Learning Adaptive Perturbation-Conditioned Contexts for Robust Transcriptional Response Prediction

Resumen Técnico: ADAPERT

1. El Problema: Colapso de la Media (Mean Collapse)

La predicción de respuestas transcripcionales de alta dimensión ante perturbaciones genéticas es un desafío fundamental en la genómica funcional. A pesar de los avances en experimentos de perturbación de células individuales (como Perturb-seq), los modelos existentes sufren de un fallo crítico conocido como "colapso de la media" (mean collapse).

• Definición: Los modelos tienden a predecir cambios de expresión cercanos al promedio global de los genes en lugar de capturar los efectos específicos de la perturbación.
• Causa: Esto se debe a que los datos de perturbación son inherentemente ruidosos y esparcidos (solo un pequeño subconjunto de genes muestra cambios fuertes, los DEGs, mientras que la mayoría permanece inalterada).
• Consecuencia: Al tratar a todos los genes por igual y minimizar el error cuadrático medio (MSE), los modelos aprenden a "aplanar" las predicciones hacia cero, subestimando drásticamente los efectos biológicos reales y generando muchos falsos positivos.
• Limitación de métodos actuales: Las aproximaciones recientes que utilizan grafos de conocimiento biológico (KG) suelen tratar estos grafos como estructuras densas y estáticas, propagando ruido a través de genes no relacionados y oscureciendo la señal real de la perturbación.

2. Metodología: ADAPERT

Los autores proponen ADAPERT, un marco condicional a la perturbación diseñado para modelar explícitamente la esparcidad de las señales y la estructura biológica. El método se compone de dos módulos principales:

A. Extracción de Subgrafos Condicionados a la Perturbación
En lugar de utilizar el grafo de conocimiento biológico completo (por ejemplo, redes de interacción proteína-proteína) como un prior estático, ADAPERT aprende dinámicamente un subgrafo específico para cada perturbación:

1. Representaciones Semánticas y Estructurales: Combina embeddings estructurales del grafo (obtenidos mediante paso de mensajes) con embeddings semánticos de los genes (obtenidos de descripciones textuales en NCBI mediante modelos de lenguaje como GPT-4o).
2. Puntuación y Muestreo: Calcula una puntuación de relevancia para cada nodo (gen) en función de la perturbación específica. Utiliza el muestreo Gumbel-Softmax para seleccionar un subconjunto esparcido y diferenciable de nodos relevantes.
3. Resultado: Se genera un subgrafo compacto ($G_{context}$) centrado en los genes biológicamente relacionados con el gen perturbado, filtrando el ruido de la red global.

B. Esquema de Aprendizaje Adaptativo (Separación Señal-Ruido)
ADAPERT introduce una función de pérdida compuesta por tres términos para separar la señal verdadera del ruido experimental:

1. Pérdida de Reconstrucción Global ($L_{recon}$): Mantiene la fidelidad general de la expresión (MSE).
2. Pérdida Robusta para No-DEG ($L_{non}$): Aplica una pérdida de Huber específicamente a los genes que no son diferencialmente expresados (No-DEG). Esto penaliza desviaciones espurias en genes inalterados, evitando que el modelo prediga cambios donde no los hay.
3. Pérdida de Alineación Adaptativa ($L_{align}$): Guía la representación del subgrafo aprendido para que se alinee con los patrones de expresión diferencial reales (DEGs), asegurando que la estructura del subgrafo capture la señal biológica específica.

3. Contribuciones Clave

• Identificación y Solución del Colapso de la Media: Demostración de que el fallo principal de los modelos actuales no es la falta de datos, sino un diseño que ignora la esparcidad de las respuestas biológicas.
• Contexto Condicionado Dinámico: Propuesta de extraer subgrafos específicos para cada perturbación en lugar de usar grafos globales estáticos, lo que reduce la propagación de ruido.
• Mecanismo de Separación Señal-Ruido: Desarrollo de un esquema de entrenamiento que penaliza explícitamente los cambios falsos en genes no afectados, mejorando la precisión en la identificación de genes diana.
• Integración Multimodal: Fusión efectiva de grafos de conocimiento estructural y conocimiento semántico textual para enriquecer la representación de los genes.

4. Resultados Experimentales

El modelo se evaluó en dos conjuntos de datos de perturbación CRISPR de células individuales: K562.Replogle y RPE1.Replogle, comparándose con el estado del arte (scVI, CPA, STATE, GEARS, TxPert, MorPH).

• Rendimiento Global: ADAPERT superó consistentemente a todos los baselines en métricas globales como la correlación de Pearson en la diferencia de expresión (Pearson-Δ) y la Puntuación de Discriminación de Perturbación (PDS). La mejora en PDS fue particularmente notable, indicando una mejor capacidad para distinguir entre diferentes perturbaciones.
• Métricas Sensibles a DEGs: En métricas específicas para genes diferencialmente expresados (DEG-aware), como DES@K (puntuación de expresión diferencial) y la concordancia de dirección, ADAPERT mostró mejoras sustanciales. Esto confirma una recuperación más precisa de los genes afectados realmente.
• Robustez ante el Tamaño del Efecto:
  • En perturbaciones de efecto pequeño (donde el colapso de la media es más severo), ADAPERT logró una separación señal-ruido muy superior, manteniendo una alta precisión en la detección de DEGs incluso cuando la correlación global era similar a la de otros modelos.
  • En perturbaciones de efecto grande, mejoró todas las métricas.
• Validación a Nivel de Vías: El análisis de enriquecimiento de vías (GSEA) mostró una correlación significativa entre las vías predichas y las reales (ej. vías de ciclo celular y respuesta a Myc), demostrando que el modelo captura respuestas biológicas coordinadas más allá de la precisión gen por gen.

5. Significado e Impacto

Este trabajo representa un avance significativo en la modelado de respuestas celulares porque:

1. Cambia el Paradigma de Modelado: Pasa de tratar los grafos biológicos como restricciones estáticas a utilizarlos como fuentes de contexto dinámico y adaptativo.
2. Mejora la Interpretabilidad Biológica: Al reducir los falsos positivos y el colapso de la media, los resultados son más útiles para identificar dianas terapéuticas reales y entender mecanismos de regulación génica.
3. Robustez en Escenarios Ruidosos: Proporciona una solución efectiva para el desafío inherente del ruido en los datos de células individuales, permitiendo predicciones más confiables para perturbaciones no vistas (out-of-distribution).

En conclusión, ADAPERT demuestra que modelar explícitamente la esparcidad de las respuestas biológicas y adaptar el contexto de conocimiento a cada perturbación es crucial para superar las limitaciones actuales en la predicción transcripcional.