Resumen Técnico: Chreode – Un Modelo Mundial Celular para Dinámicas Temporales de Un Paso y Predicción de Perturbaciones

Declaración del Problema

Predecir cómo cambia el estado transcripcional de una célula bajo señales de desarrollo o perturbaciones genéticas es fundamental para la biología in-silico y el programa Célula Virtual de IA. Los enfoques existentes enfrentan cuatro limitaciones críticas:

1. Subutilización de Datos Temporales: La mayoría de los métodos colapsan instantáneas destructivas de scRNA-seq en mapas estáticos de control a tratado, descartando la información de la tasa de cambio inherente a los datos de series temporales.
2. Modelado Inadecuado de la Acción: Muchos modelos tratan las intervenciones (fármacos, knockouts) como contextos latentes a concatenar en lugar de como intervenciones causales de cálculo do, fallando en resolver perturbaciones composicionales o dependientes de la trayectoria.
3. Altos Costos de Inferencia: Los solucionadores de múltiples pasos (EDOs, puentes de Schrödinger) requieren integración iterativa para cada consulta. Escalar a consultas de nivel de cribado ($10^8$ tuplas) resulta en costos computacionales prohibitivos ($10^{10}$ pasadas hacia adelante).
4. Falta de Sesgo Inductivo Biológico: Los métodos actuales de ajuste de flujo y transporte óptimo parametrizan campos de velocidad como redes neuronales genéricas, ignorando la estructura biológica del paisaje de Waddington (flujo de potencial cuesta abajo, corrientes rotacionales y dispersión estocástica).

Metodología: Chreode

Chreode se introduce como un modelo mundial celular de un paso que predice transiciones de estado celular condicionadas a la acción $p(z_{t+\Delta} | z_t, \text{do}(a))$ mediante un operador de transición residual estructurado.

1. Arquitectura Central: El Residual de Waddington

En lugar de una proyección iterativa, Chreode predice el estado latente futuro $\hat{z}_{t+\Delta}$ en una sola pasada hacia adelante sumando un residual aprendido $R_\theta$ al estado de entrada $z_t$:
$$\hat{z}_{t+\Delta} = z_t + \alpha(\Delta) \cdot R_\theta(z_t, \Delta, a, \epsilon)$$
donde $\alpha(\Delta) = 1 - e^{-\Delta/\tau}$ es una puerta temporal aprendible que asegura un cambio cero en $\Delta=0$. El residual $R_\theta$ se descompone en tres componentes biológicamente interpretables:

• Flujo de Potencial Cuesta Abajo ($-\nabla_z U_\theta$): El gradiente negativo de una función potencial aprendida $U_\theta$, que impulsa a las células hacia cuencas de destino de bajo potencial.
• Flujo Antisimétrico ($S_\theta z_t$): Un componente rotacional que modela corrientes fuera del equilibrio (por ejemplo, ciclo celular). $S_\theta$ se parametriza como $P_\theta Q_\theta^\top - Q_\theta P_\theta^\top$ para garantizar la antisimetría exacta ($S_\theta^\top = -S_\theta$).
• Dispersión Estocástica ($\sigma_\theta \odot \epsilon$): Escalado de ruido elemento a elemento para capturar la variabilidad biológica intrínseca.

2. Pipeline de Entrenamiento

Chreode emplea una receta de preentrenamiento en dos etapas sobre un atlas embrionario de ratón de 2.4 millones de células (7 conjuntos de datos, 88 puntos temporales):

• Etapa 1 (Codificador): Un codificador scVI compartido se entrena sobre un vocabulario fijo de ortólogos entre especies (16,520 ortólogos 1:1 ratón-humano) para producir una representación latente congelada.
• Etapa 2 (Columna Vertebral de Dinámicas): Una columna vertebral basada en DiT (Transformador de Difusión) aprende el operador de transición de un paso. Utiliza una pérdida de campo de deriva a nivel de población adaptada de Deng et al. [2026], combinando:
  • Kernel MMD y Sinkhorn $W_2$ para la coincidencia de distribuciones.
  • Un término de campo de deriva ($L_{drift}$) para imponer consistencia de equilibrio.
  • Un regularizador cuesta abajo ($L_{down}$) para prevenir movimientos cuesta arriba.
• Desacoplamiento de Incrustación Temporal: Para garantizar estabilidad durante la extrapolación de horizontes largos, la rama potencial utiliza una incrustación flexible Time2Vec, mientras que la rama antisimétrica utiliza un código de Fourier de baja frecuencia acotado para evitar que las tasas de rotación se desvíen hacia frecuencias no vistas.

3. Modos de Transferencia

La columna vertebral preentrenada soporta dos modos de transferencia descendente distintos:

1. Inicialización de Ajuste Fino: La columna vertebral inicializa modelos para la predicción de transiciones temporales en conjuntos de datos retenidos (por ejemplo, hematopoyesis de Weinreb, diferenciación de islotes de Veres).
2. Inyección de Incrustación de Estado Génico: La representación de dinámicas preentrenada se inyecta como la incrustación de estado génico en el predictor de perturbaciones GEARS existente, sin modificar el procedimiento de entrenamiento de GEARS.

Resultados Clave

Predicción de Dinámicas Temporales

• Hematopoyesis de Weinreb: Chreode ajustado fino logra la menor distancia Sinkhorn $W_2$ en los días 4 y 6 en comparación con modelos scratch emparejados, PI-SDE y PRESCIENT.
• Diferenciación de Islotes de Veres: Chreode supera a todos los puntos de referencia (incluyendo PI-SDE y PRESCIENT) en los siete puntos temporales objetivo ($t=1$ a $7$).
• Destino Clonal Zero-Shot: Utilizando la columna vertebral congelada sin ajuste fino, Chreode produce puntuaciones de destino clonal (correlación de Pearson $r=0.468$) competitivas con puntos de referencia dinámicos-OT fuertes (moscot, WOT) y puntos de referencia neural-SDE (scDiffEq).

Predicción de Perturbaciones

• Norman Perturb-seq: Cuando se utiliza como incrustación de estado génico dentro de GEARS, la representación de dinámicas preentrenada reduce el Error Cuadrático Medio (MSE) DE20 de vocabulario compartido de 0.2121 a 0.1858, una mejora relativa del 12.4%. Esto sugiere que las dinámicas de la trayectoria de desarrollo codifican primitivas transferibles a desplazamientos de estado inducidos por CRISPR.

Eficiencia

• Velocidad de Inferencia: Chreode resuelve consultas en una sola pasada hacia adelante (1 NFE), haciéndolo aproximadamente 3.0$\times$ más rápido que PRESCIENT y 6.3$\times$ más rápido que CellFlow en una sola NVIDIA A100. Esta amortización es crítica para escalar a pantallas de consultas de $10^8$.

Significado y Afirmaciones

El artículo afirma que Chreode es el primer modelo fundacional celular que combina:

1. Inferencia de un solo paso (amortizando costos de transición).
2. Una columna vertebral preentrenada compartida entre conjuntos de datos descendentes.
3. Condicionamiento conjunto de tiempo y acción.
4. Un prior residual estructurado que descompone explícitamente la velocidad en gradientes de potencial, flujos antisimétricos y dispersión estocástica.

Los autores interpretan la transferencia exitosa de dinámicas de desarrollo a la predicción de perturbaciones como evidencia de que ambos procesos atraviesan variedades de estado celular a lo largo de trayectorias coherentes. Al desplazar la evolución distribucional del tiempo de inferencia al tiempo de entrenamiento, Chreode permite la generación de un solo paso mientras preserva una descomposición inspirada en Waddington. El trabajo se posiciona como una contribución estructural a la agenda de la "Célula Virtual de IA", ofreciendo una alternativa escalable y biológicamente fundamentada a los solucionadores de múltiples pasos y mapas de perturbación estáticos.

Limitaciones notadas por los autores:

• El preentrenamiento se restringe a datos embrionarios de ratón; la transferencia entre especies depende únicamente del mapeo de ortólogos.
• La transferencia de transiciones temporales requiere ajuste fino (no estricto zero-shot) para un rendimiento óptimo.
• La transferencia de perturbaciones reutiliza la arquitectura de GEARS en lugar de proponer un operador de perturbación independiente.
• La escala (2.4 millones de células) es menor que la de los modelos mundiales celulares grandes concurrentes entrenados con datos propietarios.