📊 statistics

Conformal inference for cell type annotation with graph-structured constraints

Este artículo presenta un nuevo marco de inferencia conforme implementado en el paquete de R `scConform` que aprovecha las ontologías de tipos celulares con estructura de grafo y el control de riesgo para mejorar la interpretabilidad y la coherencia de las anotaciones de tipos celulares en la transcriptómica de célula única, abordando al mismo tiempo los cambios de distribución entre los datos de entrenamiento y de prueba.

Autores originales: Daniela Corbetta, Livio Finos, Ludwig Geistlinger, Davide Risso

Publicado 2026-06-09

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Daniela Corbetta, Livio Finos, Ludwig Geistlinger, Davide Risso

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La visión general: Adivinar con una red de seguridad

Imagina que eres un detective intentando identificar a un sospechoso en una fila de 15 personas diferentes. Un modelo informático estándar actúa como un detective que señala a una persona y dice: "¡Es esa!". Pero a veces, el detective no está 100% seguro. Tal vez el sospechoso se parece un poco a la Persona A, pero también un poco a la Persona B.

Si el detective simplemente elige a la Persona A, podría equivocarse. Si elige tanto a la A como a la B, está más seguro, pero si la A y la B son totalmente desconocidas entre sí (como un panadero y un piloto), la lista no tiene mucho sentido.

Este artículo presenta una nueva forma para que las computadoras realicen estas suposiciones. En lugar de solo señalar a una persona, ofrece una lista de posibilidades que garantiza incluir la respuesta real la mayor parte del tiempo. Es mejor aún, se asegura de que las personas en la lista estén relacionadas entre sí, como un árbol genealógico, para que la lista tenga sentido lógico.

El problema: El "Árbol Genealógico" de las células

En biología, los científicos estudian diminutos bloques de construcción llamados células. Hay muchos tipos de células (como células T, células B, células musculares) y están relacionadas entre sí en una jerarquía específica, muy parecida a un árbol genealógico.

El Árbol: Todas las "células T" son hijas de los "Linfocitos". Las "células T CD4+" y las "células T CD8+" son primas.
El Problema: Los métodos informáticos antiguos podrían decir que una célula es o bien una "célula T CD4+" O una "Célula Muscular". Estas dos están muy alejadas en el árbol genealógico. Si la computadora está confundida, darte una lista con estas dos opciones no relacionadas es confuso y no muy útil.

La solución: Una "Red de Seguridad Inteligente"

Los autores desarrollaron un método llamado Inferencia Conforme (Conformal Inference). Piensa en esto como una "red de seguridad" para las predicciones.

La Garantía: El método promete: "Si usas mi lista de suposiciones, garantizo que la respuesta real estará dentro de esa lista el 90% de las veces". No importa qué tan bueno o malo sea el modelo informático original; la red de seguridad se ajusta a sí misma para cumplir esa promesa.
La Restricción de Grafo: Esta es la vuelta de tuerca especial del artículo. En lugar de simplemente agarrar suposiciones al azar, el método observa el "Árbol Genealógico" (el grafo).
- Si la computadora está muy segura, te da una hoja específica del árbol (por ejemplo, "célula T CD4+").
- Si la computadora no está segura, en lugar de darte una mezcla aleatoria de parientes lejanos, se mueve hacia arriba en el árbol genealógico hacia un ancestro común.
- Analogía: Si no estás seguro de si el sospechoso es una "célula T CD4+" o una "célula T CD8+", el método no enumera ambas. En su lugar, dice: "Es definitivamente una célula T". Esta es una respuesta única y clara que cubre ambas posibilidades sin ser confusa.

Manejo del problema de las "Diferentes Habitaciones" (Desplazamiento de Distribución)

Imagina que entrenaste a tu detective usando fotos de personas de Nueva York, pero ahora estás intentando identificar personas de Tokio. La iluminación, la ropa y las características promedio pueden ser diferentes. Esto se llama "desplazamiento de distribución" (distribution shift).

El Problema: Si la computadora fue entrenada con un conjunto de datos que tiene mayoritariamente "Células Musculares" y la pruebas en un conjunto de datos que tiene mayoritariamente "Células Sanguíneas", la red de seguridad podría romperse porque la computadora está confundida por la nueva mezcla.
La Solución: Los autores crearon un truco de "remuestreo". Antes de realizar la red de seguridad final, fingen barajar las fotos de entrenamiento para que la mezcla de personas en la sala de entrenamiento se vea exactamente igual a la mezcla de personas en la sala de prueba. Esto ayuda a que la red de seguridad funcione correctamente incluso cuando los datos provienen de diferentes fuentes (como diferentes hospitales o pacientes).

Pruebas del Mundo Real

Los autores probaron esta idea de dos maneras:

La Prueba del Intestino de Ratón: Utilizaron datos de intestinos de ratones. Descubrieron que su nuevo método producía listas que eran más lógicas. Cuando la computadora no estaba segura, agrupaba células relacionadas (como decir "célula T" en lugar de mezclar "CD4" y "célula B" juntos). También demostraron que cuando la computadora estaba verdaderamente confundida (como con un tipo de célula que nunca había visto antes), su método diría: "No lo sé, podría ser cualquiera de estas", lo cual es una respuesta honesta y útil.
La Prueba de COVID-19: Observaron células sanguíneas de pacientes con COVID-19. Simularon un escenario en el que tenían que predecir tipos de células para un nuevo paciente basándose en datos antiguos. Su método manejó con éxito las diferencias en los recuentos de células entre los datos antiguos y los nuevos, proporcionando grupos de suposiciones fiables que respetaban el árbol genealógico biológico.

La Conclusión

Este artículo entrega a los científicos una herramienta para realizar predicciones celulares que son:

Honestas: Admiten cuando no están seguros proporcionando una lista más amplia y segura.
Lógicas: Las listas respetan el árbol genealógico biológico, por lo que las respuestas tienen sentido.
Fiables: Tienen una garantía matemática de que la respuesta correcta suele estar en la lista.
Adaptables: Pueden manejar situaciones en las que los nuevos datos se ven diferentes a los datos de entrenamiento originales.

Los autores han puesto esta herramienta a disposición como un paquete de software gratuito llamado scConform para que otros científicos puedan usarlo para hacer sus propias predicciones celulares más confiables.

Resumen Técnico: Inferencia Conforme para la Anotación de Tipos Celulares con Restricciones Estructuradas en Grafos

Planteamiento del Problema
La transcriptómica de célula única enfrenta desafíos significativos en la predicción de tipos celulares, particularmente en lo que respecta a la cuantificación de la incertidumbre. Los enfoques tradicionales basados en referencias suelen depender de predicciones puntuales (asignar una única etiqueta con la mayor probabilidad), lo que no logra capturar la incertidumbre inherente del modelo, especialmente cuando múltiples tipos celulares presentan probabilidades comparables. Si bien la predicción conforme ofrece un marco para generar conjuntos de predicción con garantías de muestra finita, su aplicación en la genómica de célula única sigue siendo poco explorada. Además, los métodos conformes estándar suelen producir conjuntos de predicción que contienen etiquetas que están semánticamente distantes o no relacionadas dentro de la jerarquía biológica (por ejemplo, predecir tanto un tipo específico de célula T como una célula estromal), lo que complica la interpretación. Adicionalmente, las aplicaciones del mundo real sufren frecuentemente de cambios de distribución, específicamente de cambios de etiqueta (label shift), donde la composición de tipos celulares difiere entre el referente (entrenamiento/calibración) y los conjuntos de datos de prueba, violando el supuesto de intercambiabilidad requerido para la inferencia conforme estándar.

Metodología
Los autores proponen un marco novedoso que integra el control de riesgo conforme con las restricciones estructuradas en grafos de la Ontología Celular.

Control de Riesgo Conforme Estructurado en Grafos:
- Integración de la Ontología: El método utiliza la Ontología Celular como un Grafo Acíclico Dirigido (DAG), donde los nodos hoja representan tipos celulares específicos y los nodos internos representan categorías más amplias.
- Construcción de Puntuaciones: Para una clase predicha $\hat{y}(x)$ , el algoritmo calcula puntuaciones $g(v, x)$ para los nodos ancestros $v$ , definidas como la suma de las probabilidades predichas de todos los descendientes hoja de $v$ .
- Construcción del Conjunto de Predicción: En lugar de devolver nodos hoja dispersos, el algoritmo identifica el ancestro más específico $v$ de la clase predicha cuya puntuación acumulada supere un umbral $\lambda$ . El conjunto de predicción $C_\lambda(x)$ consiste en todos los descendientes hoja de este ancestro, más los descendientes hoja de cualquier otro ancestro con puntuaciones estrictamente por debajo de $\lambda$ (para asegurar la propiedad de anidamiento requerida para el control de riesgo).
- Función de Pérdida: El método emplea una función de pérdida de falta de cobertura (miscoverage loss), asegurando que la probabilidad de que la etiqueta verdadera caiga fuera del conjunto de predicción esté acotada por una tasa de error $\alpha$ especificada por el usuario.
Abordaje del Cambio de Distribución (Cambio de Etiqueta):
- Reconociendo que las composiciones de tipos celulares suelen diferir entre los conjuntos de datos de referencia y de prueba, los autores proponen un enfoque de dos pasos. Primero, asumen que los cambios de covariables técnicos y biológicos son mitigados mediante métodos de integración existentes (p. ej., Harmony, LIGER).
- Segundo, para abordar el cambio de etiqueta (diferencias en las frecuencias de tipos celulares), introducen una estrategia de remuestreo. Los datos de prueba se dividen en dos subconjuntos ( $S_1, S_2$ ). Un modelo se entrena en los datos de referencia y las probabilidades se estiman en $S_1$ . El conjunto de calibración se remuestrea entonces de acuerdo con estas probabilidades estimadas para coincidir con la distribución de prueba. Este conjunto remuestreado se utiliza para calibrar los conjuntos de predicción para $S_2$ . El proceso se repite intercambiando los roles. Esta estrategia aproxima la expectativa ponderada por importancia requerida para una cobertura válida bajo el cambio de etiqueta sin requerir conocimiento previo de la distribución de prueba.

Contribuciones Clave

Conjuntos de Predicción Restringidos por Grafos: El artículo introduce un algoritmo conforme que aprovecha la estructura jerárquica de las ontologías celulares para generar conjuntos de predicción que son semánticamente coherentes. En lugar de etiquetas disjuntas, el método devuelve conjuntos correspondientes a ancestros específicos en la ontología, proporcionando una etiqueta única e interpretable (o sus descendientes) que resume la incertidumbre.
Corrección de Cambio de Etiqueta: Los autores proporcionan una técnica de remuestreo práctica para corregir los problemas de cambio de etiqueta en la anotación de célula única, restaurando las garantías de cobertura válida cuando las composiciones de los conjuntos de datos de referencia y de prueba difieren.
Implementación: El método está implementado en el paquete de R de código abierto scConform (disponible vía Bioconductor), haciendo que este enfoque sea accesible para la comunidad genómica.

Resultados
Los autores evaluaron su método utilizando dos conjuntos de datos:

Conjunto de Datos de Ratón Merfish Ileum:
- En comparación con la inferencia conforme de división estándar (split conformal inference), el método estructurado en grafos produjo conjuntos de predicción con menores distancias intra-conjunto (distancia promedio 1.148 frente a 1.616), lo que indica una mayor coherencia semántica.
- Aunque los conjuntos basados en grafos fueron ligeramente más grandes en promedio, produjeron frecuentemente predicciones de una sola etiqueta cuando la confianza era alta.
- Crucialmente, para las células pertenecientes a categorías no presentes en la referencia (p. ej., "Myenteric Plexus"), el método basado en grafos produjo correctamente conjuntos "inconclusos" (que contienen las 15 etiquetas), mientras que la inferencia conforme estándar asignó incorrectamente etiquetas específicas de la referencia, fallando al no señalar la naturaleza fuera de distribución de los datos.
Conjunto de Datos de Pacientes con COVID-19:
- En un entorno clínico realista con distribuciones de tipos celulares desequilibradas, la estrategia de remuestreo propuesta corrigió con éxito los problemas de subcobertura.
- Sin el remuestreo, la cobertura empírica excedía el nivel nominal (sobrecobertura). Con la corrección por remuestreo (tanto el oráculo como el estimado), la cobertura convergió más cerca del objetivo de 0.9.
- El método consolidó con éxito las predicciones finas en ancestros biológicamente significativos (p. ej., agrupando subtipos de células plasmáticas bajo "célula secretora de anticuerpos"), demostiendo una mejor interpretabilidad.

Significancia y Reivindicaciones
El artículo sostiene que la incorporación de restricciones estructuradas en grafos en la inferencia conforme mejora significamente la interpretabilidad de las predicciones de tipos celulares en datos de célula única. Al alinear los conjuntos de predicción con la jerarquía biológica, el método evita la ambigüedad de las etiquetas disjuntas y proporciona un resumen más intuitivo de la incertidumbre del modelo.

Los autores enfatizan que su enfoque proporciona garantías de validez de muestra finita independientemente de la precisión del clasificador subyacente. A diferencia de los métodos de clasificación jerárquica que propagan errores hacia abajo en el árbol sin garantías de cobertura, este método asegura que el conjunto reportado contenga el tipo celular verdadero con una probabilidad prescrita ( $1-\alpha$ ). Además, la estrategia de remuestreo propuesta ofrece una solución con principios para el problema común del cambio de etiqueta en genómica, permitiendo una cuantificación de la incertidumbre fiable incluso cuando los conjuntos de datos de referencia y de prueba difieren en composición. El trabajo posiciona la inferencia conforme como una herramienta robusta para el análisis descendente (downstream), permitiendo a los investigadores incorporar explícitamente la incertidumbre del modelo en lugar de confiar en estimaciones puntuales potencialmente engañosas.