Resumen Técnico: Consulta de Contrafácticos en Grafos de Tejidos con Desentrañamiento Supervisado

Definición del Problema

La biología de célula única busca predecir las respuestas celulares a las perturbaciones. Sin embargo, los métodos existentes suelen basarse en dos supuestos que los tejidos violan: (i) las perturbaciones actúan como estímulos compartidos aplicados uniformemente, y (ii) las células son condicionalmente independientes (i.i.d.). En los tejidos vivos, el estado transcripcional de una célula está moldeado por su vecindad local, la cual varía de forma única para cada célula.

Los autores formalizan los contrafácticos de grafos de tejido como una clase de intervenciones espaciales que preguntan: ¿Qué expresaría una célula si su contexto de vecindad fuera alterado mientras su identidad intrínseca permaneciera fija? Estas intervenciones se dirigen a dos componentes mutables del grafo de tejido:

1. Perturbación de Aristas (Edge Perturbation): Recablear las conexiones de vecindad de una célula (reemplazando vecinos).
2. Perturbación de Nodos (Node Perturbation): Modificar las características de expresión génica de los vecinos existentes preservando la topología del grafo.

Los métodos actuales carecen de un marco unificado para manejar estas consultas, tratando a menudo las células como i.i.d. o dirigiéndose a tipos de intervención específicos sin separar la identidad celular intrínseca de la influencia microambiental extrínseca.

Metodología: Cellina

El artículo presenta Cellina, un autoencoder variacional (VAE) de grafos diseñado para hacer tratables los contrafácticos de grafos de tejido mediante el desentrañamiento supervisado (supervised disentanglement).

Arquitectura del Modelo

Cellina descompone la expresión génica $x$ de una célula en dos componentes latentes:

• Representación Intrínseca ($z$): Codifica la identidad celular (tipo de célula), independiente del contexto espacial.
• Representación Extrínseca ($s$): Codifica el efecto del microambiente espacial (vecindad).

El modelo generativo asume distribuciones normales estándar para los priors de $z$ y $s$, con la verosimilitud $p(x|z, s)$ modelada como una distribución Binomial Negativa parametrizada por un decodificador $Dec([z; s])$.

Variantes de Inferencia

Se proponen dos variantes para codificar la representación espacial $s$:

1. Cellina (Base): Utiliza una agregación normalizada por grado de la expresión de los vecinos log-normalizada $\phi(v)$, codificada mediante un MLP.
2. Cellina-GAT: Reemplaza el agregador fijo con una Red de Atención de Grafos (GATv2) multicapa que opera sobre el subgrafo local. Esta variante excluye bucles de auto-conexión (self-loops) para asegurar que la expresión de la célula focal sea capturada únicamente por $z$.

Desentrañamiento Supervisado

El factor común puramente no supervisado no es identificable sin sesgos inductivos. Cellina inyecta supervisión biológica para anclar $z$ a la identidad del tipo celular y derivar la variación espacial hacia $s$:

• Clasificador de Tipo Celular ($L_{clf}$): Ancla $z$ a etiquetas de tipo celular conocidas.
• Discriminador de Dominio Adversario ($L_{adv}$): Una optimización alternante de dos pasos donde un discriminador intenta predecir el dominio espacial a partir de $z$. El codificador se entrena para minimizar esta predicción (maximizar la entropía), eliminando efectivamente la información del dominio espacial de $z$ y forzándola hacia $s$.
• Pérdida de Contraste ($L_{spatial}$): Aplicada solo en Cellina-GAT, esta pérdida fomenta la similitud en $s$ para los vecinos espaciales mientras separa regiones de dominios distintos, actuando como un sesgo inductivo basado en la biología.

El objetivo de entrenamiento total es:
$$\mathcal{L} = \mathcal{L}_{VAE} + \alpha_{clf} \mathcal{L}_{clf} + \alpha_{spatial} \mathcal{L}_{spatial} - \alpha_{adv} \mathcal{L}_{adv}$$

Simulación de Contrafácticos

• Perturbación de Aristas: Los vecinos de una célula focal se intercambian con células de un dominio objetivo (por ejemplo, reemplazando vecinos sanos con vecinos de cáncer), excluyendo el propio tipo de la célula focal para asegurar una evaluación conservadora.
• Perturbación de Nodos: La topología del grafo permanece fija, pero los vectores de expresión génica de los vecinos se modifican mediante una transformación específica de genes (por ejemplo, escalamiento multiplicativo basado en cambios de log-fold entre dominios).

Principales Contribuciones

1. Formalización: Los autores definen los contrafácticos de grafos de tejido como una clase unificada de intervenciones espaciales que abarcan tanto perturbaciones de aristas (topología) como de nodos (características).
2. Marco Cellina: Introducen un VAE de grafos de doble codificador con desentrañamiento supervisado que separa la identidad intrínseca del contexto espacial.
3. Rendimiento: Cellina supera a las líneas base con información espacial y no espaciales (incluyendo scGen, CPA, MintFlow y SpatialProp) en predicción de contrafácticos, desentrañamiento y escalabilidad en conjuntos de datos que contienen más de 2.5 millones de células.
4. Descubrimiento Biológico: El marco permite la identificación no supervisada de subdominios de cáncer biológicamente distintos y facilita la simulación de perturbaciones de vías específicas de la vecindad dirigida.

Resultados Experimentales

El modelo fue evaluado en dos conjuntos de datos de transcriptómica espacial a gran escala:

1. Cáncer Colorrectal (CRC): ~2.4 millones de células a través de seis láminas. La tarea consistió en predecir la expresión de células de colon sanas (REF) si se colocaran en una región tumoral (CRC).

   • Resultados: Las variantes de Cellina superaron significativamente a todas las líneas base. El Cellina base mejoró la correlación de Pearson en +0.14 y la Precisión con Signo en +0.17 sobre la línea base no-Cellina más fuerte. Cellina-GAT logró la puntuación de Pearson más alta (0.85) y el RMSE más bajo (1.14).
   • Ablación: Incluso la variante "Cellina (ablada)" (sin supervisión) superó a las líneas base no espaciales, pero el desentrañamiento supervisado proporcionó mejoras adicionales (+0.12 en Pearson), confirmando la eficacia de la estrategia de separación.

2. Cerebro de Ratón Completo: ~146K células a través de tres láminas (MERFISH). La tarea consistió en transferir predicciones entre dominios espaciales (Tálamo a Isocorte/Tractos de fibras).

   • Resultados: Las variantes de Cellina lideraron nuevamente en tres de cuatro métricas, demostrando la generalización a través de tejidos y especies.

Hallazgos Biológicos

• Descubrimiento de Subdominios: El agrupamiento (clustering) de la representación espacial latente $s$ reveló subdominios de CRC (CRC1 y CRC2) distintos con diferentes perfiles de señalización (dominante en TGF$\beta$ vs. dominante en NF$\kappa$B/MAPK) sin supervisión directa.
• Perturbación de Vías: La simulación de perturbaciones de nodos utilizando pesos de la vía PROGENy recapituló con éxito las respuestas biológicas de estos subdominios, identificando genes clave (ej. FN1, MMP3) consistentes con programas de fibroblastos conocidos.

Significancia y Reivindicaciones

El artículo afirma que Cellina proporciona un marco con principios para estudiar las respuestas celulares impulsadas por la vecindad, yendo más allá del supuesto de células independientes. Al desentrañar explícitamente el estado intrínseco de la influencia extrínseca, el modelo permite:

• Predicción Contextual: Predecir el comportamiento celular no en aislamiento, sino dentro de contextos espaciales específicos.
• Reducción del Espacio de Búsqueda Experimental: Generar respuestas celulares "virtuales" a vecindades alteradas para guiar la validación en laboratorio (wet-lab).
• Escalabilidad: El modelo base de Cellina escala eficientamente (el tiempo de entrenamiento es comparable al de scVI no espacial) al desacoplar la construcción de la vecindad del entrenamiento, a diferencia de los competidores basados en atención de grafos que requieren un paso de mensajes costoso.

Los autores señalan que, aunque los contrafácticos son actualmente hipótesis generativas que requieren validación experimental, la interpretación operativa de estas simulaciones ofrece una vía prometedora para consultar las respuestas celulares virtuales en entornos de tejido complejos. Reconocen limitaciones respecto a la dependencia de anotaciones de tipo celular y de dominio predefinidas y el potencial de errores de segmentación en datos espaciales, sugiriendo que el trabajo futuro podría integrar señales de imagen crudas para eliminar el ruido de estas entradas.