Resumen Técnico: Reconstrucción Espacial de Células Únicas Generativa Basada en la Geometría (GEARS)

1. Declaración del Problema

La secuenciación de ARN de células individuales (scRNA-seq) proporciona perfiles de expresión génica de alta resolución para cientos de miles de células, pero pierde todo el contexto espacial durante la disociación tisular. Por el contrario, la Transcriptómica Espacial (ST) preserva las coordenadas espaciales pero opera a una resolución inferior, capturando a menudo señales de múltiples células por "punto".

El desafío central abordado es la reconstrucción espacial de células individuales: inferir ubicaciones espaciales 2D plausibles para las células de scRNA-seq disociadas aprovechando la información espacial de una referencia ST. Esto es particularmente difícil en configuraciones no emparejadas, donde los datos de scRNA-seq y ST provienen de diferentes muestras de tejido o individuos. Los métodos existentes enfrentan limitaciones significativas en este contexto:

• Dependencia de Coordenadas: La mayoría de los métodos fuerzan a las células dentro del sistema de coordenadas específico de una diapositiva ST de referencia, introduciendo un sesgo sistemático cuando la organización global del tejido varía entre muestras.
• Suposiciones de Asignación: Muchos enfoques dependen del mapeo célula-a-punto o de la descomposición a nivel de punto, lo que vincula las reconstrucciones a una cuadrícula fija y asume composiciones de tipos celulares conocidas.
• Desplazamiento de Dominio: Las diferencias en los protocolos experimentales, la cobertura génica y los estados biológicos entre conjuntos de datos no emparejados hacen que la coincidencia directa sea poco fiable.

El artículo argumenta que la reconstrucción espacial debe tratarse como generación de geometría: aprender una organización espacial intrínseca y continua guiada por datos ST pero no restringida por sus coordenadas absolutas o su retícula fija.

2. Metodología: El Marco GEARS

Los autores proponen GEARS (Reconstrucción Consciente de la Geometría de Células Individuales), un marco que reconstruye la geometría espacial intrínseca sin etiquetas de tipos celulares, imágenes histológicas o asignaciones explícitas de célula-a-punto. La pipeline consta de tres etapas principales:

A. Incrustaciones de Expresión Invariantes al Dominio

Para desacoplar la señal biológica de los artefactos técnicos y las coordenadas específicas de la diapositiva, GEARS entrena primero un codificador compartido ($f_\theta$) para alinear los puntos ST y las células de scRNA-seq disociadas en un espacio de incrustación común.

• Técnica: El codificador se entrena utilizando VICReg (para preservar la varianza y la covarianza mientras se minimiza la invarianza a aumentos como la caída de genes y el ruido) combinado con alineación de dominios adversaria mediante Capas de Reversión de Gradiente (GRL).
• Objetivo: El discriminador intenta distinguir las incrustaciones ST de las de scRNA-seq, mientras que el codificador aprende a engañar al discriminador, asegurando que las incrustaciones resultantes sean invariantes a la modalidad y agnósticas al dominio.

B. Supervisión y Generación Geométrica Invariante a la Pose

En lugar de predecir coordenadas absolutas, GEARS aprende a generar estructuras geométricas intrínsecas.

• Muestreo de Miniconjuntos: Para abordar la escasez de datos en ST (pocas diapositivas) frente al hambre de datos de los modelos de difusión, el método muestrea muchos subconjuntos locales superpuestos ("miniconjuntos") de las diapositivas ST.
• Objetivos Invariantes a la Pose: Las coordenadas absolutas se descartan en favor de matrices de Gram ($G = YY^\top$) derivadas de coordenadas centradas. Esta representación es invariante a transformaciones rígidas (traslación, rotación, reflexión), asegurando que el modelo aprenda la forma del tejido en lugar de su posición en una diapositiva.
• Arquitectura:
  • Generador Equivariante a la Permutación: Utiliza una columna vertebral de Transformador de Conjuntos para manejar conjuntos desordenados de células. Produce una propuesta geométrica gruesa ($V_{base}$) condicionada a las incrustaciones de expresión.
  • Refinador de Difusión Residual: Un modelo de difusión precondicionado por EDM (Elucidating the Design Space) refina la propuesta gruesa. Predice correcciones residuales ($\hat{R}_0$) sobre la salida del generador. Este "modo residual" opera sobre objetivos de menor magnitud, mejorando la estabilidad del entrenamiento y la calibración de escala.
• Objetivos de Entrenamiento: El modelo se entrena para coincidir con la geometría intrínseca (matriz de Gram) y las estructuras de vecindad local (k-NN) de los miniconjuntos ST. También hace cumplir la consistencia de superposición, asegurando que las células compartidas en miniconjuntos superpuestos reciban predicciones geométricas consistentes independientemente del contexto.

C. Inferencia Basada en Distancia por Parches

Para escalar a grandes cohortes de scRNA-seq (que pueden contener muchas más células que una sola diapositiva ST), GEARS emplea una estrategia de inferencia por parches:

1. Muestreo de Parches: Se muestrean parches superpuestos de células del conjunto de datos de scRNA-seq basándose en un grafo de localidad.
2. Generación Local: El modelo entrenado genera geometrías locales para cada parche.
3. Agregación de Distancias: Las geometrías locales se convierten en mediciones de distancia par a par. Estas distancias se agregan a través de parches superpuestos utilizando una mediana ponderada por fiabilidad para manejar valores atípicos.
4. Resolución Global: Se resuelve un problema global de distancia-geometría (utilizando inicialización de Isomap de hitos y optimización de pérdida de Huber ponderada) para recuperar coordenadas 2D canónicas ($X$) y una matriz de distancia densa ($D$) para toda la cohorte.

3. Contribuciones Clave

1. Formulación Basada en la Geometría: El artículo reformula la reconstrucción espacial como la generación de geometría espacial continua a partir de la expresión, evitando explícitamente las suposiciones de asignación célula-a-punto y descomposición.
2. Supervisión Invariante a la Pose: Al aprender de estructuras geométricas intrínsecas (matrices de Gram) en lugar de coordenadas absolutas, el método reduce la dependencia de marcos específicos de la diapositiva y apoya la generalización a través de secciones de tejido.
3. Generador-Refinador Equivariante a la Permutación: El uso de una arquitectura estructurada en conjuntos con un generador grueso y un refinador de difusión residual precondicionado por EDM mejora la consistencia global y calibra la escala espacial.
4. Inferencia Basada en Distancia por Parches: El método escala a grandes cohortes reconstruyendo subconjuntos superpuestos y uniéndolos mediante restricciones de distancia agregadas, evitando la intratabilidad computacional de la generación de un solo disparo en conjuntos de datos masivos.

4. Resultados Experimentales

Los autores evaluaron GEARS en dos conjuntos de datos: un Atlas de Ratón (pseudo-Visium derivado de seqFISH) y un conjunto de datos de Carcinoma de Células Escamosas Humano (hSCC) (Visium de múltiples secciones). Compararon contra nueve líneas base, incluidos métodos de mapeo (Tangram, novoSpaRc, STEM, SpaOTsc) y métodos de descomposición/regresión (cell2location, scSpace, CytoSPACE, CeLEry, COME).

Rendimiento Cuantitativo:

• Geometría Global: GEARS logró el acuerdo global más fuerte (correlaciones de Spearman/Pearson) en el Atlas de Ratón y la mejor estructura global en la tarea de generalización hSCC (entrenamiento en dos diapositivas, prueba en una tercera retenida). Superó a las líneas base basadas en mapeo en la preservación de la estructura global par a par.
• Geometría Local: GEARS demostró una recuperación de bordes superior (Edge ROC-AUC) y una precisión equilibrada (bAP) en el Atlas de Ratón. En hSCC, logró la mejor puntuación Shell-F1, indicando una mejor preservación de la estructura local multiescala.
• Calidad de la Vecindad: GEARS obtuvo el mejor rendimiento en las métricas de Confiabilidad y Continuidad en el Atlas de Ratón. En hSCC, ocupó el segundo lugar en calidad de vecindad mientras mantenía un acuerdo de distancia global superior en comparación con las líneas base de regresión de coordenadas.
• Coincidencia de Distribución: GEARS mostró la mejor distancia $W_1$ (distribución de distancia de vecinos locales) en hSCC, indicando escalas de longitud locales bien calibradas.

Ablación y Diagnósticos:

• Difusión Residual: Eliminar el refinador de difusión degradó significativamente el rendimiento (por ejemplo, Stress-1 aumentó en ~34% en el Atlas de Ratón), confirmando el papel del refinador en la calibración de las magnitudes de distancia global y la corrección de distorsiones a mesoescala.
• Sensibilidad al Parche: La pipeline de inferencia fue robusta a las elecciones de tamaño de parche; las métricas de reconstrucción se mantuvieron estables en un amplio rango de tamaños de parche, mientras que la consistencia de la unión mejoró con parches más grandes.
• Validación Biológica: En hSCC, la geometría reconstruida reveló dominios espaciales coherentes (por ejemplo, regiones enriquecidas en inmunidad vs. regiones tumorales) consistentes con las anotaciones de tipos celulares. Además, los genes marcadores para células dendríticas plasmocitoides (pDC) mostraron una expresión significativamente mayor en regiones espacialmente próximas de la disposición reconstruida, validando la relevancia biológica de la geometría inferida.

5. Significado y Afirmaciones

El artículo afirma que GEARS representa un cambio de coincidencia de coordenadas a aprendizaje de geometría. Al tratar la organización espacial como una estructura latente guiada pero no restringida por datos de referencia, GEARS aborda las limitaciones fundamentales de la reconstrucción espacial no emparejada.

• Robustez ante el Desplazamiento de Dominio: El marco está diseñado para ser robusto en configuraciones no emparejadas donde las muestras exhiben diferentes organizaciones globales, evitando el sesgo sistemático introducido al forzar la alineación a una cuadrícula de referencia fija.
• Escalabilidad: La inferencia basada en distancia por parches permite que el método maneje cohortes de células individuales a gran escala que exceden la capacidad de una sola diapositiva ST.
• Generalización: El método transfiere con éxito principios geométricos intrínsecos a través de diferentes secciones de tejido (generalización entre secciones) sin requerir mediciones emparejadas del mismo individuo.

Los autores notan modestamente que la fiabilidad puede disminuir bajo desplazamientos de dominio muy fuertes, desajustes severos en la composición celular o cuando la resolución ST proporciona solo una supervisión geométrica débil. Identifican la generalización de la geometría entre pacientes y entre cohortes como una dirección clave para el trabajo futuro.