Ferramenta de IA DeepScence Mapeia Células Senescentes com Precisão Sem Precedentes
Um novo método de aprendizado profundo identifica células 'zumbis' do envelhecimento em dados de transcriptômica de célula única e espacial, superando todas as abordagens existentes.
Resumo
Pesquisadores da Duke University desenvolveram o DeepScence, uma ferramenta de aprendizado profundo não supervisionado construída sobre uma arquitetura de autoencoder, para detectar células senescentes em dados de sequenciamento de RNA de célula única e transcriptômica espacial. A equipe criou primeiro o CoreScence, um conjunto de genes curado com 39 genes consistentemente relatados em pelo menos cinco bancos de dados de genes de senescência publicados, abordando a enorme discordância entre os conjuntos de genes existentes. O DeepScence utiliza o CoreScence como entrada e aprende padrões complexos e não lineares de expressão gênica para pontuar células em um continuum de senescência. Testado em conjuntos de dados in vitro e in vivo de múltiplas plataformas, o DeepScence superou substancialmente os métodos de pontuação existentes e a ferramenta SenCID baseada em SVM supervisionado, alcançando AUROCs superiores a 0,9 em todos os conjuntos de dados e generalizando entre espécies, tecidos e contextos de indução de senescência.
Resumo Detalhado
A senescência celular — estado em que as células param permanentemente de se dividir, mas permanecem metabolicamente ativas — é um fator central do envelhecimento e de doenças relacionadas à idade, incluindo osteoartrite, fibrose pulmonar e doença de Alzheimer. Como as células senescentes (SnCs) são raras nos tecidos e molecularmente heterogêneas, identificá-las de forma confiável em dados genômicos tem permanecido um grande desafio. Os métodos anteriores baseavam-se em genes marcadores únicos (vulneráveis ao ruído de dropout), abordagens de pontuação por conjuntos de genes que ignoram relações não lineares, ou aprendizado de máquina supervisionado treinado exclusivamente em dados de RNA-seq em massa in vitro, com generalização in vivo limitada.
Os pesquisadores começaram examinando nove conjuntos de genes de senescência (SnGs) publicados e documentaram uma inconsistência alarmante: os índices de sobreposição de Jaccard entre os pares ficaram abaixo de 0,2 em quase todos os casos, 69% dos 2.966 genes identificados apareceram em apenas um conjunto de genes, e somente 39 genes (1,3%) foram reportados por cinco ou mais conjuntos. Para resolver isso, eles construíram o CoreScence — um conjunto de genes consenso composto por esses 39 genes consistentemente reportados, incluindo os marcadores canônicos CDKN1A (p21) e CDKN2A (p16). A validação em conjuntos de dados de RNA-seq em massa confirmou que os genes presentes em mais conjuntos de genes apresentaram expressão diferencial mais forte entre SnCs e não SnCs, além de associações mais fortes com a idade do doador nos dados do GTEx.
Com base no CoreScence, o DeepScence emprega um autoencoder com distribuição binomial negativa com inflação de zeros (ZINB) e uma camada de gargalo de dois neurônios: um neurônio captura o sinal relacionado à senescência e o outro captura a variação não relacionada. Esse design isola as informações de senescência sem rótulos supervisionados, tornando-o amplamente aplicável. A pontuação de senescência contínua resultante pode, opcionalmente, ser binarizada por meio de um procedimento baseado em permutação.
Em seis conjuntos de dados de scRNA-seq in vitro, o DeepScence alcançou AUROCs superiores a 0,9 em todos os conjuntos de dados e superou o SenCID, AUCell, ssGSEA e abordagens de marcador único. De forma crucial, o DeepScence também se destacou em conjuntos de dados in vivo — onde o SenCID, treinado apenas em dados em massa in vitro, apresentou desempenho marcadamente reduzido. O método também demonstrou forte generalização para dados de transcriptômica espacial de plataformas incluindo 10× Visium e 10× Xenium, localizando corretamente regiões enriquecidas com SnCs de forma consistente com as anotações histológicas. O DeepScence também generalizou bem entre tecidos de camundongos e humanos e entre múltiplos contextos de indução de senescência (senescência replicativa, induzida por oncogene, por radiação e por fármacos).
Esses resultados estabelecem o DeepScence como uma ferramenta amplamente aplicável e independente de plataforma para estudar onde e como as células senescentes se acumulam em tecidos que envelhecem e em estados de doença. Uma ressalva importante é que os rótulos de senescência de referência in vivo permanecem imperfeitos, e o conjunto de genes CoreScence, embora robusto, pode não capturar todos os programas de senescência específicos de cada tecido. A ferramenta está disponível como software de código aberto.
Principais Descobertas
- Only 39 of 2,966 senescence-related genes were shared across five or more published gene sets, revealing massive inconsistency in the field.
- CoreScence, a 39-gene consensus set, showed stronger differential expression and age-association signals than genes from any single gene set.
- DeepScence achieved AUROCs >0.9 across all six in vitro scRNA-seq datasets, outperforming SenCID, AUCell, ssGSEA, and single-marker methods.
- Unlike SenCID, DeepScence generalized effectively to in vivo datasets and spatial transcriptomics platforms including 10× Visium and Xenium.
- DeepScence correctly mapped senescent cell-enriched spatial regions across tissues, species, and multiple senescence induction contexts.
Metodologia
DeepScence é um autoencoder ZINB não supervisionado treinado no conjunto CoreScence de 39 genes, avaliado em seis conjuntos de dados de scRNA-seq in vitro e múltiplos in vivo, além de dados de transcriptômica espacial das plataformas 10× Visium e Xenium. O desempenho foi medido por AUROC, acurácia e pontuação F1, com testes t pareados comparando o DeepScence a métodos concorrentes.
Limitações do Estudo
Os rótulos de senescência como verdade absoluta em conjuntos de dados in vivo são imperfeitos, pois não existe um único padrão-ouro perfeito para a identificação de células senescentes em tecidos complexos. O conjunto de consenso de 39 genes do CoreScence pode deixar de capturar programas de senescência tecido-específicos ou contexto-específicos não contemplados nos múltiplos conjuntos de genes publicados. O modelo foi validado principalmente em dados humanos e de camundongos, e a capacidade de generalização para outras espécies ou plataformas de ST altamente esparsas requer testes adicionais.
Gostou deste resumo?
Receba as pesquisas de longevidade mais recentes na sua caixa de entrada toda semana.
Digite seu e-mail para assinar: