Prior-Guided Multi-Omic Transformers for Single-Cell Gene Regulatory Network Inference

Resumen Técnico: Transformers Multiómicos Guiados por Priores para la Inferencia de Redes de Regulación Génica de Célula Única

Planteamiento del Problema
La reconstrucción de Redes de Regulación Génica (GRN, por sus siglas en inglés) a partir de datos pareados de transcriptómica de célula única (scRNA-seq) y accesibilidad de la cromatina (scATAC-seq) es un desafío crítico en la biología computacional. Si bien la integración de estas modalidades ofrece evidencia complementaria, los métodos actuales enfrentan obstáculos significativos:

1. Dispersión y Ruido de los Datos: Los datos de scATAC-seq son extremadamente dispersos y ruidosos, lo que dificulta distinguir las señales reguladoras genuinas de las fluctuaciones estocásticas.
2. Vinculación Ambigua: Vincular los picos de accesibilidad de la cromatina con sus genes objetivo es fundamentalmente ambiguo. Los enfoques existentes suelen depender de mapeos de pico-a-gen fijos y heurísticos (por ejemplo, basados en la distancia genómica), lo que puede asignar evidencia de accesibilidad a objetivos incorrectos y no logra capturar interacciones potenciador-promotor específicas de cada contexto.
3. Escasez de Etiquetas: La inferencia precisa de GRN requiere aprender relaciones regulatorias dirigidas a partir de datos observacionales con un número limitado de etiquetas de verdad de campo (ground-truth) fiables.

Metodología: EpiAwareNet
Los autores proponen EpiAwareNet, un marco de trabajo basado en Transformers multiómicos guiado por priores, diseñado para reconstruir GRN utilizando únicamente priors biológicos ligeros. El marco opera en dos etapas distintas:

Etapa 1: Aprendizaje de Representación Guiado por Priores
Esta etapa se centra en el aprendizaje de representaciones conjuntas de genes y picos sin asignaciones rígidas de pico-a-gen.

• Arquitectura: Un backbone basado en Transformers procesa datos pareados de scRNA-seq y scATAC-seq.
• Atención Cruzada Restringida por Candidatos: En lugar de mapeos fijos, el modelo define un conjunto de candidatos de picos de ATAC ($C_g$) para cada gen $g$ utilizando la proximidad genómica como un prior ligero. Emplea un mecanismo de atención cruzada de genes-picos dispersa donde los tokens de los genes atienden solo a los picos dentro de su conjunto de candidatos. Esto permite una agregación suave y dirigida por los datos de las señales de accesibilidad, permitiendo que el modelo aprenda qué picos candidatos explican mejor la variación en la expresión génica.
• Atención de Genes-Genes Dispersa: Para gestionar la complejidad computacional, la autoatención de genes-genes se restringe a los $k$-vecinos más cercanos en el espacio latente.
• Objetivo de Preentrenamiento: El backbone se preentrena mediante una tarea de reconstrucción de genes enmascarados utilizando una pérdida Binomial Negativa (NB), la cual modela mejor la naturaleza sobredispersa de los datos de scRNA-seq.

Etapa 2: Refinamiento de GRN con Supervisión Débil
Esta etapa introduce la direccionalidad y la puntuación de aristas mediante supervisión débil.

• Priores Débiles: El modelo incorpora una GRN derivada de datos bulk como un conjunto de aristas "positivas ruidosas" ($P_{bulk}$). Estas aristas no se tratan como verdad de campo, sino como guías suaves.
• Aprendizaje de Positivo-No Etiquetado (PU): El resto de los pares regulador-objetivo se tratan como no etiquetados. El modelo está entrenado para distinguir los positivos ruidosos del conjunto no etiquetado.
• Objetivos: Los autores evalúan dos objetivos:
  1. Entropía Cruzada Binaria (BCE): Trata los pares no etiquetados muestreados como negativos, optimizando la calidad del ranking global.
  2. PU No Negativo (nnPU): Considera explícitamente los positivos ocultos entre los pares no etiquetados, lo que resulta en una función de puntuación más conservadora que concentra la masa de probabilidad en un conjunto más pequeño de aristas de alta confianza, optimizando la precisión de recuperación temprana.
• Predicción: Una cabeza de predicción ligera califica los pares ordenados de regulador-objetivo basándose en representaciones agregadas a nivel de célula derivadas del backbone congelado de la Etapa 1.

Contribuciones Clave

1. Aprendizaje de Representación Cross-Modal Guiado por Priores: El artículo formula la inferencia de GRN como un problema de aprendizaje de representación que utiliza atención cruzada de genes-picos dispersa dentro de conjuntos de candidatos genómicos ligeros, evitando reglas rígidas de mapeo pico-a-gen.
2. Refinamiento de GRN con Supervisión Débil y Priores Ruidosos: Introduce una formulación donde las aristas derivadas de bulk sirven como positivos ruidosos en un entorno de aprendizaje PU. Los autores analizan el compromiso entre el ranking global (BCE) y la precisión en la parte superior extrema (nnPU).
3. Evaluación Exhaustiva: El marco es evaluado en sistemas de mamíferos (PBMC humano, cerebro de ratón) y plantas (raíz de tomate), demostrando una mayor robustez en la reconstrucción y plausibilidad biológica en comparación con los modelos de referencia (baselines).

Resultados Experimentales
Los autores evaluaron EpiAwareNet en cuatro conjuntos de datos multiómicos pareados contra métodos clásicos de solo RNA (GRNBoost2, WGCNA), baselines de representación profunda (scGPT, scGLUE con cabezales emparejados) y pipelines multiómicos recientes (SCENIC+, Pando).

• Ranking Global: EpiAwareNet alcanzó consistentemente puntuaciones de AUPRC y AUROC superiores en todos los conjuntos de datos en comparación con los baselines. Por ejemplo, en el conjunto de datos de tomate mN, mejoró el AUPRC de 0.045 (GRNBoost2) a 0.08458.
• Recuperación Temprana: La variante EpiAwareNet-nnPU demostró un rendimiento superior en métricas de "recuperación temprana" (Precision@K, Hit@K) en los conjuntos de datos de plantas, logrando una mayor precisión en las aristas de mayor rango en comparación con la variante estándar de BCE y otros baselines.
• Estudios de Ablación:
  • Eliminar los datos de ATAC (solo RNA) generalmente degradó el rendimiento, confirmando el valor de la accesibilidad de la cromatina como evidencia complementaria, aunque el beneficio dependió del conjunto de datos.
  • Aleatorizar los conjuntos de candidatos de genes-picos degradó significativamente el rendimiento, validando la importancia del mecanismo de atención restringido por candidatos.
• Robustez: El modelo mostró robustez ante el ruido en el prior derivado de bulk; el rendimiento se estancó en lugar de colapsar cuando se eliminó una fracción significativa de las aristas del prior, lo que sugiere que el modelo aprende la señal más allá de la simple reproducción del prior.

Significancia y Reivindicaciones
El artículo sostiene que EpiAwareNet aborda eficazmente los desafíos de la dispersión y el ruido de los datos multiómicos mediante la combinación de un aprendizaje de representación cross-modal adaptativo con supervisión biológica débil. Los autores argumentan que:

• Los priors biológicos ligeros de datos bulk pueden guiar eficazmente la inferencia de GRN de célula única cuando se combinan con Transformers adaptativos.
• Alejarse de las heurísticas fijas de pico-a-gen hacia una atención de candidatos dirigida por los datos mejora la robustez y la plausibilidad biológica de las redes inferidas.
• El marco ofrece un compromiso flexible entre la calidad del ranking global y la recuperación de alta precisión de las aristas superiores, dependiendo del objetivo elegido (BCE vs. nnPU).

El trabajo se posiciona no como una afirmación de que cada componente sea novedoso de forma aislada, sino como una formulación específica y efectiva para refinar las GRN a partir de datos pareados de scRNA-seq/scATAC-seq bajo condiciones de escasez de etiquetas y dispersión de datos.