Graph neural network explanations reveal a topological signature of disease-associated hubs in biological networks

Resumen Técnico: Las Explicaciones de Redes Neuronales de Grafos Revelan una Firma Topológica de los Nodos Centrales Asociados a Enfermedades

Planteamiento del Problema
Las Redes Neuronales de Grafos (GNN) se utilizan cada vez más para modelar sistemas biológicos integrando datos ómicos (por ejemplo, RNA-seq) con estructuras de redes previas como las redes de Interacción Proteína-Proteína (PPI). Sin embargo, la fiabilidad de los métodos de explicación post-hoc para recuperar mecanismos moleculares significativos a partir de estos modelos de "caja negra" sigue siendo incierta. No está claro si los explicadores existentes recuperan estructuras biológicamente válidas o simplemente reflejan sesgos específicos del método, artefactos de la topología del grafo o idiosincrasias del modelo. Específicamente, existe una falta de comprensión sistemática sobre cómo diferentes algoritmos de explicación (Atribución de Saliencia, Gradientes Integrados, GNNExplainer y Propagación de Relevancia por Capas) manejan geometrías de señales biológicas distintas, como conductores dispersos frente a vías distribuidas.

Metodología
Los autores emplearon una estrategia de evaluación de dos frentes que combinaba benchmarks sintéticos controlados con datos biológicos del mundo real.

1. Benchmarks Sintéticos: Se construyeron cuatro arquetipos de señal distintos para imitar las organizaciones de señales biológicas:

   • Aguja: Un único nodo decisivo (señal dispersa).
   • Nodo Central (Hub): Un nodo central con expresión elevada en su vecindad inmediata de 1 salto (imitando factores de transcripción).
   • Vía/Módulo: Una subred coordinada de nodos interactuantes.
   • Cascada: Una cadena jerárquica y direccional de expresión creciente.
     Una arquitectura GNN estándar (tres capas de convolución de grafos con agrupación global de la media) se entrenó para lograr una precisión perfecta en estas tareas. Se evaluaron cuatro métodos de explicación: Atribución de Saliencia (SA), Gradientes Integrados (IG), GNNExplainer y Propagación de Relevancia por Capas (LRP, específicamente la regla $\epsilon$). El rendimiento se midió utilizando tasas de acierto top-k y la fracción de masa de atribución asignada a los nodos de señal de verdad fundamental (ground-truth).

2. Aplicación en el Mundo Real (TCGA BRCA): El estudio aplicó estos explicadores a una GNN entrenada con 1.222 muestras de RNA-seq de cáncer de mama del Atlas del Genoma del Cáncer (TCGA), proyectadas sobre la red PPI de STRING. El modelo clasificó tejido canceroso frente a tejido adyacente normal con una precisión equilibrada del 89,7%.

   • Análisis de Nodos Centrales: Los autores analizaron los patrones de atribución alrededor de cuatro genes conductores canónicos del cáncer (TP53, BRCA1, ESR1, MYC) y sus vecindades de 1 salto.
   • Puntuación Topológica: Se desarrolló una "puntuación de nodo central basada en capas" para cuantificar el patrón de "ojo de la tormenta" (baja atribución en el centro, pico en 1-2 saltos, decaimiento posterior).
   • Marco de Consenso: Se introdujo un enfoque de clasificación por consenso, combinando rangos percentiles ponderados de IG, SA y LRP. Esto se optimizó adicionalmente mediante búsqueda en cuadrícula.
   • Confusión por Grado: Se utilizaron regresión lineal y residualización para determinar si las puntuaciones de los nodos centrales estaban impulsadas por el grado del nodo en lugar de la señal biológica.
   • Enriquecimiento de Vías: Se realizó un análisis de enriquecimiento de vías de Reactome sobre los 100 genes mejor clasificados para cada método.

Resultados Clave

• Recuperación de Señales Específica del Método:

  • Saliencia (SA): Rindió mejor para la señal de "Aguja" (nodo único) pero tuvo dificultades con estructuras distribuidas. En datos reales, SA asignó puntuaciones altas a nodos centrales, pero mostró una atribución difusa a través del grafo, lo que resultó en un alto rendimiento de clasificación global (AUC) pero un enriquecimiento local menor.
  • Gradientes Integrados (IG) y LRP: Superaron consistentemente a otros métodos en la recuperación de señales distribuidas (Nodos Centrales, Vías, Cascadas). En configuraciones sintéticas de "Nodo Central", IG y LRP lograron una recuperación casi perfecta de la estructura completa de la vecindad. En datos reales, exhibieron una firma topológica distinta: la atribución se minimizó en el nodo semilla central (0 saltos), alcanzó su punto máximo en la vecindad inmediata de 1 salto y decaió bruscamente en capas subsiguientes (2–4 saltos).
  • GNNExplainer: A menudo falló en localizar señales en las estructuras topológicas correctas, difuminando la atribución hacia nodos distantes y mostrando ratios de enriquecimiento pobres para los nodos centrales de enfermedades conocidas.

• La Firma del "Ojo de la Tormenta":
  En los datos de TCGA BRCA, IG y LRP revelaron que la señal asociada a la enfermedad no está concentrada en el centro del nodo central, sino que está enriquecida en la vecindad inmediata. Este patrón fue más pronunciado para IG, que mostró ratios de enriquecimiento fuertes (por ejemplo, ~11,2 para MYC) y una alta superposición con nodos centrales conocidos en los 50 genes mejor clasificados.

• Consenso y Ajuste:
  Un enfoque de consenso que combina IG, SA y LRP mejoró significativamente la priorización de genes cancerígenos canónicos.

  • TP53: Clasificado en el puesto 79 por IG solo; mejoró al puesto 5 (percentil 100) por el consenso ajustado.
  • BRCA1: Clasificado en el puesto 900 por IG; mejoró al puesto 72 (percentil 99,4) por el consenso ajustado.
    El consenso ajustado (pesos: IG=0,69, SA=0,31, LRP=0) superó a los métodos individuales, equilibrando la sensibilidad de enriquecimiento local con la discriminación global.

• Confusión por Grado:
  Aunque IG mostró una dependencia moderada del grado del nodo ($R^2 \approx 0,196$), las puntuaciones de consenso de nodos centrales redujeron sustancialmente este sesgo ($R^2 \approx 0,023$). Crucialmente, la priorización de genes cancerígenos canónicos permaneció estable incluso después de residualizar las puntuaciones de los nodos centrales contra el grado del nodo, lo que indica que la señal capturada no es meramente un artefacto de la centralidad de la red.

• Coherencia Biológica:
  El análisis de enriquecimiento de vías reveló que los métodos individuales a menudo destacaban programas genéricos o biológicamente implausibles (por ejemplo, IG destacó procesos de traducción/ribosomales; SA destacó vías neuronales). En contraste, el enfoque de consenso recuperó programas cancerígenos biológicamente coherentes, incluyendo señalización ERBB2, RTK, MAPK y señalización inmunitaria/citoquinina, alineándose mejor con la biología conocida del cáncer de mama.

Significado y Afirmaciones
El artículo afirma que las explicaciones de grafos en sistemas biológicos no deben interpretarse como salidas de un solo método, sino como señales estructuradas moldeadas tanto por la topología de la red como por sesgos específicos del método. Los autores demuestran que:

1. Diferentes explicadores recuperan geometrías de señal distintas; IG y LRP son superiores para señales distribuidas, similares a vías, mientras que SA es mejor para conductores dispersos de un solo nodo.
2. Existe una firma topológica consistente para los nodos centrales asociados a enfermedades en datos reales, caracterizada por picos de atribución en la vecindad inmediata en lugar del nodo central.
3. La integración de múltiples explicadores mediante un marco de consenso consciente de la topología mejora la recuperación de mecanismos moleculares biológicamente relevantes y reduce la dependencia del grado del nodo.
4. Este marco proporciona un enfoque práctico para la generación de hipótesis a partir de modelos ómicos basados en grafos, enfatizando la necesidad de análisis de sensibilidad del modelo y validación biológica independiente antes de sacar conclusiones mecanísticas.

El estudio concluye que la integración consciente de la topología de las explicaciones de grafos mejora la interpretabilidad biológica y la recuperación de firmas moleculares relevantes para la enfermedad.