A topologia do vizinhança celular direciona a identificação de populações celulares raras

Por que grupos celulares minúsculos importam

Nossos corpos são formados por vastas multidões de células, mas alguns dos protagonistas mais importantes são tipos celulares raros que representam apenas uma fração pequena do total. Essas células escassas podem impulsionar a disseminação do câncer, moldar doenças cerebrais ou coordenar respostas imunes, e ainda assim são notoriamente difíceis de detectar em mapas modernos de tecido em single-cell e espaciais. Este estudo apresenta o RareQ, uma nova abordagem computacional projetada para encontrar de forma confiável esses grupos celulares ocultos, mesmo em conjuntos de dados enormes e complexos.

Procurando padrões nas vizinhanças celulares

Métodos tradicionais geralmente agrupam células observando quais genes elas expressam e depois segmentando os dados em clusters. Isso funciona bem para tipos celulares comuns, mas frequentemente absorve os raros dentro de grupos maiores ou os trata como ruído. O RareQ segue um caminho diferente. Em vez de focar apenas nos níveis de expressão gênica, examina como cada célula se posiciona dentro de uma rede de seus vizinhos mais próximos. Se uma célula e seus vizinhos imediatos estiverem muito fortemente conectados entre si, mas fracamente ligados ao resto da rede, o RareQ marca essa vizinhança como especial. Essa ideia é capturada numa medida chamada Q, que reflete o quão “cliquosa” é a vizinhança local de uma célula.

Transformando cliques em grupos celulares significativos

Usando a pontuação Q, o RareQ constrói grupos celulares passo a passo. Cada célula começa em seu próprio cluster minúsculo e, então, gradualmente adota o rótulo do vizinho com Q mais alto em sua pequena vizinhança. Em termos simples, cliques fortemente coesos atuam como âncoras que atraem células semelhantes nas proximidades. Após essa disseminação de rótulos, o método verifica quais clusters resultantes são fortemente conectados internamente e apenas fracamente ligados a outros. Clusters com Q médio alto são tratados como candidatas a populações raras, enquanto clusters mais fracos são mesclados para formar os tipos celulares dominantes. Esse processo permite que o RareQ separe comunidades celulares grandes e pequenas sem precisar de conhecimento prévio sobre quantos tipos estão presentes.

Testando o RareQ em muitos tecidos

Os autores avaliaram o RareQ em centenas de conjuntos de dados simulados e reais, incluindo células sanguíneas, células do revestimento das vias aéreas, tecido cerebral, tumores e mapas espaciais. Nesses testes, o RareQ detectou tipos celulares raros com maior precisão do que sete métodos líderes, frequentemente identificando muito mais populações raras com maior precisão e sensibilidade. Também foi mais rápido e consumiu menos memória, analisando com sucesso conjuntos de dados com mais de um milhão de células, onde algumas ferramentas concorrentes falharam. Em dados multimodais que combinam atividade gênica com acessibilidade de cromatina ou proteínas de superfície, o RareQ pôde ser aplicado a cada camada separadamente ou a visualizações integradas, muitas vezes revelando tipos celulares raros que eram invisíveis para métodos baseados apenas em um tipo de dado ou em modelos pesados de deep learning.

Revelando atores ocultos na saúde e na doença

Ao aplicar o RareQ a problemas biológicos específicos, o estudo mostra como esses grupos celulares ocultos podem reformular nossa compreensão dos tecidos. Nas vias aéreas, o RareQ recuperou células epiteliais raras conhecidas e descobriu novos subgrupos ligados à divisão celular, formação de cílios e respostas antivirais. Em linfoma de células B e câncer renal, identificou grupos raros de células imunes e associadas ao tumor, incluindo células dendríticas com alta atividade de checkpoints que podem influenciar a resposta à imunoterapia. Em amostras cerebrais de pacientes com Alzheimer, o RareQ destacou estados raros de microglia e astrócitos enriquecidos nos pacientes, com padrões gênicos ligados à inflamação, remoção de detritos e manejo de proteínas amilóides. Em conjuntos de dados espaciais de alta resolução do cérebro de camundongo, detectou pequenas populações anatomicamente precisas, como sub-regiões neuronais distintas no hipocampo e células epiteliais ciliadas especializadas no plexo coróide, que outros métodos haviam perdido ou confundido.

O que isso significa para futuros atlas celulares

Para um leitor leigo, a mensagem principal é que o RareQ oferece uma maneira mais sensível e eficiente de encontrar os tipos celulares raros que frequentemente atuam como botões de controle de doenças e da função tecidual. Ao focar em como as células estão conectadas aos seus vizinhos em vez de apenas nos níveis brutos de genes, o RareQ consegue extrair pequenos, porém coerentes, grupos celulares de coleções massivas de dados. Isso torna futuros atlas celulares mais completos e abre a porta para estudar estados celulares elusivos que podem se tornar alvos para diagnóstico ou terapia.

Citação: Fa, B., Huang, C., Ma, Y. et al. Cell neighborhood topology directs rare cell population identification. Nat Commun 17, 4618 (2026). https://doi.org/10.1038/s41467-026-71180-x

Palavras-chave: células raras, análise single-cell, transcriptômica espacial, redes celulares, biologia computacional