CellBRIDGE: Learning Cellular Trajectories via Interaction-Aware Alignment

Resumen Técnico: CellBRIDGE

Planteamiento del Problema

Inferir la dinámica celular a partir de instantáneas poblacionales es un desafío fundamental en la secuenciación de ARN de célula única (scRNA-seq). Debido a que las mediciones de scRNA-seq son destructivas, las células individuales no pueden rastrearse a través del tiempo, lo que convierte la inferencia de trayectorias en un problema subdeterminado. Si bien el Transporte Óptimo (OT) proporciona un marco fundamentado para alinear distribuciones a través de puntos temporales, los enfoques estándar dependen únicamente de las distancias de expresión génica. Estos métodos tratan implícitamente a las células como partículas independientes, omitiendo la comunicación célula-célula (CCI) estructurada mediada por la señalización de ligando-receptor (LR), la cual es conocida por impulsar el desarrollo y la enfermedad. En consecuencia, la elección de la función de costo en el OT sigue siendo un cuello de botella para generar acoplamientos biológicamente significativos.

Metodología: CellBRIDGE

Los autores presentan CellBRIDGE (Cell-Based Regularized Interaction-Driven Gene Expression), un marco que aumenta el OT basado en características con un costo de interacción dirigido y tipificado derivado de la actividad de LR.

1. Construcción del Costo Basado en Interacciones

En lugar de depender de coordenadas espaciales (que no están disponibles en scRNA-seq disociado), CellBRIDGE construye redes de comunicación proxy dentro de cada instantánea:

• Preprocesamiento: Los recuentos de expresión génica se normalizan y se mapean al intervalo $[0, 1]$ utilizando una función de saturación de Hill para capturar los efectos de ocupación de receptores.
• Puntuación: Para un conjunto de $P$ pares de ligando-receptor, se construye un tensor de CCI dirigido y no negativo $G \in \mathbb{R}^{n \times n \times P}_{\geq 0}$. La puntuación de interacción entre una célula emisora $i$ y una célula receptora $j$ para el par $p$ se calcula como el producto de la expresión del ligando en $i$ y la expresión del receptor en $j$.
• Estructura: Esto resulta en una representación multicanal y dirigida de la comunicación célula-célula.

2. Formulación de Gromov–Wasserstein Fusionado (FGW)

CellBRIDGE plantea el problema de alineación como una optimización de Gromov–Wasserstein fusionado (FGW). Busca un acoplamiento $\Gamma$ que minimice una suma ponderada de dos términos:

1. Costo de Características ($F$): El costo de transporte estándar en el espacio de expresión génica (por ejemplo, la distancia euclidiana al cuadrado), que impone una evolución suave de los estados transcripcionales.
2. Costo de Estructura ($S$): Un término de distorsión que mide el desajuste entre los perfiles de interacción dirigidos y multicanal de los pares de células de origen y destino.

La función objetivo es:
$$\min_{\Gamma \in \Pi(a,b)} (1-\alpha) \langle \Gamma, C \rangle_F + \alpha \sum_{i,k,j,l} \phi(g^{(0)}_{i \to k}, g^{(1)}_{j \to l}) \Gamma_{ij} \Gamma_{kl}$$
donde $\alpha \in [0, 1]$ equilibra la similitud de características y la preservación de la estructura de interacción, y $\phi$ es una métrica de similitud (por defecto: distancia euclidiana al cuadrado) entre los vectores de canales de LR.

3. Modularidad e Integración en Etapas Posteriores

Un principio de diseño clave es que el prior de interacción se inyecta únicamente a nivel de acoplamiento. El acoplamiento resultante $\Gamma^*$ sirve como una entrada "plug-and-play" para varios modelos de trayectoria de tiempo continuo, incluyendo:

• Emparejamiento de Flujo Condicional (CFM): Aprendizaje de campos de velocidad deterministas.
• Emparejamiento de Flujo Métrico (MFM): Aprendizaje de flujos sobre una variedad riemanniana dependiente de los datos.
• Puentes de Schrödinger Estocásticos (SF2M): Modelado de la dinámica estocástica.
• OT Desbalanceado (Unbalanced OT): Contabilización de cambios en la masa poblacional (proliferación/apoptosis).

El marco resuelve el problema FGW no convexo utilizando una rutina de gradiente condicional (Frank-Wolfe) personalizada y emplea un esquema de normalización para asegurar que los términos de características y estructura estén en escalas comparables.

Contribuciones Clave

1. Perspectiva del Costo de Función: El artículo identifica el diseño del costo de OT como una palanca crítica para el alineamiento de instantáneas, proponiendo la suavidad de la comunicación célula-célula dirigida y tipificada como un prior biológicamente fundamentado que es ortogonal al principio de mínima acción en la expresión génica.
2. FGW Tipificado y Dirigido: Los autores generalizan el FGW para manejar estructuras de interacción dirigidas y multirelacionales (vectoriales) derivadas de la señalización de LR, produciendo acoplamientos conscientes de la interacción.
3. Amplia Aplicabilidad: El método demuestra que los acoplamientos conscientes de la interacción mejoran la inferencia de trayectorias a través de diversos marcos (CFM, MFM, SF2M, UOT), estableciendo la estructura de CCI como un prior de propósito general.
4. Interpretabilidad Mecanística: Al operar sobre el catálogo de LR, CellBRIDGE permite realizar perturbaciones in silico. El silenciamiento de pares de LR específicos induce desplazamientos en la trayectoria que recapitulan los efectos biológicos esperados de la inhibición de vías.

Resultados Experimentales

Los autores evaluaron CellBRIDGE en datos sintéticos y seis conjuntos de datos de scRNA-seq del mundo real (incluyendo tumor de pulmón, corteza V1, estimulación de células dendríticas y desarrollo embrionario de ratón).

• Calidad del Acoplamiento: En datos sintéticos con mapas de transporte de verdad fundamental (ground-truth) conocidos, la incorporación de la estructura de interacción ($\alpha > 0$) recuperó significativamente el mapa de transporte real, mientras que el OT de solo características ($\alpha=0$) falló debido al desalineamiento de clusters con expresiones similares pero diferentes roles de señalización.
• Inferencia de Trayectoria: En conjuntos de datos reales, CellBRIDGE redujo consistentemente los errores de interpolación (distancias Wasserstein-1 y Wasserstein-2) en comparación con las líneas base del estado del arte (por ejemplo, TrajectoryNet, DSB, Moscot, OT-CFM). El mejor rendimiento se logró típicamente con una configuración equilibrada ($\alpha \approx 0.5$), aunque algunos conjuntos de datos (por ejemplo, estímulo de células dendríticas) favorecieron la configuración de solo estructura ($\alpha=1$).
• Fundamentación Biológica: Los estudios de ablación confirmaron que las ganancias fueron impulsadas por una estructura de LR coherente. La aleatorización del catálogo de LR o el barajado de las entradas del tensor de CCI degradó el rendimiento.
• Perturbaciones in Silico: En los datos de cáncer de pulmón, el silenciamiento de pares de LR específicos (EGFR, ALK, MET) indujo desplazamientos en la trayectoria consistentes con la inhibición de vías terapéuticas conocidas, mientras que las ediciones en vías cardiorrenales no relacionadas tuvieron efectos insignificantes.
• Limitaciones: El método depende de la suposición de que la geometría de interacción es aproximadamente persistente a través de las instantáneas. En sistemas que se remodelan rápidamente con grandes brechas temporales (por ejemplo, el desarrollo embrionario de ratón a lo largo de 6 días), el prior de interacción se volvió poco informativo y el rendimiento no mejoró respecto al OT de solo características.

Significación y Reivindicaciones

El artículo afirma que CellBRIDGE aborda la naturaleza subdeterminada de la inferencia de trayectorias mediante la inyección de un sesgo inductivo biológico: la evolución suave de la comunicación ligando-receptor. Al desacoplar el prior estructural de la dinámica del modelo, CellBRIDGE ofrece un enfoque modular e interpretable que mejora la fidelidad del alineamiento y permite el análisis contrafactual específico de mecanismos. Los autores enfatizan que su método no requiere datos espaciales, lo que lo hace aplicable al scRNA-seq disociado estándar, y que complementa los avances existentes en el modelado generativo al refinar el problema de correspondencia de los puntos finales sin alterar las arquitecturas de procesamiento posteriores.