Next Generation Sequencing (NGS)と機械学習

Single-cell 解析と機械学習の関わりについて。
6/8/2024 @ LAIME ai勉強会発表資料

Transcript

1. June 8, 2024 1 Integrative Biology and Physiology Shunsuke Kikuchi 3rd Year, Computational & Systems Biology + Applied Mathematics Next Generation Sequencing (NGS)と機械学習
2. 2 自己紹介 • 菊地 駿輔 @ne_gi_chi__ • 所属: University of California, Los Angeles 学部3年 • 専攻: 計算生命科学 + 応用数学 (Double Major) • 研究: 他研究室のsingle-cell解析のお手伝い single-cell dataの解析手法の開発 (遺伝子ネットワークの再構築) • 最近のマイブーム: タコス食べること
3. 3 そもそもSingle-cellってなんの話？ • 高校生物のおさらい: 転写と翻訳 mRNA : DNAからたんぱく質を作るときに媒 介する物質 • 生体の制御は主にタンパク質によって行われる →タンパク質の状況を追うことで何が起こっ ているかが分かる！ タンパク質を直接調べるのは高コスト、同時サンプ ルできる上限にも限界がある 一方mRNAは増幅してシーケンスできる →細胞中に存在するmRNAのカウントを代わりに使 おう！
4. そもそもSingle-cellってなんの話？ Bulk-seq: 細胞集団全体の平均的な遺伝子発現を定量 個々の遺伝子の発現レベルに対し検出感度が高い コスパが良い、細胞単位での差異は解析においてそれほど問題にならないことも多い 臓器や組織の細胞型や細胞状態が既知であれば効果的 Single cell RNA-seq: 1細胞単位で遺伝子発現を定量 少量のRNAからデータを生成→技術的ノイズが大きい お金かかる、bulk-seqの10倍程度? 少ない事前知識から組織の細胞型や状態を高解像度で捉えることが可能
5. 5 一般的なsingle-cell解析の流れ 1.前処理 – ノイズ、スパース性への対応 Quality Control (QC) – 異常なカウントの含まれる細胞、遺伝子の除去 total countsにおけるmitochondrial, (ribosomal, hemoglobin genes)の占める割合 total counts, # genes detected in a cell Normalization 細胞ごとのカウント数をスケーリング、log1pPF, scran, scTransformなどのアルゴリ ズムが存在 Feature Selection 細胞間で差異の少ない、解析に意味のない遺伝子の除去 Dimensional Reduction 次元圧縮、計算効率の改善に加えノイズ除去の意味も 大抵PCA
6. June 8, 2024 6 QC plot
7. 7 Feature Selection
8. 8 一般的なsingle-cell解析の流れ 2. クラスタリングと細胞種の特定 隣接グラフ 主成分(n~30)に対しkNNグラフ計算 クラスタリング (コミュニティ検出) leidenかlouvainが多い 細胞種のアノテーション そのクラスタで発現量の差が有意な遺伝子(Differential Expressed Gene)の情報から細 胞種を割り当て せいぜいn<=25程度のクラスタのため手動でのアノテーションも多い 過去研究のデータベースから自動でアノテーションすることも可能
9. 9 Single-cell 解析を用いた研究例 Ref. Wirka, R.C., Wagh, D., Paik, D.T. et al. Atheroprotective roles of smooth muscle cell phenotypic modulation and the TCF21 disease gene as revealed by single-cell analysis. Nat Med 25, 1280–1289 (2019). https://doi.org/10.1038/s41591-019-0512-5
10. 10 一般的なsingle-cell解析の流れ 3. バッチ効果の除去 (Integration): データが複数のサンプルから成る時、サンプル特有のノイズを取り除く必要がある BBKNN, CCAなどの古典的手法からscVIといった深層学習(VAE)を利用したものまで様々なアルゴリ ズムが提案されている ※ここまで前処理 面倒そうだが、パッケージを使えばそれほど大変でもない (50-100行程度のコード) - Scanpy (Python) - Seurat (R) 基本は片方の言語で事足りるが、双方とも使えない機能があり、両方使うケースもしばしば
11. Batch EffectとIntegration Before After Ref: https://www.sc-best-practices.org/cellular_structure/integration.html
12. 12 一般的なsingle-cell解析の流れ 4. 解析 • Differentially Expressed Genes (DEGs): 群間で異なる発現量の見られる遺伝子の抽出 ➢ 疾患に関連して異常な発現の見られる遺伝子の特定 • Pathway Enrichment: 関与している生物学的プロセスの予測 ➢ 疾患で起こり得る症状の推定 • RNA velocity: 細胞の形質変動(発達や分化)のtrajectoryを予測 ➢ 細胞の機能分化の経路 • 遺伝子制御ネットワーク ➢ 免疫反応の制御メカニズムの推定 • 細胞間コミュニケーション予測 この辺りの解析は機械学習を用いて行われることが多いが、 しばしばその精度が問題となる
13. Single-cell 解析を用いた研究例 Ref. Wirka, R.C., Wagh, D., Paik, D.T. et al. Atheroprotective roles of smooth muscle cell phenotypic modulation and the TCF21 disease gene as revealed by single-cell analysis. Nat Med 25, 1280–1289 (2019). https://doi.org/10.1038/s41591-019-0512-5
14. Single-Cell解析における課題・障壁 - カウントデータのスパース性と高いエラー率 - 計算効率 1サンプルでもおよそ30k×20kの疎行列 - データの信頼性 filteringしてるとは言え… - 遺伝子発現パターンの複雑性 - 非線形の発現パターン - 二次解析におけるアノテーションの必要 - エラーの影響を特に受ける、生物学的には考えにくいアノテーションを得ることも 他にも… - Generalizing trajectory inference - Finding patterns in spatially resolved measurements - Validating and benchmarking analysis tools for single-cell measurements 等々… Ref: Lähnemann, D., Köster, J., Szczurek, E. et al. Eleven grand challenges in single-cell data science. Genome Biol 21, 31 (2020). https://doi.org/10.1186/s13059-020-1926-6
15. Batch integration – embed, feature, graph Cell-Cell Communication – Ligand-Target, Source-Target Denoising Label Projection Spatial Decomposition Multimodal Data Integration Perturbation Prediction (2023 Kaggle/NeurIPS) ref: Open Problems in Single Cell Analysis - Benchmarks 15 Open problems
16. 16 scVI – single-cell Variational Inference Variational AutoEncoder (VAE)に基づく前処理手法 VAE(変分オートエンコーダー): データを潜在空間にエンコード, 潜在表現から元データを 再構築することで学習 バッチ効果の補正、ノイズ除去、クラスタリングと異常検知が可能
17. June 8, 2024 17 Integrative Biology and Physiology 2022 Multimodal Single-Cell Integration
18. コンペ概要 18 Single-cell Dataを扱った初のコンペ? NeurIPS2021で やってた Open problemsによる、NeurIPS 2022の併設コンペ 造血幹細胞に関連する細胞群について、採集から2, 3, 4, 7, 10日におけるデータを収集 ATAC-seq: DNAのChromatin AccessibilityとRNAを同 時に採取, RNAを予測 CITE-seq: RNAカウントと細胞の表面タンパク質の情 報を収集, 表面タンパクの発現レベルを予測
19. データ 19 Cell-type: 血液に存在する7つの細胞種がアノテーション Train/Test Train: 2,3,4,7 days(ATAC), 2,3,4 days (CITE), ドナーA, B, C Public: 2,3,7 days (ATAC), 2,3,4 days (CITE), ドナーD Private: 10 days (ATAC), 7 days (CITE), ドナーA, B, C, D
20. June 8, 2024 20 1st Solution (Public 27th) 前処理/後処理に工夫 ATAC-seq: Chromatin ①: nonzeroの中間値で割る→tSVDで圧縮 ②: バイナリ(0/1)化→tSVDで圧縮 RNA: nonzeroの中間値で割る→log1p→0をtSVDでノイズ除去→col方向でmedianを引く→tSVDで 圧縮 CITE-seq: RNA: non-zeroの中間値で割る→log1p→→①targetと高相関のgene data使用 ②上と同 Protein: Normalize→ 行方向でmedianを引く→tSVDで圧縮 →①targetと高相関のgene dataのみ取り出す ②上と同
21. 21 1st Solution 前処理/後処理を大量に工夫 ATAC-seq: Linear1: 前処理したtargetにfitさせ、outputを逆処理 Linear2: 前処理しないtargetとlinear1の誤差にfit、outputに足す CITE-seq: 前処理したtargetにfitさせ、outputを逆処理 アンサンブル:加重平均 Seed変更、batch combination(A, B, CやDaysの組み合わせ)の変更
22. 22 2nd Solution (Public 27th) centered log ratio transformation (CLR) による前処理 ATAC-seq: ①CLR→tsvd→normalize ②高相関のgene→normalize ③Sqrt→normalize→batch corr ④①をLightGBM→tsvd→normalize CITE-seq: ①CLR→tsvd→normalize ②①をLightGBM/CatBoost/Kernel Ridge/Ridge →tsvd→normalize
23. 23 3rd Solution Muonライブラリの利用: multimodal omics analysisに特化したscanpyみたいなモジュール ATAC-seq: Okapi bm25(出現頻度)→Latent Semantic Indexing(潜在意味解析) 他にBinary→svd、word2Vec、leiden clustering→pseudobulk by mean、leiden(Adj Matrix)→svd CITE-seq: Leiden、word2Vec Model: 4-layer MLP, CatBoost Ensemsble: 20MLP + 2 Catboost
24. June 8, 2024 24 Integrative Biology and Physiology 2023 Multimodal Single-Cell Integration
25. 25 Discussion: Don’t Trust the Cell types!!
26. 2022 Multimodalコンペ https://www.kaggle.com/competitions/open-problems-multimodal 2023 Perturbationコンペ https://www.kaggle.com/competitions/open-problems-single-cell-perturbations Single-cell Best Practice https://www.sc-best-practices.org/preamble.html Discussion: Don’t Trust Cell Type https://www.kaggle.com/competitions/open-problems-single-cell-perturbations/discussion/458661 ヒト細胞アトラス時代の高精度1細胞RNA-seq法 https://jp.illumina.com/content/dam/illumina-marketing/apac/japan/documents/pdf/webinar/nsq-webinar-dr-nikaido-200512.pdf Ref. Wirka, R.C., Wagh, D., Paik, D.T. et al. Atheroprotective roles of smooth muscle cell phenotypic modulation and the TCF21 disease gene as revealed by single-cell analysis. Nat Med 25, 1280–1289 (2019). https://doi.org/10.1038/s41591-019- 0512-5 26 参考: