Knowledge Graph Modulated Deep Learning for Limited-Sample Clinical Data Analysis

Resumen Técnico: Grafo-en-Grafo (GiG) para Análisis de Datos Clínicos con Muestras Limitadas

Enunciado del Problema
Los sistemas biológicos están gobernados por interacciones moleculares estructuradas (vías, circuitos regulatorios) que se representan naturalmente como grafos. Sin embargo, los modelos estándar de IA biomédica suelen tratar los datos genómicos como tablas planas y no estructuradas, lo que requiere la compresión del conocimiento biológico en vectores de baja dimensión. Esta compresión a menudo resulta en pérdida de información, particularmente respecto a las interacciones gen-gen y la topología de las vías. Esta limitación se ve exacerbada en entornos clínicos caracterizados por tamaños de muestra limitados, donde los modelos luchan por aprender representaciones robustas sin sobreajustar o fallar en capturar señales biológicamente significativas. Los enfoques basados en grafos existentes a menudo dependen de una única red global compartida entre todas las muestras o reducen a los pacientes a vectores de características, fallando en permitir que la topología de las vías y la expresión específica del paciente interactúen dinámicamente durante el paso de mensajes.

Metodología: El Marco de Grafo-en-Grafo (GiG)
Los autores proponen Grafo-en-Grafo (GiG), un marco donde cada paciente se representa como un grafo modular independiente. Este diseño integra el conocimiento biológico curado directamente en la estructura del grafo de cada muestra individual.

1. Pipeline de Construcción del Grafo:

   • Selección de Genes: Para cada paciente, se seleccionan genes altamente variables (HVGs) o genes con desregulación transcripcional significativa (basado en puntuaciones z absolutas) a partir del perfil transcriptómico.
   • Mapeo de Vías: Los genes seleccionados se mapean a vías biológicas curadas de WikiPathways.
   • Ensamblaje del Grafo Específico del Paciente: Para cada paciente, se fusionan los grafos de interacción de vías relevantes.
     • Nodos: Representan genes del perfil de expresión del paciente.
     • Aristas: Codifican la topología de las vías biológicas curadas (interacciones no dirigidas).
     • Características del Nodo: Se construye un vector de características de dos canales para cada nodo:
       1. Expresión específica del paciente: Valor de expresión normalizado relativo a la muestra.
       2. Coexpresión a nivel de cohorte: La correlación de Pearson media absoluta con los 50 genes más correlacionados del gen a través de la cohorte.
   • Identidad del Gen: Se asigna una incrustación aprendible a cada gen para anclar su rol molecular a través de la cohorte, independientemente de la topología específica del grafo.

2. Arquitectura del Modelo:

   • Los grafos específicos del paciente construidos sirven como entradas a una Red Neuronal de Grafos (GNN).
   • El marco es agnóstico al esqueleto, soportando GCN, GraphSAGE, GIN y GAT.
   • La arquitectura emplea capas de paso de mensajes para propagar información a lo largo de las aristas de las vías, seguida de un agrupamiento global de la media para generar una representación a nivel de grafo para la clasificación aguas abajo (por ejemplo, detección de enfermedades, clasificación de subtipos).

3. Estrategia de Entrenamiento:

   • Los modelos se entrenan utilizando divisiones estratificadas con pérdida de entropía cruzada ponderada por clase para abordar el desequilibrio de clases.
   • La optimización se realiza utilizando AdamW con hiperparámetros específicos (tasa de aprendizaje $10^{-3}$, decaimiento de peso $10^{-4}$).

Contribuciones Clave

• Representación Novel: GiG introduce una formulación de "grafo-en-grafo" donde la estructura de nivel inferior de las vías es intrínseca al grafo a nivel de paciente, en lugar de ser un prior externo. Esto permite que el modelo aprenda representaciones de enfermedades que preservan información biológicamente significativa como las interacciones gen-gen y la topología de las vías.
• Eficiencia de Datos: El marco está diseñado específicamente para el aprendizaje eficiente de datos en entornos con muestras limitadas, una restricción común en estudios clínicos.
• Ablación y Validación: Los autores validan rigurosamente que las ganancias de rendimiento provienen de la estructura biológica de las vías, y no solo del modelado de grafos en sí, comparando contra topologías de grafos aleatorios (grafos aleatorios Erdős–Rényi y grafos aleatorios que preservan el grado).

Resultados
El marco se evaluó en casi 9.700 pacientes a través de cinco tareas clínicas que involucraron tres cohortes distintas:

1. RARE-Seq (Biopsia Líquida): Un conjunto de datos de bajo señal y alto ruido para detección de cáncer, subtipo y clasificación de estadio.

   • GiG logró una precisión del 89% y un macro-F1 del 88% para la detección binaria de cáncer, superando a la línea base más fuerte (GCN) en más del 15% en precisión y 14% en macro-F1.
   • Demostró una sensibilidad y especificidad superiores, particularmente en regiones de baja tasa de falsos positivos de la curva ROC, indicando robustez en la distinción de señales débiles y distribuidas del ruido.
   • El análisis de atribución (Gradientes Integrados) confirmó que el modelo priorizó marcadores tumorales biológicamente plausibles (por ejemplo, FOLR1, ELF3, KRT19).

2. Cáncer de Próstata (Basado en Tejido): Un conjunto de datos de mayor señal que distingue enfermedad localizada vs. metastásica.

   • GiG logró un rendimiento casi perfecto (~98% de precisión y macro-F1), superando significativamente a las líneas base a nivel de nodo que mostraron alta varianza y menor sensibilidad.
   • El modelo priorizó correctamente genes centrales en las vías conocidas de cáncer de próstata (PI3K/AKT, MAPK, Wnt), como AKT1, MAPK1 y CTNNB1.

3. Pan-Cáncer (TCGA): Una tarea de clasificación multi-ómica de 32 clases desafiante con alto desequilibrio de clases y heterogeneidad.

   • GiG logró una precisión del 92% y un macro-F1 del 88%, en comparación con una precisión del 63% y un macro-F1 del 39% para la mejor línea base.
   • Esto representa una ganancia de hasta 49 puntos porcentuales en macro-F1, demostrando la capacidad del marco para escalar a problemas complejos y de alta dimensión.

Significado y Afirmaciones
El artículo afirma que GiG proporciona un marco principiado para integrar grafos de conocimiento biológico en el modelado predictivo, superando la asunción de una red global compartida.

• Fuente de Mejora: Los experimentos de control que reemplazaron las vías reales con topologías aleatorias confirmaron que las ganancias de rendimiento surgen de la estructura fundamentada biológicamente de los grafos de conocimiento. En entornos de baja señal (cfRNA) y alta heterogeneidad (Pan-Cáncer), interrumpir la topología de las vías causó caídas significativas en el rendimiento (por ejemplo, pérdida de precisión del 16–21% en RARE-Seq, 24% en Pan-Cáncer).
• Dependencia del Contexto: La contribución de la topología varía según la tarea. En el conjunto de datos de cáncer de próstata de alta señal, las características de los nodos por sí solas eran altamente separables, haciendo que el modelo fuera menos sensible a la topología exacta (pequeñas caídas de rendimiento con la aleatorización). Sin embargo, en entornos difíciles (baja señal, alta heterogeneidad), la topología de las vías actúa como un sesgo inductivo crucial.
• Impacto Clínico: Al tratar la organización de la biología como un componente estructural del modelo en lugar de un pensamiento posterior, GiG mejora la robustez, la interpretabilidad y la eficiencia de las muestras. Permite la recuperación de señales débiles pero biológicamente significativas en datos clínicos ruidosos, ofreciendo una base práctica para aplicaciones de medicina de precisión donde los tamaños de muestra son limitados.