🧬 biology

Querying Counterfactuals on Tissue Graphs with Supervised Disentanglement

Dieses Paper führt Cellina ein, ein Framework für überwachtes Disentanglement, das Gewebe-Graph-Kontrafaktuale formalisiert, indem es den intrinsischen Zustand einer Zelle von ihrem räumlichen Kontext trennt, um Expressionsänderungen unter umstrukturierten oder modifizierten Nachbarschaftsinteraktionen präzise vorherzusagen, wobei es bestehende Methoden auf groß angelegten räumlichen Transkriptomik-Datensätzen übertrifft.

Ursprüngliche Autoren: Abdul Moeed, Stefan Schrod, Martin Rohbeck, Marc Jan Bonder, Pavlo Lutsik, Oliver Stegle, Daniel Dimitrov

Veröffentlicht 2026-06-09

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Abdul Moeed, Stefan Schrod, Martin Rohbeck, Marc Jan Bonder, Pavlo Lutsik, Oliver Stegle, Daniel Dimitrov

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen

Das große Ganze: Das „Nachbarschaftsproblem“ der Zellen

Stellen Sie sich eine Stadt vor, in der jeder Mensch (eine Zelle) eine einzigartige Persönlichkeit und einen spezifischen Beruf hat. In der Biologie wollen wir vorhersagen, wie sich ein Mensch verhalten wird, wenn er in eine andere Nachbarschaft zieht.

Der alte Weg: Frühere Computermodelle behandelten Menschen so, als würden sie isoliert leben. Sie gingen davon aus, dass, wenn man jedem denselben „Reiz“ gibt (wie ein neues Gesetz oder ein Virus), jeder gleich reagieren würde, ungeachtet dessen, wer seine Nachbarn sind.
Die Realität: In einem lebenden Körper wird Ihr Verhalten stark von Ihren Nachbarn beeinflend beeinflusst. Eine Person, die neben einer Bäckerei wohnt, riecht vielleicht Brot und bekommt Hunger; eine Person, die neben einer Baustelle wohnt, fühlt sich vielleicht gestresst. In der Biologie wird die „Stimmung“ (Genexpression) einer Zelle durch die Zellen geformt, die direkt neben ihr liegen.

Das Paper argumentiert, dass wir, um vorherzusagen, wie sich eine Zelle verändert, nicht nur auf die Zelle selbst schauen dürfen; wir müssen simulieren, was passiert, wenn wir ihre Nachbarn austauschen oder ändern, was ihre Nachbarn sagen.

Die Lösung: „Cellina“ (Der Nachbarschafts-Simulator)

Die Autoren haben ein Werkzeug namens Cellina entwickelt. Betrachten Sie Cellina als einen superintelligenten Übersetzer, der in der Lage ist, das „Innere Selbst“ einer Person von ihrer „Umgebung“ zu trennen.

Die zwei Teile einer Person:
- Das innere Selbst (intrinsisch): Wer Sie im Kern sind (z. B. „Ich bin ein Bäcker“). Dies ändert sich nicht, nur weil Sie umziehen.
- Die Umgebung (extrinsisch): Wie Ihre Umgebung Sie beeinflusst (z. B. „Ich rieche nach Brot, weil ich neben einer Bäckerei wohne“).
Der Zaubertrick (Entflechtung/Disentanglement):
Viele KI-Modelle vermischen diese beiden Dinge. Wenn man einen Bäcker in eine Baustelle versetzt, könnte ein schlechtes Modell denken, der Bäcker sei zu einem Bauarbeiter geworden. Cellina ist besonders, weil es eine „überwachte Entflechtung“ nutzt.
- Analogie: Stellen Sie sich vor, Sie haben ein Foto einer Person. Cellina nutzt einen speziellen Filter, um die Person vom Hintergrund zu trennen. Es lernt, die Person zu erkennen, auch wenn sich der Hintergrund ändert, und es lernt, den Hintergrund zu erkennen, auch wenn sich die Person ändert.
- Wie es lernt: Es nutzt einen „Lehrer“ (Zelltyp-Labels), der sagt: „Dieser Teil der Daten ist die Identität der Person“, und einen „Trickster“ (adversarielles Training), der sagt: „Stelle sicher, dass der ‚Person‘-Teil nicht versehentlich etwas über die ‚Nachbarschaft‘ lernt.“

Die zwei Arten von Experimenten

Das Paper testet Cellina mit zwei spezifischen „Was wäre wenn?“-Szenarien, die sie Kontrafaktika nennen:

1. Kanten-Perturbation (Der „Umzugstest“)

Die Frage: „Wie sähe diese Zelle aus, wenn wir sie physisch in eine andere Nachbarschaft bewegen würden und ihr einen völlig neuen Satz an Nachbarn gaben?“
Die Analogie: Stellen Sie sich vor, man nimmt einen Bäcker und zieht ihn zu einer Baustelle, wobei seine alten Nachbarn durch Bauarbeiter ersetzt werden. Cellina sagt voraus, wie sich das Verhalten des Bäckers allein dadurch ändert, dass er von diesen neuen Menschen umgeben ist.
Das Ergebnis: Cellina war darin viel besser als andere Werkzeuge. Es konnte erfolgreich vorhersagen, dass der Bäcker anfangen würde, sich anders zu verhalten (z. B. nach Sägemehl zu riechen), ohne dabei seine Identität als Bäcker zu verlieren.

2. Knoten-Perturbation (Der „Botschaftsänderungs-Test“)

Die Frage: „Was passiert, wenn die Nachbarn im selben Haus bleiben, aber anfangen, andere Dinge zu rufen?“
Die Analogie: Der Bäcker bleibt neben den Bauarbeitern, aber anstatt über Bohrer zu schreien, fangen sie an, über Blaupausen zu schreien. Cellina sagt voraus, wie der Bäcker auf diese Änderung des Gesprächs reagiert, ohne umzuziehen.
Das Ergebnis: Cellina konnte dies ebenfalls simulieren und vorhersagen, wie spezifische biologische Pfade (wie ein bestimmtes Genprogramm) durch diese neuen Signale aktiviert oder deaktiviert werden.

Warum das wichtig ist (laut dem Paper)

Die Autoren haben Cellina an zwei massiven Datensätzen getestet:

Kolorektales Karzinom: Untersuchung von Zellen in gesundem Darmgewebe versus Krebsgewebe.
Mausgehirn: Untersuchung verschiedener Regionen eines Mausgehirns.

Die Erkenntnisse:

Bessere Vorhersagen: Cellina schlug alle existierenden Methoden (wie scGen, CPA und MintFlow) bei der Vorhersage, wie sich Zellen in diesen „virtuellen Experimenten“ verändern würden.
Verborgene Muster finden: Da Cellina die „Nachbarschaft“ von der „Zelle“ trennt, fand es verborgene Untergruppen innerhalb des Krebsgewebes, die andere Methoden übersahen. Es erkannte, dass nicht alle Krebszellen in derselben „Umgebung“ sind, selbst wenn sie im selben Tumor liegen.
Skalierbarkeit: Es kann Millionen von Zellen verarbeiten, ohne abzustürzen, was für die moderne Biologie von großer Bedeutung ist.

Was Cellina nicht tut (basierend strikt auf dem Text)

Es ist keine Kristallkugel für Heilmittel: Das Paper stellt explizit klar, dass dies „in-silico“ (Computersimulation) Vorhersagen sind. Es handelt sich um „generative Hypothesen“, die erst im echten Labor (Wet-Lab-Validierung) getestet werden müssen, bevor wir wissen, ob sie wahr sind.
Es ersetzt keine Ärzte: Die Autoren behaupten nicht, dass dieses Werkzeug Patienten diagnostizieren oder Medikamente verschreiben kann. Es ist ein Forschungswerkzeug, das Wissenschaftlern helfen soll, die Interaktion von Zellen zu verstehen.
Es ist auf Labels angewiesen: Um seine Magie wirken zu lassen, muss Cellina gesagt bekommen, um was für einen „Typ“ von Zelle es sich handelt (z. B. „Dies ist eine T-Zelle“) und in welcher „Region“ es sich befindet (z. B. „Dies ist der Tumor“). Es lernt aus diesen Labels, um die Identität von der Umgebung zu trennen.

Zusammenfassung

Cellina ist ein neues Computerprogramm, das Gewebe wie einen Graphen verbundener Nachbarn behandelt. Es lernt, die Identität einer Zelle von ihrer Umgebung zu trennen. Dadurch kann es „Was wäre wenn?“-Fragen beantworten: „Was wäre, wenn diese Zelle andere Nachbarn hätte?“ oder „Was wäre, wenn ihre Nachbarn etwas anderes sagen würden?“ Es tut dies besser als jedes bisherige Werkzeug und hilft Wissenschaftlern, das komplexe soziale Leben von Zellen in Geweben wie Tumoren und Gehirnen zu verstehen.

Technisches Resümee: Abfrage von Kontrafaktika auf Gewebe-Graphen mittels überwachter Entkopplung

Problemdefinition

Die Einzelzellbiologie zielt darauf ab, die zellulären Reaktionen auf Perturbationen vorherzusagen. Bestehende Methoden stützen sich jedoch typischerweise auf zwei Annahmen, die Gewebe verletzen: (i) Perturbationen wirken als gemeinsame Stimuli, die einheitlich angewendet werden, und (ii) Zellen sind bedingt unabhängig (i.i.d.). In lebenden Geweben wird der transkriptionelle Zustand einer Zelle durch ihre lokale Nachbarschaft geformt, welche für jede Zelle einzigartig variiert.

Die Autoren formalisieren Gewebe-Graph-Kontrafaktika als eine Klasse räumlicher Interventionen mit der Frage: Was würde eine Zelle exprimieren, wenn ihr Nachbarschaftskontext verändert würde, während ihre intrinsische Identität unverändert bliebe? Diese Interventionen zielen auf zwei veränderbare Komponenten des Gewebegraphen ab:

Kanten-Perturbation (Edge Perturbation): Umverdrahtung der Nachbarschaftsverbindungen einer Zelle (Ersetzen von Nachbarn).
Knoten-Perturbation (Node Perturbation): Modifikation der Genexpressionsmerkmale bestehender Nachbarn bei gleichbleibender Graph-Topologie.

Aktuelle Methoden verfügen über keinen vereinheitlichten Rahmen zur Handhabung dieser Abfragen, da sie Zellen oft als i.i.d. behandeln oder spezifische Interventionstypen adressieren, ohne die intrinsische Zellidentität von dem extrinsischen mikroumweltbedingten Einfluss zu trennen.

Methodik: Cellina

Das Paper stellt Cellina vor, ein Graph-Variational Autoencoder (VAE), das durch überwachte Entkopplung (supervised disentanglement) die Handhabung von Gewebe-Graph-Kontrafaktika handhabbar macht.

Modellarchitektur

Cellina zerlegt die Genexpression $x$ einer Zelle in zwei latente Komponenten:

Intrinsische Repräsentation ( $z$ ): Kodiert die Zellidentität (Zelltyp), unabhängig vom räumlichen Kontext.
Extrinsische Repräsentation ( $s$ ): Kodiert die Wirkung des räumlichen Mikromilieus (Nachbarschaft).

Das generative Modell nimmt Standardnormalverteilungen als Priors für $z$ und $s$ an, wobei die Likelihood $p(x|z, s)$ als Negative-Binomial-Verteilung modelliert wird, die durch einen Decoder $Dec([z; s])$ parametrisiert ist.

Inferenz-Varianten

Es werden zwei Varianten vorgeschlagen, um die räumliche Repräsentation $s$ zu kodieren:

Cellina (Basis): Verwendet eine graduat-normalisierte Aggregation der log-normalisierten Nachbarexpression $\phi(v)$ , die über ein MLP kodiert wird.
Cellina-GAT: Ersetzt den festen Aggregator durch ein mehrschichtiges Graph Attention Network (GATv2), das auf dem lokalen Subgraphen operiert. Diese Variante schließt Self-Loops aus, um sicherzustellen, dass die Expression der Fokuszelle ausschließlich durch $z$ erfasst wird.

Überwachte Entkopplung

Eine rein unüberwachte Faktorisierung ist ohne induktive Biase nicht identifizierbar. Cellina injiziert biologische Überwachung, um $z$ an die Zelltyp-Identität zu binden und die räumliche Variation nach $s$ zu leiten:

Zelltyp-Klassifikator ( $L_{clf}$ ): Bindet $z$ an bekannte Zelltyp-Labels.
Adversarieller Domänen-Diskriminator ( $L_{adv}$ ): Eine zweistufige alternierende Optimierung, bei der ein Diskriminator versucht, die räumliche Domäne aus $z$ vorherzusagen. Der Encoder wird trainiert, diese Vorhersage zu minimieren (Entropie zu maximieren), was die räumliche Domänen-Information effektiv aus $z$ entfernt und sie in $s$ erzwingt.
Kontrastiver Verlust ( $L_{spatial}$ ): Wird nur in Cellina-GAT angewendet; dieser Verlust fördert die Ähnlichkeit in $s$ für räumliche Nachbarn, während er distinkte Domänenregionen voneinander trennt, was als biologisch fundierter induktiver Bias dient.

Das gesamte Trainingsziel ist:
$\mathcal{L} = \mathcal{L}_{VAE} + \alpha_{clf} \mathcal{L}_{clf} + \alpha_{spatial} \mathcal{L}_{spatial} - \alpha_{adv} \mathcal{L}_{adv}$

Kontrafaktische Simulation

Kanten-Perturbation: Die Nachbarn einer Fokuszelle werden durch Zellen aus einer Zieldomäne ersetzt (z. B. Ersetzen von gesunden Nachbarn durch Krebs-Nachbarn), wobei die eigene Art der Fokuszelle ausgeschlossen wird, um eine konservative Evaluierung zu gewährleisten.
Knoten-Perturbation: Die Graph-Topologie bleibt fix, aber die Genexpressionsvektoren der Nachbarn werden durch eine genspezifische Transformation modifiziert (z. B. multiplikative Skalierung basierend auf Log-Fold-Changes zwischen Domänen).

Zentrale Beiträge

Formalisierung: Die Autoren definen Gewebe-Graph-Kontrafaktika als eine vereinheitlichte Klasse räumlicher Interventionen, die sowohl Kanten- (Topologie) als auch Knoten-Perturbationen (Merkmale) umfasst.
Cellina-Framework: Sie führen einen Dual-Encoder-Graph-VAE mit überwachter Entkopplung ein, der die intrinsische Identität von dem räumlichen Kontext trennt.
Leistung: Cellina übertrifft räumlich informierte und nicht-räumliche Baselines (einschließlich scGen, CPA, MintFlow und SpatialProp) in der kontrafaktischen Vorhersage, der Entkopplung und der Skalierbarkeit über Datensätze mit mehr als 2,5 Millionen Zellen hinweg.
Biologische Entdeckung: Das Framework ermöglicht die unüberwachte Identifizierung biologisch distinkter Krebs-Subdomänen und erleichtert gezielte, pfadspezifische Nachbarschafts-Perturbationssimulationen.

Experimentelle Ergebnisse

Das Modell wurde auf zwei groß angelegten räumlichen Transkriptomik-Datensätzen evaluiert:

Kolorektales Karzinom (CRC): ~2,4 Millionen Zellen über sechs Slides. Die Aufgabe bestand darin, die Expression gesunder Darmzellen (REF) vorherzusagen, wenn diese in einer Tumorregion (CRC) platziert würden.
- Ergebnisse: Cellina-Varianten übertrafen alle Baselines signifikant. Die Basis-Cellina verbesserte die Pearson-Korrelation um +0,14 und die Signed Precision um +0,17 gegenüber der stärksten Nicht-Cellina-Baseline. Cellina-GAT erreichte den höchsten Pearson-Score (0,85) und den niedrigsten RMSE (1,14).
- Ablation: Selbst die "Cellina (ablated)"-Variante (ohsten der Überwachung) übertraf nicht-räumliche Baselines, aber die überwachte Entkopplung lieferte weitere Gewinne (+0,12 Pearson), was die Wirksamkeit der Trennungsstrategie bestätigt.
Gesamtes Mausgehirn: ~146K Zellen über drei Slides (MERFISH). Die Aufgabe war der Transfer von Vorhersagen zwischen räumlichen Domänen (Thalamus zu Isocortex/Faserzüge).
- Ergebnisse: Cellina-Varianten führten erneut in drei von vier Metriken, was die Generalisierbarkeit über Gewebe und Spezies hinweg demonstriert.

Biologische Erkenntnisse

Subdomänen-Entdeckung: Das Clustering der latenten räumlichen Repräsentation $s$ enthüllte distinkte CRC-Subdomänen (CRC1 und CRC2) mit unterschiedlichen Signalprofilen (TGF $\beta$ -dominant vs. NF $\kappa$ B/MAPK-dominant) ohne direkte Überwachung.
Pfad-Perturbation: Die Simulation von Knoten-Perturbationen unter Verwendung von PROGENy-Pfadgewichten reproduzierte erfolgreich die biologischen Reaktionen dieser Subdomänen und identifizierte Schlüsselgene (z. B. FN1, MMP3), die konsistent mit bekannten Fibroblasten-Programmen sind.

Bedeutung und Ansprüche

Das Paper behauptet, dass Cellina einen fundierten Rahmen für die Untersuchung nachbarschaftsgetriebener Zellreaktionen bietet, der über die Annahme unabhängiger Zellen hinausgeht. Durch die explizite Entkopplung des intrinsischen Zustands von dem extrinsischen Einfluss ermöglicht das Modell:

Kontextuelle Vorhersage: Vorhersage des Zellverhaltens nicht in Isolation, sondern innerhalb spezifischer räumlicher Kontexte.
Reduzierung des experimentellen Suchraums: Generierung "virtueller" Zellreaktionen auf veränderte Nachbarschaften, um die Validierung im Wet-Lab zu leiten.
Skalierbarkeit: Das Basis-Cellina-Modell skaliert effizient (Trainingszeit vergleichbar mit nicht-räumlichem scVI), indem es die Konstruktion der Nachbarschaft vom Training entkoppelt, im Gegensatz zu Graph-Attention-basierten Wettbewerbern, die teures Message Passing erfordern.

Die Autoren merken an, dass Kontrafaktika derzeit generative Hypothesen sind, die experimenteller Validierung bedürfen, dass die operative Interpretation dieser Simulationen jedoch einen vielversprechenden Weg zur Abfrage virtueller Zellreaktionen in komplexen Gewebeumgebungen darstellt. Sie räumen Einschränkungen ein, wie die Abhängigkeit von vordefinierten Zelltyp- und Domänen-Annotationen sowie das Potenzial für Segmentierungsfehler in räumlichen Daten, und schlagen vor, dass zukünftige Arbeiten Rohbildsignale integrieren könnten, um diese Eingaben zu entrauschen.