Um modelo topológico para a diversidade celular de sistemas biológicos revela centenas de novos tipos de linfócitos T CD4 circulando no sangue e no líquido cefalorraquidiano

RESUMO

INTRODUÇÃO: A recente explosão de tecnologias com resolução celular e a expectativa de sua aplicação clínica na próxima década tornou a análise de dados com muitas dimensões um desafio central para as ciências da vida e a medicina de precisão. Para interpretar e visualizar tais resultados, é necessário utilizar redução dimensional, de maneira a extrair as informações relevantes de grandes corpos de dados e representá-las graficamente. Em termos teóricos, tal tarefa tem uma associação direta com o conceito de identidade celular e com o cenário epigenético de Waddington, tornando a inferência de trajetórias de diferenciação algo intuitivo e natural. Atualmente, empregam-se modelos que assumem diversas características sobre esse cenário, o que pode enviesar resultados e levar a conclusões precipitadas. Para se recuperar o máximo possível de informação biológica, é necessário utilizar algoritmos que não assumem características sobre a estrutura geometrica dos dados, de maneira a definir matematicamente o conceito de tipo celular.

OBJETIVOS: Descrever geometricamente o conceito de tipo celular, e usar suas propriedades topológicas para desenvolver uma nova geração de ferramentas de inteligência artificial para o estudo de sistemas biológicos e doenças humanas

MÉTODOS: Modelamos as múltiplas linhagens celulares distintas que possam coexistir em uma mesma amostra como um cenário epigenético de Waddington expandido. Mostramos como geometricamente tal cenário pode ser perfeitamente descrito pelo Operador de Laplace Beltrami (OLB), que por construção recupera todas as informações topologicas de um conjunto de dados quaisquer. O OLB assume apenas que há amostras o bastante para se utilizar cálculo diferencial. Utilizamos a linguagem python de programação para desenvolver TopOMetry, uma ferramenta modular e flexível que emprega diversos algoritmos que aproximam o OLB. O método foi validado em dados públicos e anonimizados de sequenciamento de RNA mensageiro de células únicas (single-cell RNA-seq) de células circulantes no sangue e líquido cerebroespinhal de doadores humanos saudáveis, com dengue, lupus eritematoso sistêmico e esclerose múltipla. Foram usados apenas dados publicamente disponíveis e associados a comitês de ética em pesquisa.

RESULTADOS: Estabelecemos um conceito geométrico de identidade celular baseado em informação epigenética sobre cada célula. Para explorá-lo, oferecemos uma ferramenta amigável, gratuita e universal para a análise de dados com resolução celular, que além deste propósito primário, também pode ser utilizada de modo geral para a análise de dados com muitas dimensões, como textos, imagens e grafos. Paralelamente, apresentamos uma diversidade nunca antes vista de linfócitos T CD4 na circulação humana em indivíduos saudáveis e em pacientes com dengue, lupus eritematoso sistêmico e esclerose múltipla. Esta diversidade também pôde ser encontrada no líquido cefalorraquidiano de doadores saudáveis e com esclerose múltipla. Também demonstramos a conexão natural de nosso modelo com o ciclo celular utilizando dados de medula óssea humana, e com o processo de diferenciação celular utilizando dados da embriogênese do camundongo, descobrindo cerca de 380 novas linhagens celulares.

CONCLUSÃO: Fornecemos uma sólida base teórica e computacional para a descrição detalhada da diversidade celular em sistemas biológicos, para isto definindo geometricamente tipos e linhagens celulares. Com isto, foi possível descobrir mais de cem novos tipos de linfócitos T CD4 que se mantiveram ocultos até então, e definir que populações celulares previamente consideradas canônicas na verdade correspondem apenas a distorções lineares nos dados. Assim, os resultados obtidos com os padrões atuais devem ser cuidadosamente revisitados, assim como significativa parte da literatura envolvendo linfócitos T CD4 ou processos de diferenciação celular.

BIBLIOGRAFIA: Sidarta-Oliveira, Davi, and Licio A. Velloso. 2022. “A Comprehensive Dimensional Reduction Framework to Learn Single-Cell Phenotypic Topology Uncovers T Cell Diversity.” bioRxiv. https://doi.org/10.1101/2022.03.14.484134. Nehar-Belaid, Djamel, Seunghee Hong, Radu Marches, Guo Chen, Mohan Bolisetty, Jeanine Baisch, Lynnette Walters, et al. 2020. “Mapping Systemic Lupus Erythematosus Heterogeneity at the Single-Cell Level.” Nature Immunology 21 (9): 1094–1106. https://doi.org/10.1038/s41590-020-0743-0. Waickman, Adam T., Heather Friberg, Gregory D. Gromowski, Wiriya Rutvisuttinunt, Tao Li, Hayden Siegfried, Kaitlin Victor, et al. 2021. “Temporally Integrated Single Cell RNA Sequencing Analysis of PBMC from Experimental and Natural Primary Human DENV-1 Infections.” PLOS Pathogens 17 (1): e1009240. https://doi.org/10.1371/journal.ppat.1009240. Schafflick, David, Chenling A. Xu, Maike Hartlehnert, Michael Cole, Andreas Schulte-Mecklenbeck, Tobias Lautwein, Jolien Wolbert, et al. 2020. “Integrated Single Cell Analysis of Blood and Cerebrospinal Fluid Leukocytes in Multiple Sclerosis.” Nature Communications 11 (1): 247. https://doi.org/10.1038/s41467-019-14118-w.

PALAVRA-CHAVE: linfócitos T CD4,