Advancing Cancer Prognosis with Hierarchical Fusion of Genomic, Proteomic and Pathology Imaging Data from a Systems Biology Perspective

Resumen Técnico: HFGPI para la Prognosis del Cáncer

1. Planteamiento del Problema

La predicción precisa del pronóstico del cáncer es fundamental para la medicina personalizada. Aunque los métodos actuales de aprendizaje multimodal han logrado integrar datos genómicos (expresión génica) e imágenes de patología (biopsias), presentan dos limitaciones críticas desde una perspectiva de biología de sistemas:

1. Omisión de la capa proteica: Los enfoques existentes suelen fusionar genómica e histología de manera directa, ignorando al proteoma. Biológicamente, las proteínas actúan como una capa intermedia indispensable que conecta las alteraciones genéticas con las características histopatológicas observables. Las modificaciones a nivel de proteínas (regulación postranscripcional y traduccional) son las que realmente determinan el fenotipo celular y la arquitectura tisular, no solo los niveles de ARNm.
2. Fusión "Plana" (Flat Fusion): La mayoría de los modelos tratan las diferentes modalidades de datos (genes, proteínas, imágenes) como entidades en el mismo nivel jerárquico. Esto ignora la jerarquía biológica inherente (Genes $\rightarrow$ Proteínas $\rightarrow$ Fenotipo/Morfología), lo que impide capturar las dependencias causales y los mecanismos regulatorios que vinculan las anomalías moleculares con los resultados morfológicos.

Además, los métodos actuales suelen tratar los perfiles de expresión como vectores numéricos aislados, sin incorporar las propiedades biológicas intrínsecas (identidad, función, relaciones regulatorias) de las moléculas.

2. Metodología: HFGPI

Los autores proponen HFGPI (Hierarchical Fusion of Genomic, Proteomic and Pathology Imaging Data), un marco de fusión jerárquica que modela el flujo biológico desde los genes hasta las imágenes de histología. La arquitectura consta de cuatro etapas principales:

A. Extracción de Características y Molecular Tokenizer

• Imágenes: Se extraen parches de las imágenes de diapositivas completas (WSI) utilizando un codificador de visión preentrenado (CONCH).
• Genómica y Proteómica: Se introduce una estrategia de codificación llamada Molecular Tokenizer. En lugar de usar solo valores de expresión, este módulo integra:
  • Embeddings de identidad: Para genes, se usa Gene2Vec; para proteínas, se utilizan descripciones semánticas generadas por un LLM (GPT-5) sobre su función biológica y apariencia histológica, codificadas mediante un encoder de texto (CONCH).
  • Perfiles de expresión: Se combinan mediante multiplicación elemento a elemento con los embeddings de identidad. Esto permite que el modelo razone simultáneamente sobre "qué es" la molécula y "cuánto" se expresa.

B. Fusión Proteína Regulada por Genes (GRPF)

• Objetivo: Modelar la relación regulatoria direccional (Genes $\rightarrow$ Proteínas).
• Mecanismo: Se construyen grafos de genes y proteínas basados en similitudes funcionales (k-NN). Se utiliza una atención cruzada consciente del grafo donde las proteínas consultan información regulatoria de los genes.
• Alineación de Estructura: Se introduce una restricción de alineación que preserva la estructura ($L_{struct}$), asegurando que la matriz de atención aprendida respete las topologías de red intrínsecas de los datos genómicos y proteicos. Esto fuerza al modelo a aprender relaciones regulatorias biológicamente coherentes.

C. Aprendizaje de Hipergrafos Guiado por Proteínas (PGHL)

• Objetivo: Capturar las relaciones de orden superior entre proteínas y morfología tisular (una proteína puede afectar múltiples regiones, y un parche de imagen refleja múltiples proteínas).
• Mecanismo: Se construye un hipergrafo donde los nodos son parches de imagen y las hiperaristas son proteínas. Cada proteína define una hiperarista que conecta los parches de imagen más relevantes semánticamente.
• Procesamiento: Se aplica convolución de hipergrafos para propagar mensajes, permitiendo que cada parche de imagen agregue información contextual de otros parches que comparten asociaciones proteicas comunes.

D. Predicción de Supervivencia

• Las características fusionadas jerárquicamente se agregan mediante un codificador Transformer y un mecanismo de pooling basado en atención para generar una representación a nivel de paciente, que luego se utiliza para predecir la función de riesgo (hazard function) mediante una pérdida de verosimilitud negativa (NLL).

3. Contribuciones Clave

1. Integración del Proteoma: Es el primer marco que integra explícitamente datos proteómicos como una capa intermedia crítica entre la genómica y la patología, abordando la brecha entre genotipo y fenotipo.
2. Diseño Jerárquico Biológico: Propone una arquitectura que respeta el flujo de información biológico (Genes $\rightarrow$ Proteínas $\rightarrow$ Tejido), superando las limitaciones de las fusiones planas.
3. Codificación Molecular Enriquecida: El Molecular Tokenizer enriquece los datos de expresión con conocimiento semántico (identidad y función) generado por IA, mejorando la representabilidad biológica.
4. Mecanismos de Fusión Avanzados:
   • GRPF: Modela explícitamente la regulación genética sobre las proteínas.
   • PGHL: Utiliza hipergrafos para modelar las relaciones complejas y de muchos-a-muchos entre proteínas y morfología tisular.

4. Resultados Experimentales

El modelo HFGPI fue evaluado en 5 conjuntos de datos de cáncer del TCGA (BLCA, BRCA, GBMLGG, LUAD, UCEC) que cuentan con datos genómicos, proteómicos (RPPA) e imágenes de patología.

• Rendimiento General: HFGPI logró un índice de concordancia (C-index) promedio de 0.753, superando significativamente a los métodos de unimodalidad (máximo ~0.686) y a los métodos multimodales actuales (SOTA) como MCAT, MOTCat, PS3 e ICFNet.
• Comparación de Modalidades:
  • La adición de datos proteómicos mejoró el rendimiento en un 1.1% - 5.4% en comparación con modelos de solo genómica e imagen.
  • La estrategia jerárquica superó a las estrategias de fusión plana (como PS3 e ICFNet adaptados) en un 1.8% - 2.4% en promedio.
• Estudios de Ablación:
  • La eliminación de cualquier modalidad (genómica, proteómica o imagen) degradó el rendimiento.
  • Reemplazar el Molecular Tokenizer por representaciones basadas en familias o vías redujo el rendimiento.
  • Eliminar la fusión GRPF o el aprendizaje de hipergrafos PGHL causó caídas significativas (2.3% y 1.8% respectivamente), validando la importancia de modelar las relaciones regulatorias y de orden superior.
• Interpretabilidad: Las visualizaciones mostraron que el modelo identifica correctamente genes reguladores conocidos (ej. RFC4, FEN1 para la proteína PCNA) y parches de imagen con características histopatológicas coherentes (ej. alta densidad celular, relación núcleo-citoplasma aumentada).

5. Significado e Impacto

Este trabajo representa un avance significativo en la inteligencia artificial aplicada a la oncología de precisión al:

• Validar la importancia clínica de la proteómica: Demuestra que ignorar la capa proteica limita la capacidad predictiva de los modelos, ya que las proteínas son los ejecutores directos de la función celular y los determinantes de la morfología tisular.
• Puente entre Biología y Computación: Al adoptar una perspectiva de biología de sistemas, el modelo no solo es más preciso, sino también más interpretable, revelando cadenas regulatorias causales (Genes $\rightarrow$ Proteínas $\rightarrow$ Fenotipo) que pueden guiar la investigación biomédica.
• Viabilidad Clínica: El modelo alcanza un rendimiento de vanguardia con una eficiencia computacional superior a otros métodos multimodales complejos, lo que sugiere su potencial para la implementación en entornos clínicos para la estratificación de riesgo de pacientes.