What Makes a Representation Good for Single-Cell Perturbation Prediction?

ملخص تقني: ما الذي يجعل التمثيل جيداً للتنبؤ بالاضطرابات في الخلية الواحدة؟

بيان المشكلة
يهدف نمذجة اضطرابات الخلية الواحدة إلى التنبؤ بكيفية تغير التعبير الجيني استجابةً للاضطرابات الجينية (مثل عمليات التعطيل القائمة على كريسبر/CRISPR). وبينما تتراوح الأساليب الحالية بين تعلم التمثيل السببي ونماذج التأسيس (FMs)، فإنها تواجه تحدياً جوهرياً، غالباً ما يتم تجاهله، وهو: عدم توازن الإشارة. في بيانات الخلية الواحدة، تهيمن المعلومات الثابتة تجاه الاضطراب (البرامج الخلوية الخلفية) على فضاء التعبير الجيني، بينما تكون الإشارات الخاصة بالاضطراب ضئيلة بطبيعتها.

يحدد المؤلفون ظاهرة تسمى فرضية كبت الاضطراب: عندما يهيمن التباين الثابت على البيانات، تفشل أساليب التعلم القياسية بشكل منهجي.

1. تعلم التمثيل السببي: غالباً ما تخلط هذه الطرق بين المعلومات الخلفية الثابتة والتمثيلات الخاصة بالاضطراب. يحدث هذا لأن نتائج القابلية للتعريف (identifiability) النظرية تفترض عادةً أن جميع المتغيرات الكامنة قد خضعت للتدخل، بينما تتضمن البيانات الواقعية تدخلات جزئية (فقط مجموعة فرعية من الجينات هي التي تم تعطيلها). نتيجة لذلك، يتم امتصاص المعلومات الثابتة في التمثيلات السببية، مما يؤدي إلى تنبؤات زائفة ذات تعميم ضعيف.
2. نماذج التأسيس (FMs): يتم تدريب نماذج التأسيس لتلائم توزيع البيانات العام، مما يعطي الأولوية للهيكل الثابت المهيمن. وتظهر تجارب الفحص الخطي التجريبية أن تمثيلات نماذج التأسيس تظهر قدرة أضعف على فك تشفير تسميات الاضطراب مقارنة بأساسيات PCA البسيطة، مما يشير إلى أن الإشارات الخاصة بالاضطراب يتم كبتها أو جعلها غير قابلة للوصول أثناء التدريب المسبق.

المنهجية: PerturbedVAE
لمعالجة عدم توازن الإشارة، يقترح المؤلفون PerturbedVAE (المشفرات التلقائية التباينية المدركة للاضطراب)، وهو إطار عمل مصمم لفصل واستخدام المعلومات الخاصة بالاضطراب بشكل صريح. يعتمد الإطار على مبدأين أساسيين: الاستخراج الصريح والاستخدام الفعال.

1. النموذج التوليدي السببي الكامن:
   يقوم النموذج بتفكيك الفضاء الكامن إلى مكونين متميزين:

• $z_\iota$ (المتغيرات الثابتة تجاه الاضطراب): تمثل البرامج الخلفية المستقرة المشتركة عبر جميع الخلايا، والمستقلة عن حالة الاضطراب $u$.
• $z_\nu$ (المتغيرات المستجيبة للاضطراب): تمثل العوامل الكامنة التي تتغير استجابةً للاضطرابات الجينية. يتم نمذجتها لتتبع بنية الرسم البياني الموجه غير الدوري (DAG) لالتقاط التبعيات السببية بين آثار الاضطراب.

2. الاستدلال التبايني مع المحاذاة التباينية:
   قد تقوم المشفرات التلقائية التباينية (VAEs) القياسية بإعادة بناء البيانات عن طريق نمذجة المكون الثابت المهيمن، مما يترك $z_\nu$ غير مسترد بشكل كافٍ. ولمواجهة ذلك، يقدم PerturbedVAE هدف محاذاة تبايني:

• لكل عينة مضطربة $(x, u)$، يتم أخذ عينة تحكم (غير مضطربة) $x(u_0)$.
• يفرض النموذج أن تكون التمثيلات الثابتة المستنتجة $z_\iota$ لكل من العينات المضطربة وغير المضطربة متطابقة (تقليل $\|z_\iota - z_\iota^{(u_0)}\|^2$).
• هذا يجبر التباين الخلفي المهيمن على أن يتم تفسيره بالكامل بواسطة $z_\iota$، مما يحرر $z_\nu$ لالتقاط التغييرات الناتجة عن الاضطراب المتبقية.

3. هدف التدريب:
   يجمع إجمالي الخسارة بين حد ELBO لإعادة البناء وتعلم البنية السببية، وبين حد المحاذاة التبايني:
   $$\mathcal{L} = -\mathcal{L}_{ELBO} + \alpha \mathcal{L}_{contrast}$$
   حيث يتحكم $\alpha$ في قوة الفصل بين العوامل الثابتة والمستجيبة.

المساهمات النظرية: تحليل القابلية للتعريف
تقدم الورقة تحليلاً دقيقاً للقابلية للتعريف يوضح الشروط التي يمكن بموجبها استرداد آثار الاضطراب الضئيلة بشكل موثوق من بيانات التدخل الجزئي.

• النظرية 1: تحت فرضيات القابلية للعكس، وكفاية البيئة (تنوع كافٍ في ظروف الاضطراب)، والمحاذاة المثلى، وكفاية التدخل، يضمن الإطار ما يلي:
  • $z_\nu$ (المستجيب): يتم تحديده حتى التبديل والقياس (القابلية للتعريف المكوني).
  • $z_\iota$ (الثابت): يتم تحديده حتى تحويل خطي كلي.
• يوضح هذا التحليل أن المحاذاة التباينية ليست مجرد وسيلة تجريبية، بل هي شرط ضروري لمنع امتصاص المعلومات الثابتة في التمثيلات السببية، مما يسد الفجوة بين الضمانات النظرية وواقع التدخلات الجزئية.

النتائج التجريبية
قيم المؤلفون PerturbedVAE على بيانات اصطناعية ومجموعات بيانات حقيقية من نوع Perturb-seq (Norman et al., 2019; Replogle et al., 2022).

• البيانات الاصطناعية: تؤكد التجارب أن المحاذاة التباينية تحسن بشكل كبير معامل الارتباط المتوسط (MCC) لاسترداد $z_\nu$ و $R^2$ لاسترداد $z_\iota$، مما يؤكد ادعاءات القابلية للتعريف النظرية.
• معايير البيانات الحقيقية:
  • مقابل نماذج التأسيس (FMs): يتفوق PerturbedVAE بشكل كبير على نماذج التأسيس (scFoundation, UCE, Geneformer) والأساسيات البسيطة (RandomForest, ElasticNet) في التنبؤ بالاضطرابات الجينية المزدوجة (التوليفية). تتدهور نماذج التأسيس في حالات التوليف صفرية المعرفة (zero-shot)، بينما يحافظ PertbedVAE على $R^2$ مرتفع و RMSE منخفض.
  • مقابل طرق التمثيل السببي: يتفوق PerturbedVAE على النماذج السبية الكامنة الموجودة (Discrepancy-VAE, SENA, sVAE+, SAMS-VAE). والأهم من ذلك، أظهرت دراسة الاستبعاد (ablation study) عند إزالة حد المحاذاة التبايني ("PerturbedVAE w/o Align") تدهوراً في الأداء مشابه للطرق الموجودة، مما يؤكد ضرورة آلية المحاذاة.
  • مقابل النماذج الخطية الجمعية: بينما تعمل النماذج الخطية الجمعية بشكل تنافسي على مقاييس pseudobulk على مستوى الحالة (متوسط التعبير الجيني)، يحقق PertbedVAE أداءً فائقاً على مستوى الخلية الواحدة. تحقق النماذج الجمعية والأساليب العميقة الأخرى قيم $R^2$ سالبة، مما يشير إلى فشلها في التقاط تباين الخلية الواحدة، بينما يحافظ PerturbedVAE على بنية الخلية الواحدة ($R^2 \approx 0.98$).
  • القابلية للتفسير: يستعيد الرسم البياني السببي المتعلم المسارات التنظيمية البيولوجية المعروفة (مثل TGFBR2→SNAI1، TP73→CDKN1A)، مما يدل على أن النموذج يتعلم تمثيلات مهيكلة ومنطقية بيولوجياً بدلاً من مجرد ارتباطات إحصائية عشوائية.

الأهمية والادعاءات
تجادل الورقة بأن فشل نماذج التأسيس في التنبؤ بالاضطرابات لا يعود أساساً إلى مسألة الحجم، بل ينبع من عدم التوافق بين أهداف التدريب العامة والبنية الناتجة عن التدخل والضئيلة لبيانات الاضطراب.

تكمن أهمية PerturbedVAE في إثباتها أن التمثيل "الجيد" للتنبؤ باضطرابات الخلية الواحدة يجب أن يكون مدركاً للاضطراب ومهيكلاً سببياً. من خلال الفصل الصريح بين البرامج الخلفية الثابتة والإشارات الخاصة بالاضطراب عبر المحاذاة التباينية، يتيح الإطار:

1. التعميم الموثوق: التنبؤ الناجح (صفر معرفة) بالاضطرابات التوليفية غير المرئية.
2. القابلية للتفسير: استرداد الآليات التنظيمية السببية وبرامج الاستجابة للاضطراب.
3. التأسيس النظري: تقديم تجسيد ملموس لتعلم التمثيل السببي يلتزم بشروط القابلية للتعريف حتى في ظل التدخلات الجزئية، وهي الحالة التي تفشل فيها النتائج النظرية السابقة.

ويخلص المؤلفون إلى أن نهجهم يوفر بديلاً مبدئياً لكل من التفكيك الإحصائي البحت ونماذج التأسيس العامة، مما يقدم حلاً قوياً لفهم الاستجابات الخلوية للتدخلات الجينية.