Resumen Técnico: Imputación Eficiente para Datos de Célula Única Basados en Parches Mediante Transporte Óptimo Regularizado por Clústeres

1. Enunciado del Problema

Las tecnologías de secuenciación de células únicas generan datos de alta dimensionalidad que son notoriamente dispersos debido a eventos de "dropout" (ceros técnicos) y a la falta de expresión biológica. Aunque existen numerosos métodos de imputación, generalmente asumen una ausencia uniforme o la completitud de los datos. A menudo, luchan contra datos faltantes basados en parches, un escenario donde bloques enteros de características (por ejemplo, todas las mediciones de proteínas en un lote de CITE-seq o todos los valores de expresión génica en una modalidad específica) están ausentes para un subconjunto del conjunto de datos.

Los métodos existentes suelen basarse en similitudes locales o en suposiciones fuertes sobre la completitud de los datos, lo que conduce a un sobre-alisado (difuminando las distinciones biológicas) o al fracaso en recuperar ausencias estructuradas. Además, muchos enfoques carecen de la eficiencia computacional requerida para conjuntos de datos a gran escala, requiriendo a menudo minutos u horas para la imputación.

2. Metodología: CROT

Los autores proponen Transporte Óptimo Regularizado por Clústeres (CROT), un algoritmo diseñado para imputar valores faltantes en datos tabulares de células únicas alineando un conjunto de datos incompleto ($X_2$) con un conjunto de datos de referencia completo ($X_1$).

Mecanismo Central

CROT formula la imputación como un problema de optimización que minimiza la distancia entre las distribuciones de los datos incompletos y completos, preservando al mismo tiempo la estructura biológica. El método utiliza Transporte Óptimo Entrópico (OT) para calcular un plan de transporte que mapea características de $X_1$ a $X_2$.

La función de pérdida total, $L_{CROT}$, consta de dos términos:

1. Alineación a Nivel de Datos: La divergencia de Sinkhorn ($S^\epsilon_p$) entre las distribuciones de datos crudos de $X_1$ y $X_2$. Esto asegura que los valores imputados se alineen con la distribución observada.
2. Regularización por Clústeres: Un término de regularización ($\alpha S^\epsilon_p$) que minimiza la divergencia de Sinkhorn entre los centroides de los clústeres de $X_1$ y $X_2$.

Flujo de Trabajo Algorítmico

1. Inicialización: Las entradas faltantes en $X_2$ se inicializan utilizando las medias de las columnas de $X_1$ más ruido gaussiano.
2. Determinación de Clústeres: El número óptimo de clústeres ($k$) se determina para los datos de referencia $X_1$ utilizando el método del codo y se aplica a $X_2$.
3. Optimización Alternada:
   • Paso de Agrupamiento: Se realiza agrupamiento K-means en subconjuntos muestreados de $X_1$ y la estimación actual de $X_2$ para asignar etiquetas de clúster y calcular centroides ($C_1, C_2$). Nota: el paso de asignación discreta no es diferenciable; por lo tanto, las asignaciones se mantienen fijas durante la actualización del gradiente.
   • Paso de Transporte: Se calcula la divergencia de Sinkhorn tanto para las muestras de datos como para los centroides de los clústeres.
   • Actualización: Las entradas faltantes en $X_2$ se actualizan mediante descenso de gradiente (utilizando el optimizador Adam) para minimizar la pérdida combinada.
4. Convergencia: El proceso itera hasta que la pérdida converge, típicamente dentro de 150 iteraciones.

Complejidad

El algoritmo emplea mini-lotes (muestreo de $l$ filas) para garantizar la escalabilidad. La complejidad temporal general es $O(m_1 \cdot n + T \cdot l^2)$, donde $m_1$ es el número de células en la referencia, $n$ es el número de características, $T$ es el número de iteraciones externas y $l$ es el tamaño del lote. Esta dependencia lineal del tamaño del conjunto de datos permite aceleraciones significativas en comparación con los enfoques de OT de matriz completa.

3. Contribuciones Clave

• Marco Novel: Introducción de CROT, el primer método de imputación basado en transporte óptico diseñado específicamente para manejar ausencia basada en parches (bloques completos de modalidades) en datos de células únicas.
• Preservación Estructural: La integración de un término de regularización por clústeres asegura que los datos imputados recapitulen la estructura de tipos celulares (centroides) de los datos de referencia, evitando el colapso de identidades celulares distintas.
• Eficiencia: El método logra una precisión de imputación superior con un tiempo de ejecución drásticamente reducido (segundos frente a minutos/horas para los métodos de referencia) aprovechando la regularización entrópica y la optimización por mini-lotes.
• Evaluación Robusta: Evaluación exhaustiva en tres conjuntos de datos del mundo real (CITE-seq, Multiome, PBMC) bajo escenarios simulados de dropout basado en parches.

4. Resultados Experimentales

Los autores evaluaron CROT frente a métodos de referencia de última generación, incluyendo MAGIC, scImpute, DeepImpute, totalVI, MultiVI y SCOTv2.

• Recuperación Numérica: CROT logró el coeficiente de correlación de Pearson (PCC) más alto y el error absoluto medio (MAE) y el error cuadrático medio (RMSE) más bajos en los tres conjuntos de datos. Por ejemplo, en el conjunto de datos CITE-seq, CROT alcanzó un PCC de $0.76 \pm 0.04$ y un MAE de $0.47 \pm 0.02$, superando al siguiente mejor método (totalVI).
• Rendimiento de Agrupamiento: En términos de agrupamiento de tipos celulares (medido por el Índice Rand Ajustado, NMI y Pureza), CROT superó consistentemente a otros métodos. En CITE-seq, alcanzó un ARI de $0.83$ y una Pureza de $0.93$, significativamente más altos que los datos crudos u otros métodos de imputación.
• Fidelidad Biológica: Las visualizaciones (UMAP) y el análisis de expresión de proteínas marcadoras (por ejemplo, CD3, CD14, CD19) confirmaron que CROT preserva la heterogeneidad biológica y las firmas específicas de tipos celulares mejor que sus competidores, los cuales a menudo mostraron una especificidad de marcadores atenuada.
• Eficiencia Computacional: CROT demostró una velocidad excepcional, completando la imputación en 5, 12 y 39 segundos para los conjuntos de datos CITE-seq, Multiome y PBMC, respectivamente. Esto representa aproximadamente el 1–2% del tiempo de ejecución requerido por el método de referencia promedio.
• Ablación y Robustez:
  • Los estudios de ablación confirmaron que tanto la pérdida a nivel de datos como el término de regularización por clústeres son necesarios para un rendimiento óptimo.
  • El análisis de sensibilidad mostró que el método es robusto ante variaciones en la fuerza de regularización ($\alpha$) y el número de clústeres ($k$).
  • Las pruebas de robustez indicaron que, aunque el rendimiento se degrada con gracia bajo ausencia aleatoria parcial (enmascaramiento del 50-75%) y composiciones de clústeres desajustadas (tipos celulares faltantes), sigue siendo competitivo, aunque el método asume una composición biológica similar entre la referencia y el objetivo.

5. Significado y Afirmaciones

El artículo afirma que CROT proporciona una solución robusta para la imputación en conjuntos de datos heterogéneos y de alta dimensionalidad con ausencia de datos estructurada, abordando una brecha crítica donde los algoritmos tradicionales centrados en el dropout fallan.

Los autores enfatizan que, al acoplar el transporte óptimo con la regularización a nivel de clúster, CROT equilibra efectivamente la precisión numérica con la preservación de la estructura biológica. El método se presenta como una herramienta práctica y escalable para el análisis de células únicas multimodal a gran escala, capaz de recuperar señales biológicas significativas (como subpoblaciones celulares raras y trayectorias de desarrollo) que a menudo están oscurecidas por el ruido o los datos faltantes. Los autores reconocen limitaciones relacionadas con la corrección explícita de lotes y la dependencia de que los datos de referencia compartan una composición biológica similar, sugiriendo estos aspectos como áreas para refinamiento futuro.