Learning Multi-Relational Graph Representations for DNA Methylation-Based Biological Age Estimation

Resumen Técnico: RelAge-GNN para la Estimación de la Edad Biológica Basada en Metilación del ADN

Enunciado del Problema
Los relojes de envejecimiento estiman la edad biológica a partir de biomarcadores para evaluar el estado fisiológico y el riesgo de enfermedad, distinguiéndola de la edad cronológica. La metilación del ADN es un biomarcador primario debido a su estabilidad y su fuerte correlación con el envejecimiento. Sin embargo, los métodos existentes basados en IA para relojes de envejecimiento enfrentan limitaciones significativas:

1. Suposición de Independencia: La mayoría de los enfoques tratan los sitios CpG como características independientes, ignorando relaciones biológicas complejas y heterogéneas como la co-metilación, la proximidad genómica y las asociaciones a nivel de gen.
2. Modelado Rígido: Aunque existen algunos métodos basados en grafos, a menudo dependen de un único grafo o de estrategias fijas para combinar diferentes tipos de relaciones. Esto impide distinguir las contribuciones variables de las diferentes relaciones biológicas entre muestras y limita la flexibilidad del modelo.
3. Interpretabilidad: Los modelos de aprendizaje profundo a menudo carecen de una interpretabilidad clara sobre cómo las estructuras biológicas específicas contribuyen a las predicciones.

Metodología: RelAge-GNN
Los autores proponen RelAge-GNN, un marco de red neuronal de grafos multi-relacional diseñado para modelar explícitamente las dependencias estructurales entre los sitios CpG. La metodología consta de tres componentes centrales:

1. Construcción de Grafos Multi-Relacionales:
   En lugar de un único grafo, el marco construye tres grafos complementarios, cada uno reteniendo una relación semántica específica:

   • Grafo de Co-metilación ($G_1$): Las aristas representan valores de correlación continua entre sitios CpG (umbralizados para garantizar la dispersión).
   • Grafo de Co-localización Genómica ($G_2$): Las aristas representan conexiones booleanas entre sitios CpG ubicados en el mismo cromosoma.
   • Grafo de Asociación a Nivel de Gen ($G_3$): Las aristas representan conexiones booleanas entre sitios CpG ubicados dentro del mismo gen.
     Las características de los nodos incluyen valores de metilación, atributos de la isla CpG (ubicación, longitud), información de la secuencia flanqueante y la distancia a los sitios de inicio de la transcripción.

2. Codificador de Tres Ramas con PNAConv:
   Cada grafo se procesa mediante una rama independiente de GNN utilizando PNAConv (Agregación de Vecindario Principal). Se elige PNAConv por su capacidad para manejar distribuciones variables de grados de nodo empleando múltiples agregadores (media, máximo, mínimo, desviación estándar) y escaladores. Esto permite que cada rama aprenda representaciones estructurales específicas de la relación ($H_1, H_2, H_3$) sin confundir tipos de aristas heterogéneos.

3. Mecanismo de Fusión con Puerta Aprendible:
   Para abordar el problema de las estrategias de combinación fijas, el modelo emplea una red de puerta aprendible.

   • Las salidas de las tres ramas se concatenan ($H_{cat}$).
   • Una red de puerta (MLP + Softmax) genera pesos adaptativos ($\alpha_1, \alpha_2, \alpha_3$) para cada nodo.
   • La representación final ($H_f$) es una suma ponderada de las salidas de las ramas: $H_f = \sum \alpha_k \odot H_k$.
     Esto permite que el modelo ajuste dinámicamente la contribución de cada relación biológica a nivel de nodo basándose en el contexto específico de la muestra.

4. Predicción e Interpretabilidad:
   La representación fusionada pasa a través de una capa de compresión y una cabeza de regresión MLP para predecir la edad. Para la interpretabilidad, los autores extienden el marco GNNExplainer para cuantificar la importancia de:

   • Nodos CpG individuales.
   • Atributos de nodo (características).
   • Las tres ramas de grafo distintas (estructuras relacionales).

Contribuciones Clave

• Identificación de Limitaciones: El artículo destaca que los métodos actuales no logran capturar dependencias biológicas complejas y a menudo utilizan estrategias de fusión rígidas que no pueden adaptarse a variaciones específicas de la muestra en la importancia de las relaciones.
• Marco Novel: RelAge-GNN introduce una arquitectura multi-relacional que modela explícitamente las asociaciones de co-metilación, mismo cromosoma y mismo gen mediante ramas independientes.
• Fusión Adaptativa: La introducción de un mecanismo de puerta aprendible permite un ajuste dinámico a nivel de nodo de los pesos de las relaciones, mejorando la flexibilidad sobre las líneas base de pesos fijos.
• Interpretabilidad Mejorada: El marco proporciona un mecanismo para cuantificar la contribución de relaciones biológicas específicas y sitios CpG, ofreciendo perspectivas sobre los impulsores de la predicción de la edad.

Resultados Experimentales
El modelo se evaluó en conjuntos de datos a gran escala que comprenden 3.707 muestras sanas y 624 muestras de enfermedad (cáncer de ovario, esquizofrenia, osteoporosis) de tejido sanguíneo.

• Rendimiento Predictivo: RelAge-GNN logró una precisión competitiva en comparación con las líneas base más avanzadas (Horvath, AltumAge, DeepMAge, GraphAge). Demostró un Coeficiente de Ajuste de Regresión (FRC) más alto (0.962) y un Error Absoluto Medio (MAE) más bajo (3.43) y un Error Cuadrático Medio (MSE) más bajo (29.46) que las líneas base.
• Sensibilidad a la Aceleración de la Edad (AA): El modelo mostró una sensibilidad superior en la detección de aceleración de la edad en diversas cohortes de enfermedades. Por ejemplo, en el cáncer de ovario posmenopáusico, identificó aproximadamente el 40% de las muestras con AA positiva, superando significativamente a GraphAge (<20%) y AltumAge (<10%).
• Estudios de Ablación: Eliminar cualquier rama de grafo individual degradó el rendimiento, siendo el grafo de co-metilación ($G_1$) y el grafo a nivel de gen ($G_3$) particularmente críticos. El modelo completo de múltiples ramas con puerta superó a las configuraciones de grafo único, confirmando el valor de modelar relaciones heterogéneas.
• Hallazgos de Interpretabilidad:
  • Los valores de metilación fueron los atributos de nodo más importantes.
  • La información de la isla CpG (posiciones de inicio/fin, longitud) y las secuencias flanqueantes también fueron factores clave, sugiriendo un patrón jerárquico de señal más contexto estructural.
  • Importancia del Grafo: El grafo de co-metilación contribuyó más significativamente a las predicciones, seguido por los grafos a nivel de gen y del mismo cromosoma.

Significado y Afirmaciones
El artículo afirma que modelar explícitamente estructuras multi-relacionales es una dirección efectiva para mejorar los modelos de relojes de envejecimiento. Al ir más allá de la suposición de características independientes y combinaciones de grafos fijas, RelAge-GNN captura patrones estructurales heterogéneos que reflejan mejor los mecanismos biológicos del envejecimiento. La capacidad del modelo para fusionar adaptativamente diferentes relaciones biológicas y proporcionar una interpretabilidad granular sugiere una utilidad potencial para la caracterización de enfermedades y ofrece direcciones biológicamente significativas para futuras investigaciones sobre el envejecimiento. Los autores señalan que, aunque el marco actual es robusto en tejido sanguíneo, extenderlo a entornos de múltiples tejidos e incorporar interacciones biológicas más finas sigue siendo una dirección futura.