Resumen Técnico: DevoTG – Redes Neuronales de Grafos Temporales para el Modelado de la Conectómica del Desarrollo de C. elegans

1. Planteamiento del Problema

Comprender las reglas que gobiernan la formación de los circuitos neuronales —desde el nacimiento hasta la edad adulta— es un desafío central en la neurociencia del desarrollo. Si bien el conectoma de Caenorhabditis elegans ha sido mapeado extensamente, los enfoques computacionales previos han tratado mayoritariamente las etapas del desarrollo como grafos estáticos e independientes. Este enfoque estático descarta el orden temporal y la dinámica continua que impulsan el cambio de desarrollo. Específicamente, existe la necesidad de modelar dos aspectos complementarios del desarrollo de C. elegans de forma simultánea:

1. Linaje Celular: La secuencia temporal de los eventos de división celular.
2. Conectoma Sináptico: La evolución de las conexiones sinápticas a través de las etapas de desarrollo.

Las Redes Neuronales de Grafos (GNN) estáticas existentes no logran capturar la "historia" de las interacciones, lo cual es crítico para predecir estados de desarrollo futuros. Además, aunque trabajos recientes (e.g., Witvliet et al., 2021) han revelado una variabilidad individual significativa y reconfiguraciones durante el desarrollo, la falta de un marco de grafo temporal unificado para analizar estas dinámicas ha sido una carencia.

2. Metodología

Los autores proponen DevoTG (Grafo Temporal de Desarrollo), un marco que integra Redes Neuronales de Grafos Temporales (TGN) con dos representaciones de datos distintas derivadas de datos de C. elegans.

2.1 Fuentes de Datos

• Datos de Linaje Celular: Un conjunto de datos curados de 642 eventos de división celular (1,203 estados celulares únicos) derivados de WormAtlas. Cada evento incluye identidades de célula madre/hija, coordenadas espaciales 3D y marcas de tiempo de nacimiento (0–600 minutos post-fertilización).
• Datos del Conectoma de Desarrollo: Ocho conjuntos de datos de microscopía electrónica de Witvliet et al. (2021) que cubren hermaphroditas isogénicos de C. elegans en ocho puntos temporales distintos (desde el nacimiento L1 hasta la edad adulta). Este conjunto de datos incluye 225 neuronas y tanto sinapsis químicas como uniones gap.

2.2 Representaciones de Grafos

DevoTG emplea dos estructuras de grafo complementarias:

1. Grafo Dinámico de Tiempo Continuo (CTDG) para el Linaje:
   • Modela la división celular como aristas dirigidas con marcas de tiempo ($madre \to hija$).
   • Las características de los nodos codifican la posición 3D, el tiempo de nacimiento y la profundidad generacional.
   • Las características de las aristas codifican el desplazamiento espacial entre los centroides celulares.
2. Grafo Dinámico de Tiempo Discreto (DTDG) para el Conectoma:
   • Representa la red sináptica como una secuencia de ocho instantáneas ($G_1, \dots, G_8$).
   • Los pesos de las aristas representan el conteo de sinapsis.
   • Captura el crecimiento de las conexiones desde 858 aristas al nacer hasta 2,496 en adultos.

2.3 Arquitectura de la Red Neuronal de Grafo Temporal (TGN)

La implementación de la TGN sigue el diseño modular de Rossi et al. (2020) y está construida sobre PyTorch Geometric. Consta de tres componentes principales:

• Módulo de Memoria: Mantiene un vector de memoria de 100 dimensiones ($m_i$) para cada nodo, actualizado mediante una celda GRU tras los eventos de interacción. Este módulo acumula el historial de interacción de cada célula, sirviendo como el sesgo inductivo primario para la predicción temporal.
• Incrustación de Atención de Grafo (Graph Attention Embedding): Utiliza una capa TransformerConv de 2 cabezales para agregar información del vecindario temporal de un nodo. Incorpora la codificación de tiempo relativo ($\Delta t_{ij}$) y características de las aristas.
• Predictor de Enlaces (Link Predictor): Una red de alimentación hacia adelante (feed-forward) que calcula una puntuación de predicción para aristas candidatas basada en las incrustaciones de los nodos origen y destino.

Protocolo de Entrenamiento:

• Tarea: Predicción de enlace de división celular (predecir qué madre se divide en qué hijas).
• División (Split): División temporal (70% entrenamiento, 15% validación, 15% prueba) para asegurar la evaluación sobre eventos estrictamente futuros.
• Líneas Base (Baselines): Comparado contra un baseline Aleatorio, un Heurístico de Grado (Adhesión Preferencial) y una GNN Estática (arquitectura idéntica pero sin el módulo de memoria).

2.4 Pipeline de Análisis

Para el DTDG del conectoma, los autores desarrollaron un pipeline de clasificación para la Estabilidad de Conexión:

• Estable: Presente en $\ge 6$ de 8 puntos temporales.
• De Desarrollo: Presente en 2–5 puntos temporales.
• Variable: Presente en exactamente 1 punto temporal.
  Además, se computaron métricas de red estándar (grado, centralidad de intermediación, densidad) a través de todos los puntos temporales para analizar las neuronas núcleo (específicamente AVA, AVB y AVE).

3. Resultados Clave

3.1 Rendimiento de la Predicción de División Celular

La TGN superó significativamente a todas las líneas base en la predicción de eventos de división celular:

• DevoTG TGN: AUC de prueba de 0.839 ± 0.007 (media sobre 5 semillas).
• GNN Estática: AUC de prueba de 0.577 ± 0.080.
• Baseline Aleatorio: 0.539.
• Heurístico de Grado: 0.463 (desempeñándose peor que el aleatorio).

La brecha de 26 puntos en el AUC entre la TGN y la GNN Estática demuestra que la memoria temporal es el factor decisivo. La alta varianza de la GNN Estática (±0.080) sugiere que es sensible a la inicialización y carece del sesgo inductivo estructural requerido para la predicción del desarrollo. El pobre desempeño del heurístico de grado indica que el linaje de C. elegans sigue un programa de desarrollo fijo en lugar de una regla de adhesión preferencial impulsada por la actividad.

3.2 Estabilidad de Conexión y Topología

• Clases de Estabilidad: El análisis del DTDG del conectoma reveló:
  • Variable: 56.8% de las conexiones (aparecen en solo 1 punto temporal).
  • De Desarrollo: 28.1% (transitorias a través de 2–5 puntos temporales).
  • Estable: 15.1% (arquitectura central persistente).
• Comparación con Witvliet et al.: La clasificación temporal de DevoTG complementa la clasificación de variabilidad individual de Witvliet, proporcionando una visión más granular de cómo evoluciona la conectividad dentro de un solo organismo a lo largo del tiempo. Mientras Witvliet encontró que ~43% de las conexiones varían entre individuos, DevoTG encontró una proporción mayor de conexiones temporalmente variables, probablemente debido a la inclusión de uniones gap y conexiones débiles que fluctúan cerca de los umbrales de detección.
• Crecimiento de Sinapsis: Las sinapsis químicas crecieron de forma monotónica, mientras que las conexiones eléctricas (uniones gap) mostraron una trayectoria no monotónica, alcanzando su pico en L1-16h antes de estabilizarse.

3.3 Análisis de Neuronas Núcleo (Hub)

El análisis de las interneuronas de comando (AVA, AVB, AVE) reveló:

• Núcleo Persistente: La conectividad central entre estas interneuronas existe desde el nacimiento (L1).
• Refuerzo Progresivo: Para la edad adulta, estos núcleos acumulan nuevas conexiones sustanciales de neuronas sensoriales y motoras.
• Centralidad: La centralidad de intermediación para nodos clave (e.g., AVAL) aumenta visiblemente, indicando que la arquitectura de toma de decisiones no solo se preserva, sino que se refuerza progresivamente para integrar más entradas a medida que el animal madura.

3.4 Visualización

El marco incluye herramientas interactivas (redes animadas en 3D, mapas de calor de centralidad y grafos de linaje espaciotemporales) que permiten a los investigadores visualizar la evolución "escalonada" del conectoma y correlacionar la identidad del linaje con la posición espacial.

4. Significancia y Reivindicaciones

El artículo afirma que DevoTG proporciona un marco fundacional para la conectómica temporal, cerrando la brecha entre el análisis de redes estáticas y los procesos inherentemente dinámicos del desarrollo neural.

• Sesgo Inductivo: La principal reivindicación científica es que la memoria temporal es un sesgo inductivo indispensable para modelar sistemas de desarrollo. El orden de los eventos (divisiones celulares o formación de sinapsis) codifica información crítica que los métodos de grafos estáticos no pueden capturar.
• Perspectivas Complementarias: DevoTG ofrece un complemento basado en series temporales a las clasificaciones existentes de variabilidad individual, proporcionando una visión más granular de cómo evoluciona la conectividad dentro de un solo organismo a lo largo del tiempo.
• Información Biológica: El marco valida y extiende hipótesis biológicas, como el patrón "de adentro hacia afuera" de la embriogénesis y el refuerzo progresivo de los núcleos de las interneuronas de comando, lo cual se alinea con las observaciones conductuales del aumento en la coordinación locomotora.
• Reproducibilidad y Extensión: El trabajo es de código abierto, diseñado para ser extensible a otros sistemas nerviosos en desarrollo, y proporciona un pipeline modular para integrar conjuntos de datos de conectoma longitudinales a medida que estén disponibles.

Los autores mantienen una postura modesta, reconociendo limitaciones como la exclusión actual de procesos biológicos continuos (e.g., crecimiento de axones) en el entrenamiento de la TGN y la dependencia de umbrales fijos para la clasificación de estabilidad. Posicionan a DevoTG como un paso hacia estudios más exhaustivos y basados en datos sobre cómo los sistemas nerviosos se cablean a sí mismos desde el nacimiento hasta la madurez.