, a menudo seleccionan conjuntos de genes dispersos de forma arbitraria, sin aprovechar las estructuras de los tipos celulares subyacentes reveladas por los datos de una sola célula. Resultados: Introducimos un marco estadístico de dos etapas para una clasificación interpretable de enfermedades a nivel del paciente a partir de datos de una sola célula. Primero, construimos una matriz pseudobulk de genes por tipo celular que resume la expresión de una sola célula para cada paciente. Luego, ajustamos un modelo de regresión logística multinomial con una penalización de lasso de grupo disperso (sparse group lasso), lo que induce la escasez tanto a nivel del tipo celular como del gen. En conjuntos de datos de lupus eritematoso sistémico, COVID-19 y cáncer colorrectal, nuestro marco igualó o superó a los modelos base de lasso y bosque aleatorio (random forest).

Es importante destacar que nuestros modelos recuperaron firmas génicas coherentes a nivel biológico y específicas de cada tipo celular, coherentes con los mecanismos de enfermedad conocidos, lo que demuestra una mayor interpretabilidad sin sacrificar la precisión predictiva. Disponibilidad: El paquete R scSGL que implementa el marco de clasificación de lasso de grupo disperso (Sparse Group Lasso) descrito en este artículo está disponible en https://github.com/zhiweixiao/scSGL (versión 0.99.1). El código para reproducir la validación cruzada, el ajuste del modelo y los análisis de predicción en los tres conjuntos de datos que se informan aquí está disponible en https://github.com/zhiweixiao/scSGL-manuscript.