Resumen Técnico: scGTN - Red de Transformador de Grafos Siamesa Profunda para el Agrupamiento de Secuenciación de ARN de Célula Única

1. Definición del Problema

La secuenciación de ARN de célula única (scRNA-seq) es una tecnología fundamental para perfilar la expresión génica a nivel celular, lo que permite la identificación de tipos celulares y la comprensión de la heterogeneidad celular. Una tarea central en este dominio es el agrupamiento de células (cell clustering), que organiza las células en grupos biológicamente significativos basados en patrones de expresión.

A pesar del progreso, los métodos existentes enfrentan dos desafíos primarios:

1. Dispersión y Ruido: Los datos de scRNA-seq sufren efectos extensos de dropout y ruido de medición, lo que resulta en matrices dispersas y de alta dimensión. Esto complica la construcción fiable de las relaciones celulares, lo que a menudo conduce a grafos altamente dispersos y ruidosos.
2. Explotación Estructural Limitada: Los enfoques actuales de Redes Neuronales de Grafos (GNN) se centran principalmente en la agregación de vecindades locales. A menudo pasan por alto indicios estructurales más ricos incrustados en el grafo celular, tales como los caminos más cortos y las distancias entre nodos. En consecuencia, no logran utilizar plenamente la información inherente del grafo, lo que genera similitudes celulares que son altamente homogéneas y difíciles de distinguir.

2. Metodología: Marco de Trabajo scGTN

Los autores proponen scGTN (Deep Siamese Graph Transformer Network), un marco que integra explícitamente los perfiles de expresión génica y las dependencias estructurales intercelulares. La arquitectura consta de tres módulos principales:

2.1 Módulo de Doble Aumentación

Para mitigar la dispersión y el ruido, el método genera dos vistas complementarias de los datos:

• Perturbación de la Expresión Génica: Se añade ruido gaussiano a los perfiles de expresión génica ($X$) para simular la variabilidad natural. Esto se formula como $\tilde{X} = \{x_i \odot m\}$, donde $m$ es una máscara aleatoria de una distribución gaussiana.
• Aumentación de la Estructura del Grafo Intercelular: Se construyen dos vistas distintas del grafo a partir del grafo inicial de $k$-vecinos más cercanos (kNN):
  • Vista 1 (Refinamiento): Se eliminan las aristas espurias basadas en la similitud de coseno por pares para preservar las conexiones biológicamente relevantes.
  • Vista 2 (Difusión): Se aplica la difusión de grafos para propagar la información a través del grafo, fortaleciendo las conexiones significativas.

2.2 Fusión de la Red de Transformador de Grafos Siamesa

Una arquitectura siamesa con codificadores de pesos compartidos procesa las dos vistas aumentadas. A diferencia de las GNN estándar, este módulo incorpora explícitamente información estructural:

• Incrustación de la Expresión Génica: Un codificador de grafos siameso procesa las matrices de genes perturbadas ($\tilde{X}$) y las matrices de adyacencia ($\tilde{A}$) para producir incrustaciones iniciales.
• Incrustación Estructural Explícita: Para capturar relaciones complejas, el modelo integra:
  • Incrustaciones de Posición: Basadas en la intimidad de los vecinos con respecto al nodo central.
  • Incrustaciones de Camino Más Corto: Modelando explícitamente la estructura de conexión entre los nodos.
• Refinamiento por Transformador: Estas incrustaciones (Gen + Posición + Camino Más Corto) se fusionan y se procesan a través de un mecanismo de autoatención de múltiples cabezales con redes de alimentación hacia adelante (FFN) y conexiones residuales.
• Pérdida de Correlación: Se introduce una pérdida específica ($L_{cor}$) para evitar el colapso de características y la redundancia entre las dos vistas, maximizando la correlación de los elementos diagonales y minimizando las correlaciones fuera de la diagonal.

2.3 Agrupamiento de Transporte Óptimo

La tarea de agrupamiento se formula como un problema de alineación de distribuciones utilizando una estrategia de aprendizaje autosupervisado:

• Asignación de Clúster: La similitud entre las incrustaciones de las células y los centros de los clústeres se modela utilizando una distribución t de Student.
• Distribución Objetivo: Las probabilidades de asignación se agudizan para crear una distribución objetivo.
• Transporte Óptimo: Una estrategia de transporte óptimo alinea la distribución de clústeres predicha con las proporciones de mezcla para asegurar un agrupamiento robusto y prevenir soluciones degeneradas (por ejemplo, que todas las células se mapeen a una sola etiqueta). Esto se optimiza mediante el método de la distancia de Sinkhorn con una restricción de entropía.

2.4 Optimización Global

La función de objetivo final combina cuatro componentes:
$$L = L_{clu} + \alpha L_{cor} + \beta L_{rec} + \gamma L_{ZINB}$$
Donde $L_{clu}$ es la pérdida de agrupamiento, $L_{cor}$ es la pérdida de correlación, $L_{rec}$ es la pérdida de reconstrucción (MSE) para preservar la estructura del grafo, y $L_{ZINB}$ es la pérdida Binomial Negativa de Inflación Cero para modelar la dispersión y el exceso de dispersión de los datos.

3. Contribuciones Clave

El artículo describe tres contribuciones primarias:

1. Nueva Perspectiva: El estudio aborda el agrupamiento de scRNA-seq considerando conjuntamente los perfiles de expresión génica y las estructuras de grafos celulares, explotando información intercelular complementaria más allá de las simples similitudes a nivel de características.
2. Metodología Novedosa: La introducción de scGTN, un marco que utiliza una Red de Transformador de Grafos Siamesa. Este incorpora explícitamente información estructural más rica, específicamente caminos más cortos e distancias entre nodos, para aprender representaciones celulares discriminativas.
3. Experimentos Extensos: Una evaluación exhaustiva en múltiples conjuntos de datos de referencia demuestra el rendimiento superior del marco en comparación con los métodos existentes.

4. Resultados Experimentales

Los autores evaluaron scGTN en siete conjuntos de datos de referencia públicos (que cubren células pancreáticas, hepáticas e inmunes de humanos y ratones) frente a diez líneas base, incluyendo métodos tradicionales (k-means, jerárquicos), métodos de aprendizaje profundo (DEC, scDeepCluster) y métodos basados en grafos (scGNN, scDSC).

• Rendimiento Cuantitativo: scGTN logró el mejor rendimiento en las tres métricas (Exactitud, NMI y ARI) en los siete conjuntos de datos. En promedio, superó al segundo mejor método por un 3.00% en ACC, 2.42% en NMI y 2.30% en ARI.
• Visualización: Las visualizaciones UMAP en el conjunto de datos de Hígado Humano mostraron que scGTN produjo clústeres altamente compactos con límites claros, mientras que los métodos de la línea base exhibieron mezcla de subtipos o distribuciones difusas.
• Validación Biológica:
  • Expresión Génica Diferencial (DEG): Los clústeres generados por scGTN mostraron un alto solapamiento (>90%) con los tipos celulares de la verdad de campo (ground-truth) basado en los 100 genes más expresados diferencialmente (DEGs). Los 5 genes marcadores superiores identificados por scGTN (por ejemplo, PPY para las células PP pancreáticas) coincidieron precisamente con las clasificaciones del estándar de oro.
  • Enriquecimiento de Vías KEGG: El método identificó con éxito subpoblaciones funcionales distintas, como las vías de "Secreción de insulina" para las células $\beta$ y las vías de "Ribosoma" para las células acinares, confirmando la interpretabilidad biológica.

5. Significado y Reivindicaciones

El artículo afirma que scGTN aborda las limitaciones críticas de los métodos actuales al ir más allá de la agregación de vecindades locales para capturar dependencias estructurales globales. Al integrar explícitamente la información del camino más corto y las distancias entre nodos a través de un Transformador de Grafos Siameso, el modelo aprende incrustaciones más discriminativas y robustas. Los autores sostienen que este enfoque maneja eficazmente la dispersión y el ruido inherentes de los datos de scRNA-seq, proporcionando una herramienta más precisa para la identificación de tipos celulares y la interpretación biológica en comparación con los marcos de agrupamiento de grafos y de aprendizaje profundo existentes.