Resumen Técnico: Modelos Generativos de Cuello de Botella de Conceptos de Célula Única para la Edición Celular Interpretable y Controlable

Planteamiento del Problema

Comprender los fenotipos celulares y sus respuestas a perturbaciones (por ejemplo, fármacos, citocinas) es fundamental para la biología de las enfermedades y el diseño terapéutico. Si bien la secuenciación de ARN de célula única (scRNA-seq) permite la caracterización a resolución celular, el espacio combinatorio de condiciones (tratamientos, dosis, tipos de células) hace que el mapeo experimental exhaustivo sea inviable. Se requieren modelos computacionales para predecir las respuestas celulares bajo condiciones no observadas.

Una capacidad específica requerida de estos modelos es la edición celular precisa: la capacidad de partir de una célula observada y modificar sistemáticamente propiedades biológicas específicas (conceptos) mientras se preservan otras. Esto difiere de la generación condicional, que produce cualquier célula bajo condiciones dadas, mientras que la edición apunta a una célula específica bajo condiciones alteradas para permitir el razonamiento contrafáctico (por ejemplo, "¿Cómo sería este linfocito T específico si la vía NF-kB estuviera desactivada?").

Los métodos existentes enfrentan dos limitaciones principales:

1. Falta de Contrafácticos a Nivel de Cela: Muchos modelos capturan efectos a nivel de población o distribuciones condicionales, pero no logran generar contrafácticos para células individuales.
2. Falta de Control Interpretable: Aunque algunos métodos ofrecen interpretabilidad, suelen ser descriptivos (explican correlaciones) en lugar de accionables (simular o editar respuestas). Por el contrario, los modelos generativos con control detallado dependen de variables latentes opacas en lugar de conceptos biológicamente significativos.

Metodología: scCBGM

Los autores presentan los Modelos Generativos de Cuello de Botella de Conceptos de Célula Única (scCBGM), un marco diseñado para la edición celular interpretable y controlable. El enfoque adapta los Modelos de Cuello de Botella de Conceptos (CBM) y los Modelos Generativos de Cuello de Botella de Conceptos (CBGM) a los desafíos únicos de los datos de scRNA-seq, incluyendo la alta heterogeneidad, el ruido técnico y las anotaciones de conceptos poco fiables.

1. Formalización del Problema

El marco adopta el Modelo Causal Estructural (SCM) de Pearl. La expresión génica $X$ está influenciada por conceptos observados $C$ (por ejemplo, tipo de célula, estado de estimulación) y factores residuales no observados $U$ (por ejemplo, efectos de lote, identidad celular). El objetivo es predecir el resultado contrafáctico $X'$ para una célula específica $x$ si sus conceptos cambiaran de $c$ a $c'$, manteniendo constantes los factores no observados $U$. Esto se formaliza mediante el aprendizaje de un predictor $f_\theta$ tal que $\hat{x}' = f_\theta(x, c') \approx \mathbb{E}[f_X(c', U) | X=x]$.

2. Arquitectura

El modelo sigue un diseño de codificador-decodificador con un cuello de botella de concepto:

• Codificador (Encoder): Mapea la expresión génica de entrada $x$ a una distribución latente $z$.
• Cuello de Botella de Concepto (Concept Bottleneck): Descompone $z$ en:
  • Factores conocidos ($\hat{c}$): Predicciones de los $K$ conceptos biológicos.
  • Factores desconocidos ($u$): Una representación que captura la variación no explicada por $\hat{c}$.
• Decodificador con Conexiones de Salto (Skip Connections): A diferencia de los CBGM estándar, el decodificador recibe la concatenación de $u$ y $\hat{c}$ en la entrada. Crucialmente, las conexiones de salto alimentan los conceptos conocidos $\hat{c}$ en cada capa del decodificador. Esto impone un condicionamiento sistemático en los conceptos a lo largo del proceso de generación, mejorando la robustez ante anotaciones ruidosas.

3. Objetivos de Entrenamiento

El modelo se entrena minimizando una pérdida derivada del ELBO de un $\beta$-VAE, aumentada con penalizaciones específicas:

• Pérdida de Reconstrucción (Reconstruction Loss): Minimiza la diferencia entre la expresión génica predicha y la observada.
• Supervisión de Conceptos ($L_{concept}$): Predice conceptos a partir del espacio latente, manejando la falta de anotaciones mediante una máscara binaria.
• Penalización de Covarianza Cruzada ($L_{cc}$): Para imponer la independencia entre los conceptos conocidos $\hat{c}$ y los factores desconocidos $u$, el modelo penaliza la norma de Frobenius al cuadrado de su covarianza empírica cruzada. A diferencia de las pérdidas de similitud de coseno, este enfoque no impone restricciones dimensionales ($K \neq d_u$), lo que permite tamaños de incrustación (embedding) flexibles.

4. Extensión a Flow Matching

El marco se extiende más allá de los Autoencoders Variacionales (VAEs) hacia modelos de Flow Matching (FM). Al condicionar el campo vectorial de Flow Matching en las incrustaciones de scCBGM ($[u, \hat{c}]$), los autores permiten la edición guiada por conceptos en dos regímenes:

• Solo Decodificación (Decoding-only): Muestreo a partir de ruido condicionado en conceptos editados (útil para generar ejemplos diversos).
• Codificación-Decodificación (Encoding-Decoding): Mapear una célula específica al ruido (abducción), editar los conceptos y decodificar de nuevo (acción/predicción). Esto implementa estrictamente el marco de abducción-acción-predicción para la generación contrafáctica.

Contribuciones Clave

1. Modificaciones Arquitectónicas: Introducción de conexiones de salto en el decodificador para un condicionamiento persistente de conceptos y una penalización de covarianza cruzada para incrustaciones desacopladas sin restricciones dimensionales.
2. Extensión del Marco: Extensión de los CBGM a modelos de Flow Matching, permitiendo una generación de alta fidelidad junto con un control interpretable.
3. Benchmark Sintético: Desarrollo de un proceso de generación de datos sintéticos basado en un modelo de Poisson sobredispersado jerárquico que separa el ruido exógeno de las condiciones, proporcionando acceso a contrafácticos de verdad fundamental (ground-truth) para una evaluación rigurosa.
4. Validación Empírica: Demostración de un rendimiento superior en generalización combinatoria y predicción contrafáctica a través de múltiples conjuntos de datos del mundo real y el benchmark sintético.

Resultados

El artículo evalúa scCBGM en tres conjuntos de datos reales (Kang et al., 2017; Cui et al., 2024; Nault et al., 2023) y datos sintéticos.

• Evaluación de Datos Sintéticos: scCBGM supera a los CBGM estándar en todos los niveles de ruido y escenarios. El estudio de ablación confirma que la combinación de la arquitectura de cuello de botella de concepto, la pérdida de covarianza cruzada y las conexiones de salto produce el mejor rendimiento.
• Benchmarking de Datos Reales: Utilizando métricas de proxy a nivel de población (rMMD, rFID, rSD) donde no hay disponibles contrafácticos de nivel de célula de verdad fundamental, scCBGM y su variante de Flow Matching (scCBGM-FM) superan consistentemente a las líneas de base del estado del arte (incluyendo scGen, CINEMA-OT, biolord y Vanilla-FM) en 5 de 7 experimentos en el conjunto de datos de Kang y en 4 de 7 en el de Cui.
• Generalización Zero-Shot: El modelo predice con éxito las respuestas para combinaciones de tipo de célula y estimulación no vistas durante el entrenamiento (por ejemplo, células T CD4 ingenuas estimuladas), demostrando una fuerte generalización composicional.
• Respuesta de Dosis Continua: En el conjunto de datos de Nault et al., scCBGM modela eficazmente las respuestas de dosis continua, prediciando la expresión génica para dosis intermedias de TCDD no presentes en el conjunto de entrenamiento.
• Estudio de Caso (Mejora de la Respuesta a Fármacos): Los autores demuestran un caso de uso donde scCBGM identifica vías clave (TGF$\beta$, PI3K, p53) que median la respuesta al tratamiento en células estelares hepáticas. Mediante la edición in silico, se controlan las células para activar estas vías, y el modelo logra desplazar el fenotipo de la población para que se asemeje a los respondedores de alta dosis, sugiriendo una ruta mecánica para superar la resistencia celular.

Significado y Reivindicaciones

El artículo afirma que scCBGM aborda el desafío abierto de permitir la edición contrafáctica precisa al nivel de células individuales con control biológicamente interpretable.

• Interpretabilidad y Accionabilidad: A diferencia de los métodos de interpretabilidad descriptiva, scCBGM permite a los investigadores intervenir en conceptos biológicos específicos (por ejemplo, actividad de vías, dosis de fármacos) para simular respuestas celulares.
• Robustez: La arquitectura está diseñada específicamente para manejar las anotaciones de conceptos ruidosas e incompletas típicas de los datos de scRNA-seq.
• Diseño Terapéutico: Al navegar por espacios combinatorios de respuestas celulares que son experimentalmente inviables de mapear, el marco tiene como objetivo acelerar el diseño terapéutico y la generación de hipótesis mecánicas.

Los autores mantienen la modestia respecto a las limitaciones, reconociendo que los verdaderos contrafácticos específicos de la célula no pueden observarse en datos reales (requiriendo proxies a nivel de población para su validación) y que el modelo se generaliza a combinaciones no vistas de conceptos conocidos, pero no a conceptos completamente nuevos ausentes del entrenamiento. También señalan los riesgos éticos asociados con los modelos generativos de alta fidelidad, como el potencial de fabricar datos biológicos o generar pistas terapéuticas falsas sin una validación experimental rigurosa.