What Makes a Representation Good for Single-Cell Perturbation Prediction?

Resumen Técnico: ¿Qué hace que una representación sea buena para la predicción de perturbaciones a nivel de célula única?

Enunciado del Problema
El modelado de perturbaciones a nivel de célula única tiene como objetivo predecir cómo cambian los niveles de expresión génica en respuesta a perturbaciones genéticas (por ejemplo, eliminaciones basadas en CRISPR). Aunque los enfoques existentes abarcan desde el aprendizaje de representaciones causales hasta modelos fundacionales (MF), enfrentan un desafío fundamental, a menudo pasado por alto: el desequilibrio de señales. En los datos de célula única, la información invariante a la perturbación (programas celulares de fondo) domina el espacio de expresión génica, mientras que las señales específicas de la perturbación son intrínsecamente escasas.

Los autores identifican un fenómeno denominado la Hipótesis de Supresión de Perturbaciones: cuando la variación invariante domina los datos, los enfoques de aprendizaje estándar fallan sistemáticamente.

1. Aprendizaje de Representaciones Causales: Los métodos a menudo entrelazan la información de fondo invariante con representaciones específicas de la perturbación. Esto ocurre porque los resultados teóricos de identificabilidad suelen asumir que todas las variables latentes son intervenidas, mientras que los datos reales implican intervenciones parciales (solo un subconjunto de genes es perturbado). En consecuencia, la información invariante se absorbe en las representaciones causales, lo que conduce a predictores espurios con una generalización deficiente.
2. Modelos Fundacionales (MF): Los MF se entrenan para ajustar la distribución general de los datos, priorizando la estructura invariante dominante. Los experimentos empíricos de sondeo lineal muestran que las representaciones de los MF exhiben una menor decodabilidad de las etiquetas de perturbación en comparación con las líneas base simples de PCA, lo que sugiere que las señales específicas de la perturbación se suprimen o se vuelven inaccesibles durante el preentrenamiento.

Metodología: PerturbedVAE
Para abordar el desequilibrio de señales, los autores proponen PerturbedVAE (Autoencoders Variacionales Conscientes de la Perturbación), un marco diseñado para separar y utilizar explícitamente la información específica de la perturbación. El marco se basa en dos principios fundamentales: Extracción Explícita y Utilización Efectiva.

1. Modelo Generativo Causal Latente:
   El modelo descompone el espacio latente en dos componentes distintos:

   • $z_\iota$ (Variables invariantes a la perturbación): Representa programas de fondo estables compartidos entre todas las células, independientes de la condición de perturbación $u$.
   • $z_\nu$ (Variables sensibles a la perturbación): Representa factores latentes que cambian en respuesta a perturbaciones genéticas. Estos se modelan siguiendo una estructura de Grafo Acíclico Dirigido (DAG) para capturar las dependencias causales entre los efectos de la perturbación.

2. Inferencia Variacional con Alineación Contrastiva:
   Los autoencoders variacionales (VAE) estándar podrían reconstruir datos modelando el componente invariante dominante, dejando a $z_\nu$ subrecuperado. Para contrarrestar esto, PerturbedVAE introduce un objetivo de alineación contrastiva:

   • Para cada muestra perturbada $(x, u)$, se muestrea una muestra de control (no perturbada) $x(u_0)$.
   • El modelo impone que las representaciones invariantes inferidas $z_\iota$ tanto para las muestras perturbadas como para las no perturbadas sean idénticas (minimizando $\|z_\iota - z_\iota^{(u_0)}\|^2$).
   • Esto obliga a que la variación de fondo dominante sea explicada enteramente por $z_\iota$, liberando a $z_\nu$ para capturar los cambios residuales inducidos por la perturbación.

3. Objetivo de Entrenamiento:
   La pérdida total combina la Cota Inferior de Evidencia (ELBO) para la reconstrucción y el aprendizaje de la estructura causal con el término de alineación contrastiva:
   $$\mathcal{L} = -\mathcal{L}_{ELBO} + \alpha \mathcal{L}_{contrast}$$
   donde $\alpha$ controla la fuerza de la separación entre los factores invariantes y sensibles.

Contribuciones Teóricas: Análisis de Identificabilidad
El artículo proporciona un análisis riguroso de identificabilidad que caracteriza las condiciones bajo las cuales los efectos de perturbación escasos pueden recuperarse de manera fiable a partir de datos de intervención parcial.

• Teorema 1: Bajo supuestos de invertibilidad, suficiencia ambiental (diversidad suficiente en las condiciones de perturbación), alineación óptima y suficiencia de intervención, el marco garantiza:
  • $z_\nu$ (Sensible): Identificado hasta permutación y escala (identificabilidad componente a componente).
  • $z_\iota$ (Invariante): Identificado hasta una transformación de bloque lineal.
• Este análisis aclara que la alineación contrastiva no es meramente heurística, sino una condición necesaria para evitar que la información invariante sea absorbida en las representaciones causales, cerrando así la brecha entre las garantías teóricas y la realidad de las intervenciones parciales.

Resultados Empíricos
Los autores evalúan PerturbedVAE en datos sintéticos y conjuntos de datos reales de Perturb-seq (Norman et al., 2019; Replogle et al., 2022).

• Datos Sintéticos: Los experimentos confirman que la alineación contrastiva mejora significativamente el Coeficiente de Correlación Medio (MCC) para la recuperación de $z_\nu$ y el $R^2$ para la recuperación de $z_\iota$, validando las afirmaciones teóricas de identificabilidad.
• Benchmarks de Datos Reales:
  • vs. Modelos Fundacionales: PerturbedVAE supera significativamente a los MF (scFoundation, UCE, Geneformer) y a líneas base simples (RandomForest, ElasticNet) en la predicción de perturbaciones de doble gen (combinatorias). Los MF se degradan en escenarios combinatorios de cero-shot, mientras que PerturbedVAE mantiene un alto $R^2$ y un bajo RMSE.
  • vs. Métodos de Representación Causal: PerturbedVAE supera a los modelos causales latentes existentes (Discrepancy-VAE, SENA, sVAE+, SAMS-VAE). Crucialmente, un estudio de ablación que elimina el término de alineación contrastiva ("PerturbedVAE sin Alineación") muestra una degradación del rendimiento comparable a los métodos existentes, confirmando la necesidad del mecanismo de alineación.
  • vs. Líneas Base Lineales Aditivas: Aunque los modelos lineales aditivos tienen un rendimiento competitivo en métricas de pseudobulto a nivel de condición (expresión génica promediada), PerturbedVAE logra un rendimiento superior a nivel de célula única. Los modelos aditivos y otras líneas base profundas arrojan un $R^2$ negativo a nivel de célula, lo que indica que no capturan la variabilidad a nivel de célula única, mientras que PerturbedVAE preserva la estructura a nivel de célula ($R^2 \approx 0.98$).
• Interpretabilidad: El grafo causal aprendido recupera vías regulatorias biológicas conocidas (por ejemplo, TGFBR2→SNAI1, TP73→CDKN1A), demostrando que el modelo aprende representaciones estructuradas y biológicamente plausibles en lugar de asociaciones estadísticas arbitrarias.

Significado y Afirmaciones
El artículo argumenta que el fracaso de los modelos fundacionales en la predicción de perturbaciones no es principalmente una cuestión de escala, sino que surge de una incompatibilidad entre los objetivos de entrenamiento genéricos y la estructura escasa e impulsada por intervenciones de los datos de perturbación.

El significado de PerturbedVAE radica en su demostración de que una representación "buena" para la predicción de perturbaciones a nivel de célula única debe ser consciente de la perturbación y estructurada causalmente. Al desentrelazar explícitamente los programas de fondo invariantes de las señales específicas de la perturbación mediante alineación contrastiva, el marco permite:

1. Generalización Confiable: Predicción exitosa de cero-shot de perturbaciones combinatorias no vistas.
2. Interpretabilidad: Recuperación de mecanismos regulatorios causales y programas de respuesta a perturbaciones.
3. Fundamentación Teórica: Una instanciación concreta del aprendizaje de representaciones causales que se adhiere a las condiciones de identificabilidad incluso bajo intervenciones parciales, un escenario donde los resultados teóricos anteriores a menudo fallan.

Los autores concluyen que su enfoque proporciona una alternativa principada tanto a la factorización puramente estadística como a los modelos fundacionales genéricos, ofreciendo una solución robusta para comprender las respuestas celulares a las intervenciones genéticas.