Graph-Regularised Multi-Omics Autoencoders Improve Stability and Clinical Coherence of Breast Cancer Patient Embeddings

Technisches Resümee: Graph-regulierte Multi-Omics-Autoencoder für die Einbettung von Brustkrebspatienten

Problemstellung
Die unüberwachte Patientenschichtung mittels Multi-Omics-Krebsdaten erfordert gelernte Repräsentationen, die gleichzeitig über unabhängige Trainingsläufe hinweg stabil, geometrisch organisiert und klinisch informativ sind. Standardmäßige Autoencoder-Frameworks behandeln molekulare Inputs typischerweise als unstrukturierte flache Vektoren und vernachlässigen dabei die reiche Interaktionstopologie, die in Protein-Protein-Interaktionsnetzwerken (PPI) kodiert ist. Während bereits graphbasierte Ansätze existieren, vermengen diese oft strukturelle Priors mit überwachten Zielsetzungen oder architektonischer Komplexität, was es schwierig macht, den spezifischen Beitrag des strukturellen Bias zu isolieren. Zudem wird die Stabilität der gelernten Einbettungen über verschiedene Zufallsinitialisierungen hinweg selten als primäres Kriterium evaluiert. Diese Studie adressiert die Lücke im Verständnis darüber, wie ein biologisch motivierter induktiver Bias, der sowohl durch die Trainingszielsetzung als auch durch ein spezifisches architektonisches Design eingeführt wird, die Stabilität, Geometrie und klinische Relevanz unüberwachter Multi-Omics-Einbettungen beeinflusst.

Methodik
Die Autoren führten einen kontrollierten Vergleich von drei Autoencoder-Varianten durch, die am TCGA-BRCA-Kohort (941 Patienten, 13.001 Gene, vier Omics-Modalitäten: RNA-Seq, Kopienzahlvariationen, DNA-Methylierung und somatische Mutationen) trainiert wurden. Alle Modelle wurden hinsichtlich der latenten Dimensionalität ($d=64$) angeglichen und unter strikter Anwendung unüberwachter Hyperparameter-Selektion trainiert.

1. Baseline-Autoencoder (BAE): Ein Standard-Autoencoder ohne Input-Korruption und ohne biologischen Prior, der alle Gen-Features als unabhängig behandelt. Er verwendet ein flaches Patient-Level-MLP.
2. Denoising-Autoencoder (DAE): Verwendet dieselbe Architektur wie der BAE (flaches Patient-Level-MLP), führt jedoch eine stochastische Input-Korruption ein (Gaußsches Rauschen, $\sigma=0,3$), um die statistische Robustheit ohne explizite strukturelle Priors zu verbessern.
3. Graph-regulierte Denoising-Autoencoder (GR-DAE): Dieses Modell führt die PPI-Struktur sowohl durch eine modifizierte Architektur als auch durch die Verlustfunktion ein.
   • Architektur: Im Gegensatz zum flachen Patient-Level-MLP der Baselines nutzt der GR-DAE einen gewichtsgeteilten, gen-basierten MLP-Encoder, der den 4-dimensionalen Omics-Vektor jedes Gens unabhängig verarbeitet und gen-spezifische latente Repräsentationen ($Y \in \mathbb{R}^{G \times 64}$) erzeugt. Die Patienten-Einbettungen werden durch Mean-Pooling über diese Gen-Repräsentationen abgeleitet.
   • Verlustfunktion: Die Trainingszielsetzung ergänzt den pro-Gen-Rekonstruktions-MSE (Mean Squared Error) um einen Laplacian-Smoothness-Penalty:
     $$L_{GR-DAE} = L_{recon} + \lambda \text{Tr}(Y^\top L_{sym} Y)$$
     wobei $L_{sym}$ der symmetrische normalisierte Laplace-Operator des PPI-Graphen ist (abgeleitet aus STRING v11, Konfidenz $\ge 0,85$). Dieser Term bestraft die latente Unähnlichkeit zwischen Genen, die im PPI-Netzwerk verbunden sind, und erzwingt, dass interagierende Gene ähnliche Positionen im latenten Raum einnehmen.
   • Hyperparameter-Selektion: Die Regularisierungsstärke $\lambda$ wurde mittels einer Grid-Suche basierend rein auf unüberwachten Stabilitätskriterien (Clustering-Stabilität über mehrere Restarts und Geometrieerhaltung) ausgewählt, ohne klinische Labels zu verwenden. Der optimale Wert wurde mit $\lambda = 10^{-6}$ ermittelt.

Zentrale Beiträge

• Isolation des induktiven Bias: Die Studie entwirft ein experimentelles Framework, das den Effekt eines PPI-basierten Laplacian-Regularisierers von Denoising- und Label-getriebenen Zielsetzungen isoliert. Während das Framework eine unregulierte gen-basierte Variante ($\lambda=0$) enthält, um teilweise für architektonische Verschiebungen zu kontrollieren, merken die Autoren explizit an, dass die vollständige Entkopplung der Beiträge der gen-basierten Architektur gegenüber dem expliziten Graph-Prior eine offene Richtung für zukünftige Arbeiten bleibt.
• Quantifizierung der Stabilität: Es wird gezeigt, dass selbst eine sehr schwache Laplacian-Regularisierung ($\lambda = 10^{-6}$), kombiniert mit der gen-basierten Architektur, die Across-Restart-Stabilität und die Erhaltung der latenten Geometrie im Vergleich zu unstrukturierten Baselines unter einem Label-freien Protokoll erheblich verbessert.
• Analyse der klinischen Kodierung: Es wird quantifiziert, wie die PPI-informierte Struktur die im latenten Raum kodierte klinische Information umgestaltet, wobei insbesondere das Hervortreten des Metastasierungsstatus als dominanter organisierender Faktor hervorgehoben wird.
• Komplementarität mit PAM50: Es charakterisiert die Beziehung zwischen PPI-informierten Einbettungen und etablierten PAM50-Molekularsubtypen und zeigt eine komplementäre statt einer redundanten Organisation auf.

Ergebnisse

• Repräsentationsstabilität: Der GR-DAE übertraf den DAE in der Across-Restart-Stabilität signifikant. Der Adjusted Rand Index (ARI) für das Clustering über 5 unabhängige Trainings-Seeds stieg von 0,861 (DAE) auf 0,980 (GR-DAE). Ähnlich verbesserte die Erhaltung der latenten Geometrie (Spearman-Korrelation der paarweisen Distanzmatrizen) von 0,915 auf 0,997.
• Latente Geometrie: Die Einführung des Laplacian-Terms verursachte einen „Dimensionalitätskollaps“. Während der DAE 13 Hauptkomponenten benötigte, um 90 % der Varianz zu erklären, benötigte der GR-DAE nur 3. Die erste Hauptkomponente erklärte 59,5 % der Varianz im GR-DAE gegenüber 24,6 % im DAE, was auf einen organisierteren und anisotropen latenten Raum hindeutet.
• Klinische Assoziation:
  • Cluster-Ebene: Unüberwachte Cluster aus dem GR-DAE zeigten eine hochsignifikante Assoziation mit dem Metastasierungsstatus (M-Klassifikation, $p = 9,5 \times 10^{-8}$), während der DAE keine signifikanten Assoziationen mit klinischen Variablen aufwies.
  • Dimension-Ebene: Im GR-DAE kodierten 60,9 % der 64 latenten Dimensionen nach FDR-Korrektur den Metastasierungsstatus, verglichen mit 0 % im DAE.
• PAM50-Ausrichtung: Während die Partition-Ebene-Übereinstimmung (ARI/NMI) zwischen GR-DAE-Clustern und PAM50-Subtypen nahe Null lag (wie für unüberwachte vs. überwachte Methoden zu erwarten), ergab ein Chi-Quadrat-Test eine hochsignifikante statistische Abhängigkeit ($\chi^2 = 108,7, p = 7,9 \times 10^{-16}$). Dies deutet darauf hin, dass PAM50-Subtypen nicht zufällig über die PPI-informierten Cluster verteilt sind, was zeigt, dass die Einbettungen komplementäre molekulare Strukturen erfassen.

Bedeutung und Ansprüche
Das Paper behauptet, dass ein einzelner, biologisch motivierter Regularisierungsterm, wenn er mit einem gen-basierten Architekturdesign kombiniert wird, die latente Geometrie und die klinische Kodierung unüberwachter Multi-Omics-Einbettungen substanziell umgestalten kann. Die Autoren postulieren, dass die PPI-Topologie als „sanfter struktureller Anstoß“ fungiert, der den Hypothesenraum einschränkt, die Diversität lokaler Minima reduziert und so zu reproduzierbareren Patientenschichtungen führt.

Die Studie kommt zu dem Schluss, dass eine PPI-basierte Laplacian-Regularisierung als kostengünstige, hochwirksame Komponente in Pipelines des unüberwachten Repräsentationslernens berücksichtigt werden sollte. Darüber hinaus argumentieren die Autoren, dass die Repräsentationsstabilität über unabhängige Trainingsläufe hinweg als obligatorisches Evaluationskriterium für unüberwachte klinische Repräsentationen eingeführt werden sollte, da instabile Einbettungen zu inkonsistenten klinischen Schlussfolgerungen führen können, selbst wenn nachgeschaltete Modelle leistungsfähig erscheinen. Die Ergebnisse werden als kohortenspezifisch und hypothesengenerierend präsentiert, mit dem Ziel, weitere Validierungen an unabhängigen Datensätzen anzuregen.