Simplex-Constrained Neural Topic VAEs with Flow Refinement for Interpretable Single-Cell Gene-Program Discovery

1. بيان المشكلة

تعتمد النماذج الحالية للمشفرات التلقائية التباينية (VAEs) المستخدمة في تسلسل الحمض النووي الريبوزي أحادي الخلية (scRNA-seq)، مثل scVI، عادةً على توزيعات غاوسية مسبقة (Gaussian priors). ورغم فعاليتها في الضغط وتصحيح الدفعات (batch correction)، إلا أن هذه النماذج تعاني من قصورين حرجين:

1. الافتقار إلى القابلية للتفسير: الفضاء الكامن هو فضاء إقليدي غير مهيكل ($\mathbb{R}^d$). لا تتوافق الأبعاد الكامنة الفردية بطبيعتها مع المفاهيم البيولوجية (مثل برامج جينية محددة)، مما يتطلب تحليلات لاحقة معقدة (مثل التجميع أو التعبير التفاضلي) لتفسيرها.
2. مقايضة التوافق والجيومتري (Concordance–Geometry Trade-off): الطرق التي تحاول تحسين الهندسة الكامنة (فصل المجموعات/Clusters) غالبًا ما تستخدم توزيعات مختلطة غير معلمية (مثل نماذج عمليات ديريكليه العملياتية). ومع ذلك، فإن هذه الطرق غالبًا ما تضعف توافق الملصقات (label concordance) (المواءمة مع أنواع الخلايا المعروفة) لأن المجموعات المستنتجة قد لا تتوافق مع الحدود البيولوجية الموضحة.

يهدف المؤلفون إلى إنشاء إطار عمل يحقق في آن واحد قابلية تفسير عالية (قراءة مباشرة للبرامج الجينية)، وأداءً فائقًا في التجميع (clustering)، وتمييزًا قويًا للمهام اللاحقة دون التضحية بأي مقياس مقابل الآخر.

2. المنهجية: Topic-FM

يقترح المؤلفون Topic-FM، وهي عائلة من نماذج VAE للمواضيع العصبية تجمع بين توزيع ديريكليه اللوجستي-الطبيعي (Logistic-Normal Dirichlet prior) ومطابقة تدفق النقل الأمثل الشرطي (Conditional Optimal Transport Flow Matching).

أ. البنية الأساسية: VAE المقيد بالـ Simplex

• قيد الفضاء الكامن: بدلاً من التوزيع الغاوسي المسبق، يستخدم النموذج تقريبًا لوجستيًا-طبيعيًا لتوزيع ديريكليه. هذا يقيد المتجه الكامن داخل الـ simplex الاحتمالي ($\Delta_{K-1}$).
• آلية التفسير:
  • يمثل كل إحداثي في المتجه الكامن نسبة الموضوع (وزن عضوية ناعم عبر $K$ من البرامج الجينية).
  • تعمل مصفوفة أوزان وحدة فك التشفير (decoder weight matrix $\beta \in \mathbb{R}^{K \times G}$) كـ بصمة موضوع-جين (topic–gene signature) صريحة. حيث تسرد كل صف $k$ الجينات المرتبطة بالموضوع $k$، مما يسمح بالتفسير البيولوجي المباشر دون الحاجة لعملية التجميع.
• الأنواع المتوفرة: يدعم الإطار أربعة بنيات للمشفر (encoder):
  1. Topic-FM-Base: مشفر MLP قياسي.
  2. Topic-FM-Transformer: يستخدم آلية الانتباه الذاتي متعدد الرؤوس (الخلية كـ token) لالتقاط التفاعلات بين الخلايا.
  3. Topic-FM-Contrastive: يدمج رأس تباين (contrastive head) من نوع MoCo-v2 للتمييز على مستوى الحالة (instance-level).
  4. Topic-FM-GAT: يستخدم شبكات الانتباه الرسومي (Graph Attention Networks) فوق رسم بياني (k-NN graph) محتسب مسبقًا.

ب. تحسين التدفق (Flow Matching Refinement)

لمعالجة "النعومة الهندسية" (geometric softness) للتوزيعات اللوجستية-الطبيعية (والتي قد تؤدي إلى طمس حدود المجموعات)، قدم المؤلفون مجال تدفق نقل أمثل شرطي.

• التدريب: يتم تدريب MLP صغير لنمذجة مجال سرعة في فضاء ما قبل الـ softmax ($\mathbb{R}^K$). يتعلم هذا المجال نقل ضجيج غاوسي قياسي إلى عينات التوزيع اللاحق (posterior samples).
• الاستدلال: أثناء الاستدلال، يقوم النموذج بعملية تكامل أويلر جزئية (denoising) من $t=0.8$ إلى $t=1.0$ قبل إسقاط الـ softmax.
• الميزة الرئيسية: نظرًا لأن التدفق يعمل في فضاء ما قبل الـ softmax، فإنه يعمل على شحذ حدود المجموعات دون تعديل أوزان وحدة فك التشفير ($\beta$). وهذا يحافظ على قابلية التفسير لبصمات البرامج الجينية مع تحسين الفصل الهندسي.

3. المساهمات الرئيسية

1. كسر المقايضة: يثبت البحث أنه من الممكن تحسين كل من توافق الملصقات (NMI, ARI) والبنية الهندسية (ASW) في آن واحد. وخلافًا للمعلومات المسبقة غير المعلمية التي تضحي بالتوافق من أجل الهندسة، فإن Topic-FM يحسن كليهما.
2. التفسير المضمن: يوفر النموذج قراءة مباشرة للبرامج الجينية عبر مصفوفة فك التشفير $\beta$، والتي تم التحقق من صحتها عبر مسارين مستقلين (أهمية الاضطراب وفحص الأوزان المباشر).
3. الـ Simplex المحسّن بالتدفق: إن دمج مطابقة تدفق النقل الأمثل الشرطي المصمم خصيصًا لفضاء ما قبل الـ softmax الخاص بتوزيع ديريكليه، يعزز فصل المجموعات دون كسر صلاحية الـ simplex.
4. التقييم الشامل: تقييم عبر 56 مجموعة بيانات scRNA-seq والمقارنة مع 23 نموذجًا مرجعيًا خارجيًا (بما في ذلك scVI و scETM).

4. النتائج

أُجري التقييم على 56 مجموعة بيانات تغطي أنسجة متنوعة (تكوين الدم، الجهاز العصبي، المناعي، إلخ).

• أداء التجميع (Clustering):
  • حقق Topic-FM-Transformer أعلى درجة مركبة، حيث حسن NMI بنسبة 8.2%، و ARI بنسبة 20.4%، و ASW بنسبة 21.7% مقارنة بالنموذج المرجعي Pure-VAE الخالي من المعلومات المسبقة.
  • حقق Topic-FM-Contrastive أعلى معدل فوز خارجي (86.4%) مقابل 23 نموذجًا مرجعيًا، وتميز بشكل خاص في فصل الحدود (DAV) و ARI.
• الدلالة الإحصائية: أكدت اختبارات ويكسون (Wilcoxon signed-rank tests) تحسينات جوهرية عبر جميع المقاييس الأساسية (تأثيرات Cliff's $\delta$ متوسطة إلى كبيرة). ولم تُلاحظ أي مقايضة بين التوافق والهندسة.
• التصنيف اللاحق (Downstream Classification):
  • تحسنت دقة تصنيف kNN بنسبة 13.5% ودرجة macro-F1 بنسبة 27.7% لنموذج Topic-FM-Transformer مقارنة بـ Pure-VAE، مما يثبت أن الفضاء الكامن مميز للغاية.
• التحقق البيولوجي:
  • أدى التحقق ثنائي المسار (أهمية الاضطراب وقراءة مصفوفة $\beta$) على ثلاث مجموعات بيانات إلى توافق في إثراء الـ Gene Ontology (GO).
  • أكد هذا أن المواضيع المتعلمة تتوافق مع برامج جينية متماسكة وقابلة للتوصيف، وليست مجرد أبعاد تضمين مبهمة.
• الكفاءة:
  • تضيف وحدة مطابقة التدفق عبئًا ضئيلًا جدًا (أقل من 2% من وقت التنفيذ الفعلي لنسخة Base).
  • يتطلب الاستدلال 10 خطوات أويلر فقط، مما يضيف تأخيرًا طفيفًا.

5. الأهمية والخلاصة

يرسي Topic-FM نموذجًا جديدًا لتعلم التمثيلات في الخلايا المفردة من خلال إثبات أن القابلية للتفسير والأداء ليسا متنافيين.

• الأثر العلمي: ينقل هذا العمل المجال بعيدًا عن التضمينات "الصندوق الأسود" نحو نماذج ميكانيكية تركز على البرامج الجينية. يمكن للباحثين الآن فحص أوزان وحدة فك التشفير مباشرة لفهم الدوافع البيولوجية لحالات الخلايا.
• الفائدة العملية: يوفر الإطار مجموعة من المتغيرات المعمارية (Base, Transformer, Contrastive, GAT) مما يسمح للممارسين باختيار أفضل مشفر لخصائص بياناتهم (مثل البيانات ذات البنية الرسومية مقابل البيانات ذات الدفعات الكبيرة) مع الاحتفاظ بفضاء كامن موحد وقابل للتفسير.
• القدرة على التعميم: تتفوق الطريقة على الأدوات الحديثة (scVI, scETM) عبر اختبار مرجعي ضخم، مما يشير إلى أن نماذج المواضيع المقيدة بالـ simplex والمحسنة بالتدفق هي حل قوي وعام لتحليل scRNA-seq.

باختصار، يحل Topic-FM التوتر طويل الأمد بين جودة التجميع الهندسي والتفسير البيولوجي، موفرًا إطار عمل تكون فيه الأبعاد الكامنة ذات معنى من حيث التصميم.