ELISA: An Interpretable Hybrid Generative AI Agent for Expression-Grounded Discovery in Single-Cell Genomics

ElISA es un agente de IA híbrido e interpretable que unifica los embeddings de scGPT con la recuperación semántica de BioBERT y la interpretación mediada por LLM para permitir el descubrimiento interactivo de hipótesis biológicas a partir de datos de scRNA-seq sin acceder a la matriz de conteo original, superando significativamente a sistemas anteriores como CellWhisperer en la recuperación de tipos celulares y la alineación con hallazgos biológicos publicados.

Lo esencial

Imagina que tienes una biblioteca gigante con millones de libros, pero en lugar de palabras, cada libro está escrito en un código secreto de letras (genes) que solo los científicos expertos pueden descifrar. Esta biblioteca representa los datos de secuenciación de ARN de una sola célula, una tecnología que nos permite ver qué está pasando dentro de cada célula individual de nuestro cuerpo.

El problema es que, aunque tenemos toda esta información, traducirla en una historia comprensible sobre cómo funciona una enfermedad es como intentar armar un rompecabezas de un millón de piezas sin ver la imagen de la caja. Los científicos pasan meses intentando encontrar patrones.

Aquí es donde entra ELISA.

¿Qué es ELISA?

ELISA no es el test médico que usas para detectar virus (aunque tiene el mismo nombre). En este contexto, es un agente de inteligencia artificial (un "robot investigador") diseñado para leer esos libros codificados y contarte una historia coherente.

Piensa en ELISA como un traductor bilingüe superpoderoso que habla dos idiomas a la vez:

1. El idioma de los genes: Entiende listas de genes específicos (como "MARCO, FABP4, APOC1...").
2. El idioma humano: Entiende conceptos biológicos normales (como "inflamación en los pulmones" o "células que luchan contra el cáncer").

¿Cómo funciona? (La analogía del Detective)

Imagina que eres un detective y tienes dos tipos de pistas:

• Pista A: Una lista de nombres de sospechosos (genes).
• Pista B: Una descripción del crimen en lenguaje normal (ej. "hubo una explosión en la fábrica").

La mayoría de las herramientas anteriores solo podían buscar por Pista A (necesitaban la lista exacta de genes) o solo por Pista B (necesitaban una descripción perfecta). Si mezclabas ambas, se confundían.

ELISA es diferente porque tiene un "jefe de policía" inteligente:

1. Analiza tu pregunta: Si le preguntas "¿Dónde están las células que producen moco?", ELISA sabe que es una pregunta en lenguaje normal y busca en su base de datos de conceptos. Si le das una lista de genes raros, sabe que es una pregunta técnica y busca en su base de datos de genes.
2. Mezcla las pistas: Si le das una mezcla (ej. "Busca células con los genes X, Y, Z que estén inflamadas"), ELISA usa ambas estrategias a la vez para encontrar la respuesta más precisa.
3. No necesita el libro original: Una vez que ELISA ha estudiado la biblioteca, crea un "mapa mental" (una representación matemática). Cuando le haces una pregunta, no necesita volver a leer millones de páginas; consulta su mapa mental instantáneamente.

¿Qué hace ELISA que lo hace especial?

1. Es un detective de "cajas negras": Antes, las IAs que leían genes eran como cajas negras: te daban una respuesta pero no sabías explicar por qué. ELISA es transparente. Te dice: "Encontré estas células porque coinciden con estos genes y porque suena a este concepto biológico".
2. Genera hipótesis: No solo resume lo que ya sabes. Si miras los datos de un paciente con fibrosis quística, ELISA podría decirte: "Oye, he notado algo curioso. Estas células de defensa (macrófagos) están hablando con otras células de una manera que no hemos visto antes. ¿Podría ser que están limpiando células muertas de forma incorrecta?". Esto ayuda a los científicos a descubrir cosas nuevas.
3. Es un asistente de laboratorio: Puedes preguntarle cosas como:
   • "¿Qué vías de señalización están activas en este tumor?"
   • "¿Cómo cambian las células cuando tratamos con este fármaco?"
   • "¿Qué células están interactuando entre sí?"
     Y ELISA te da un informe listo para publicar, con gráficos y explicaciones claras.

¿Por qué es importante?

Antes, un científico podía pasar semanas analizando datos para encontrar una respuesta. Con ELISA, puede hacer la misma pregunta en segundos y obtener una respuesta que ya ha verificado contra miles de estudios previos.

Es como pasar de tener que buscar una aguja en un pajar a tener un imán que no solo encuentra la aguja, sino que te explica de qué está hecha y por qué estaba ahí.

En resumen:
ELISA es un puente entre los datos fríos y complejos de la biología celular y la curiosidad humana. Convierte números y genes en historias comprensibles, ayudando a los científicos a entender enfermedades, diseñar mejores tratamientos y descubrir secretos que antes estaban ocultos en el "ruido" de los datos.

Resumen técnico

Resumen Técnico: ELISA

1. El Problema

La traducción de datos de secuenciación de ARN de una sola célula (scRNA-seq) en hipótesis biológicas mecánicas sigue siendo un cuello de botella crítico. Existen dos limitaciones fundamentales en los sistemas actuales:

• Sistemas Agentes de IA: Carecen de acceso directo a representaciones transcriptómicas (datos de expresión génica) y dependen principalmente de texto curado.
• Modelos Fundacionales de Expresión (como scGPT): Aprenden representaciones latentes ricas de los datos de expresión, pero estas son opacas a las interfaces de lenguaje natural, lo que dificulta su interrogación por parte de biólogos que formulan hipótesis en lenguaje natural.

No existe un sistema unificado que combine la recuperación semántica basada en lenguaje con el escrutinio directo de firmas génicas y la interpretación biológica automatizada en un solo marco interactivo.

2. Metodología: Arquitectura de ELISA

ELISA (Embedding-Linked Interactive Single-cell Agent) es un marco de IA interpretable que unifica tres componentes principales para la descubrimiento interactivo de células individuales:

• A. Preparación de Datos y Representación Híbrida:

  • Los datos scRNA-seq se preprocesan (normalización, selección de genes variables, PCA, clustering Leiden).
  • Se generan dos tipos de incrustaciones (embeddings) por clúster:
    1. Incrustaciones de Expresión: Generadas por scGPT (modelo fundacional para scRNA-seq).
    2. Incrustaciones Semánticas: Generadas por BioBERT a partir de descripciones de clústeres enriquecidas con términos de Gene Ontology (GO) y Reactome.
  • Estos datos se almacenan en un archivo serializado (.pt) que permite operar sin necesidad de acceder a la matriz de conteos original.

• B. Motor de Recuperación Híbrida con Clasificación de Consultas:

  • Un clasificador automático analiza la entrada del usuario (basada en heurísticas de tokens) para determinar si la consulta es una firma génica (lista de genes), un concepto natural (lenguaje natural) o una mezcla.
  • Ruteo Dinámico:
    • Consultas de Genes: Se envían a un pipeline de puntuación de marcadores génicos, comparando la firma de entrada con los perfiles de expresión diferencial (DE) de los clústeres usando una función ponderada de log2FC y especificidad.
    • Consultas Semánticas: Se envían a un pipeline de recuperación semántica, calculando la similitud coseno entre la consulta y las incrustaciones de BioBERT, con refuerzo de nombres de ontología y expansión de sinónimos.
    • Consultas Mixtas: Se resuelven mediante Fusión Recíproca de Rangos (RRF) para combinar las puntuaciones de ambos pipelines.

• C. Módulos Analíticos Integrados:
  Operan directamente sobre los datos incrustados sin necesidad de la matriz original:

  • Predicción de Interacciones Ligando-Receptor: Utiliza una base de datos curada de 280+ pares (de CellChat, CellPhoneDB, NicheNet).
  • Puntuación de Actividad de Vías: Evalúa más de 60 conjuntos de genes en 5 categorías (señalización inmune, biología celular, neurociencia, metabolismo, específicos de tejido).
  • Análisis Comparativo y de Proporciones: Identifica cambios en la expresión génica y proporciones celulares condicionados a estados experimentales (ej. enfermedad vs. control).

• D. Interpretación Mediada por LLM:

  • Un modelo de lenguaje grande (LLaMA-3.1-8B, alojado en Groq) recibe los resultados de recuperación y análisis.
  • Se utilizan prompts estrictos para garantizar que la interpretación se base únicamente en la evidencia del dataset, evitando alucinaciones y afirmaciones causales no soportadas.
  • Genera informes estructurados que incluyen evidencia, biología establecida, análisis de consistencia e hipótesis candidatas.

3. Contribuciones Clave

1. Agente de Descubrimiento Multimodal: Primer marco que integra incrustaciones transcriptómicas (scGPT), recuperación de conocimiento semántico (BioBERT) y razonamiento LLM para la exploración de scRNA-seq.
2. Arquitectura de Recuperación Híbrida Adaptativa: Evita la fusión implícita de embeddings (que puede perder especificidad) mediante un enrutamiento explícito basado en el tipo de consulta, combinando lo mejor de ambos mundos (semántica y genética).
3. Módulos Analíticos "Grounded": Integra herramientas de análisis biológico (vías, interacciones, proporciones) directamente en el flujo de recuperación, permitiendo transiciones fluidas de "qué células" a "qué hacen".
4. Marco de Evaluación Cuantitativa: Propone una estrategia de evaluación rigurosa para medir la capacidad de los agentes de IA para replicar hallazgos biológicos publicados.

4. Resultados

El sistema fue validado en seis conjuntos de datos scRNA-seq diversos (enfermedad pulmonar, neuroblastoma, inmunoterapia, organoides, tejido sano, desarrollo cerebral).

• Rendimiento de Recuperación:

  • ELISA superó significativamente a CellWhisperer (el estado del arte actual) en la recuperación de tipos celulares.
  • Prueba de permutación combinada: $p < 0.001$.
  • Mejora en consultas de expresión: Diferencia media en MRR (Mean Reciprocal Rank) de +0.41, con un tamaño del efecto enorme (Cohen's $d = 5.98$). CellWhisperer falló notablemente en consultas basadas en firmas génicas, mientras que ELISA mantuvo un alto rendimiento.
  • Equilibrio: ELISA Union (fusión adaptativa) superó o igualó a CellWhisperer en consultas ontológicas y lo superó drásticamente en consultas de expresión.

• Replicación de Hallazgos Biológicos:

  • Puntuación compuesta media: 0.90 (rango 0.82–0.96) al comparar los informes de ELISA con las publicaciones originales.
  • Alineación de vías: 0.98 (casi perfecta).
  • Cobertura de temas: 0.98.
  • Recuperación de interacciones: 0.77 (variando según la complejidad del dataset).
  • ELISA replicó con éxito hallazgos clave como la firma de interferón en fibrosis quística, el eje HB-EGF/ERBB4 en neuroblastoma y la polarización de macrófagos en inmunoterapia.

• Descubrimiento de Nuevas Hipótesis:

  • ELISA identificó señales reguladoras candidatas no destacadas en los estudios originales, como el eje de fagocitosis CALR–LRP1 en macrófagos de fibrosis quística y el uso diferencial de factores de transcripción AP-1 (JUND vs. JUNB/FOS) en respuesta a la terapia en neuroblastoma.

5. Significancia e Impacto

• Puente entre Datos y Biología: ELISA cierra la brecha entre la exploración de datos transcriptómicos complejos y la generación de hipótesis biológicas estructuradas, permitiendo a los investigadores pasar de datos crudos a conclusiones en una sola sesión interactiva.
• Superioridad del Enrutamiento Explícito: El estudio demuestra que el enrutamiento explícito de consultas (clasificar y dirigir) es superior a la fusión implícita de embeddings para tareas de recuperación multimodal en genómica, preservando la especificidad de los datos de expresión que a menudo se pierde en modelos puramente textuales.
• Reproducibilidad y Transparencia: Al separar estrictamente la evidencia del dataset de la interpretación del LLM, ELISA mitiga el riesgo de alucinaciones, ofreciendo un marco confiable para la descubrimiento asistido por IA.
• Escalabilidad: Al operar sobre representaciones incrustadas en lugar de matrices de conteos originales, ELISA reduce drásticamente los requisitos de memoria, permitiendo su ejecución en hardware estándar.

En conclusión, ELISA representa un avance significativo hacia la creación de "co-científicos" de IA capaces no solo de razonar sobre texto, sino de interactuar directamente con la estructura de los datos biológicos de alta dimensión para generar descubrimientos interpretables y reproducibles.