SNR-ST-Mix: Sample-specific Neighborhood Regression Mixup for Augmented Spatial Transcriptomics Imputation with Deep Neural Network

Resumen Técnico: SNR-ST-Mix

Planteamiento del Problema
La transcriptómica espacial (ST) permite el perfilado de la expresión génica dentro de un contexto tisular, pero a menudo se ve limitada por datos ruidosos, de baja resolución y con un muestreo disperso. Aunque las redes neuronales profundas (DNN) han emergido como herramientas poderosas para imputar la expresión génica a partir de imágenes de histología, su rendimiento se ve limitado por los tamaños de muestra pequeños y la falta de una aumentación de datos informada biológicamente. Las estrategias de aumentación existentes, como Mixup y CutMix, están diseñadas principalmente para tareas de clasificación. Al aplicarse a tareas de regresión como la predicción de la expresión génica, estos métodos suelen generar interpolaciones biológicamente implausibles al mezclar muestras aleatorias. Esto ignora las relaciones espaciales y transcriptómicas inherentes en los datos de ST, lo que provoca discontinuidades espaciales artificiales que dificultan el rendimiento de la predicción y la generalización, particularmente en regímenes de entrenamiento específicos de cada muestra donde la escasez de datos es aguda.

Metodología
Los autores proponen SNR-ST-Mix (Sample-specific Neighborhood Regression Mixup), un marco de aumentación de datos basado en la geometría y consciente de la expresión, diseñado para la regresión de ST. El método opera bajo la premina de que las regiones de tejido adyacentes exhiben morfología y gradientes de expresión correlacionados. El marco consta de dos mecanismos de condicionamiento primarios:

1. Selección de Vecindad Espacial: En lugar de una mezcla aleatoria, SNR-ST-Mix restringe la selección de los compañeros de mezcla a los $k$-vecinos más cercanos espaciales (KNN) de un punto ancla basado en la distancia euclidiana en el espacio de coordenadas. Esto preserva el contexto anatómico local y asegura que los pares mezclados exhiban una discrepancia de objetivo limitada, adhiriéndose a un prior de Lipschitz donde la expresión varía suavemente a través del tejido.
2. Ponderación por Similitud de Expresión: Dentro de la vecindad espacial seleccionada, la probabilidad de mezclarse con un vecino específico se pondera de forma adaptativa mediante un núcleo gaussiano basado en la distancia entre sus perfiles de expresión génica. Esto asegura que las muestras aumentadas se deriven de regiones transcripcionalmente similares, evitando la interpolación entre compartimentos tisulares disímiles o heterogéneos.

El proceso de mezcla genera combinaciones convexas tanto de los parches de histología de entrada ($x_{mix}$) como de los vectores de expresión génica objetivo ($y_{mix}$) utilizando una razón de mezcla $\lambda \sim Beta(\alpha, \alpha)$.

Para reforzar aún más la consistencia biológica, el objetivo de entrenamiento incorpora una función de pérdida compuesta:

• Riesgo Vicinal ($L_{vic}$): Error Cuadrático Medio (MSE) estándar sobre los pares mezclados.
• Consistencia de Mixup ($L_{cons}$): Una penalización que asegura que la predicción del modelo sobre una entrada mezclada coincida con la mezcla lineal de las predicciones sobre los puntos finales originales, controlando la curvatura innecesaria a lo largo de la variedad (manifold) del tejido.
• Pérdida de Borde ($L_{edge}$): Alinea las diferencias de expresión predichas con las diferencias de expresión reales a través de los bordes espaciales, ponderadas por las probabilidades de muestreo. Esto evita el suavizado excesivo en los límites biológicos genuinos mientras promueve la suavidad donde los objetivos son similares.
• Pérdida de Correlación ($L_{corr}$): Un prior suave que sesga la optimización hacia una mayor correlación de Pearson sin desestabilizar el ajuste de MSE.

El método es agnóstico a la arquitectura, integrándose perfectamente con backbones existentes (por ejemplo, Vision Transformers) sin requerir módulos de red adicionales ni una sobrecarga computacional significativa.

Contribuciones Clave

1. Primer Mixup Basado en Regresión para ST: Se introduce SNR-ST-Mix como el primer marco de mixup diseñado específicamente para la regresión de transcriptómica espacial, imponiendo tanto la localidad espacial como la similitud de expresión para generar aumentaciones biológicamente significativas.
2. Puente de Paradigmas: El método une los paradigmas de entrenamiento externo y de muestra específica, mejorando la robustez ante la escasez de datos mientras mantiene una fuerte generalización de distribución interna. Mitiga el sobreajuste y reduce la dependencia de grandes conjuntos de datos externos.
3. Eficiencia e Integración: El enfoque no requiere complejidad de red adicional y es fácilmente integrable en flujos de trabajo estándar. Demuestra una alta adaptabilidad a través de diversos tipos de tejido y condiciones experimentales.

Resultados Experimentales
Los autores evaluaron SNR-ST-Mix en conjuntos de datos de 10x Genomics Visium que cubren cáncer de mama, cáncer de intestino, corazón sano, cáncer de ovario y cáncer de próstata.

• Rendimiento: A través de ocho conjuntos de datos, SNR-ST-Mix logró consistentemente el MSE y el MAE más bajos, y el coeficiente de correlación de Pearson (PCC) más alto en comparación con las líneas base (sin aumentación, aumentación geométrica básica, vanilla Mixup y CutMix). Por ejemplo, en el conjunto de datos de cáncer de mama TENX13, SNR-ST-Mix redujo el MSE de 0.2074 (línea base) a 0.1886 y mejoró el PCC a 0.4748.
• Calidad Visual: El análisis cualitativo de los mapas de expresión espacial (por ejemplo, genes ISG15, MT-ND3) mostró que SNR-ST-Mix produjo límites espaciales más nítidos e intensidades regionales más coherentes en comparación con otros métodos, recuperando eficazmente las regiones de alta expresión mientras suprime el ruido.
• Estudios de Ablación: Los experimentos confirmaron que tanto la restricción espacial KNN como la ponderación de similitud de etiquetas son esenciales y complementarias. La combinación de ambas restricciones produjo mejoras sinérgicas sobre el uso de cualquiera de ellas por separado. Además, se demostró que la función de pérdida compuesta propuesta (pérdidas de consistencia, borde y correlación) mejora aún más el rendimiento al proporcionar una regularización efectiva.
• Robustez: El análisis de sensibilidad de los hiperparámetros indicó que el método es robusto a las variaciones en el número de vecinos ($K$) y en el parámetro de ancho de banda ($\sigma$), manteniendo un rendimiento estable a través de un amplio rango de configuraciones.

Significancia y Reivindicaciones
El artículo afirma que SNR-ST-Mix proporciona una estrategia de aumentación efectiva y biológicamente fundamentada para la regresión de la transcriptómica espacial. Al aprovechar explícitamente la geometría espacial y la similitud transcriptómica, el método expande la variedad de entrenamiento efectiva y mejora el rendimiento predictivo sin aumentar la complejidad del modelo. Los autores enfatizan que su enfoque aborda la limitación fundamental de los métodos de aumentación existentes que no respetan la estructura espacial única de los datos de ST. Postulan que SNR-ST-Mix ofrece una solución práctica para mejorar la eficiencia de los datos y la estabilidad de la predicción, particularmente en escenarios de entrenamiento de muestra específica donde la disponibilidad de datos es limitada. El trabajo sugiere que la aumentación informada biológicamente es crítica para avanzar en el análisis de la transcriptómica espacial, especialmente a medida que las tecnologías se mueven hacia resoluciones más altas.