Stable-Shift: Biologically Structured Prediction of Transcriptional Responses to Unseen Gene Perturbations

Resumen Técnico: Stable-Shift

Planteamiento del Problema
El artículo aborda el desafío de predecir las respuestas transcripcionales a perturbaciones genéticas para genes que nunca fueron perturbados durante la fase de entrenamiento de un modelo. Mientras que los modelos computacionales pueden reconstruir eficazmente células omitidas a partir de perturbaciones conocidas o interpolar entre intervenciones observadas, la extrapolación hacia genes "no vistos" sigue siendo difícil. Los métodos existentes enfrentan tres obstáculos principales: vectores de respuesta de alta dimensión y ruidosos, el uso compartido de programas de expresión globales dominantes entre perturbaciones, y el hecho de que las relaciones de genes más informativas no siempre son visibles únicamente a partir de las características de expresión. Los enfoques actuales dependen o bien exclusivamente de las características de expresión (perdiendo los vecindarios moleculares durante la inferencia) o bien exclusivamente de grafos de interacción (heredando potencialmente el ruido e incompletitud de un único recurso), fallando en la generalización estricta a genes excluidos del entrenamiento.

Metodología: Stable-Shift
Stable-Shift es un método estructurado diseñado para estimar respuestas de genes no vistos mediante la agregación de mediciones de célula única en cambios de expresión a nivel de perturbación y el aprendizaje de una base de respuesta compacta. El flujo de trabajo consta de tres componentes principales:

1. Base de Respuesta Exclusiva de Entrenamiento: El método calcula el cambio promedio de expresión ($\Delta_i$) para cada perturbación de entrenamiento restando la media del control. Luego, aplica una Descomposición en Valores Singulares (SVD) truncada de rango-$K$ a estos cambios para definir una base de respuesta latente de bajo rango ($H$) y un decodificador ($V$). Crucialmente, esta base se ajusta únicamente con las perturbaciones de entrenamiento; ninguna respuesta de validación o de prueba se utiliza para construir la base o las estadísticas de preprocesamiento.
2. Integración de Contexto Biológico: Para cada gen (incluyendo los no vistos), el modelo construye un vector de características que combina:
   • Estructura de Interacción: Embeddings de Node2Vec derivados de un grafo de asociación de proteínas STRING ponderado.
   • Estadísticas Basales: Estadísticas de expresión de células control (media, varianza, frecuencia de detección) y resúmenes de la topología del grafo (grado, centralidad, propiedades del vecindario local).
   • Anotaciones Funcionales: Embeddings de baja dimensión de la membresía de la Ontología Génica (GO).
3. Predicción y Decodificación: Un codificador de red neuronal convolucional de grafos (GCN) procesa las características de los nodos sobre la matriz de adyacencia normalizada para generar una representación del nodo. Un MLP proyecta esta representación al espacio latente para predecir las coordenadas del gen no visto ($\hat{h}_i$) en la base derivada del entrenamiento. El cambio de expresión genómica final se decodifica como $\hat{\Delta}_i = \hat{h}_i V$.

El modelo se entrena para minimizar el error cuadrático medio entre los programas latentes predichos y observados para los genes de entrenamiento únicamente.

Contribuciones Clave
El artículo identifica tres contribuciones primarias:

• Objetivo de Bajo Rango Exclusivo de Entrenamiento: El uso de un objetivo de respuesta derivado exclusivamente de las perturbaciones de entrenamiento mediante SVD, lo que evita la filtración de datos (data leakage) de las mediciones de perturbación omitidas.
• Mapeo de Contexto Estructurado: Un mapeo novedoso de contexto biológico a respuestas latentes que integra redes de interacción, basales transcripcionales, características topológicas y anotaciones funcionales.
• Protocolo de Evaluación Emparejado: Un marco de evaluación riguroso que separa la precisión del programa latente de la reconstrucción del espacio génico e incluye pruebas de estrés específicas (por ejemplo, divisiones conscientes del grafo, respuestas residualizadas) para evaluar las capacidades de extrapolación.

Resultados
Evaluado en el benchmark K562 Perturb-seq, Stable-Shift demostró un rendimiento superior comparado con regresores clásicos, MLPs de solo características, arquitecturas de grafos (GraphSAGE, GAT) y modelos de perturbación establecidos (scGen, CPA, GEARS).

• Métricas Primarias: Stable-Shift logró una similitud de coseno de 0.592, superando a GEARS (0.569) y al MLP de solo características (0.565). También mostró una mayor correlación de Spearman (0.340) y precisión de genes superiores (Prec@50: 0.277).
• Robustez: A través de cinco divisiones independientes de genes no vistos, la similitud de coseno media fue de 0.589 ± 0.008, superando significativamente a CPA y Random Forests.
• Pruebas de Estrés: El método mantuvo su ventaja de clasificación bajo particiones conscientes del grafo (separando perturbaciones relacionadas de entrenamiento/prueba) y cuando se eliminaron los componentes de respuesta dominantes (respuestas residualizadas).
• Reconstrucción del Espacio Génico: Aunque el rendimiento en el espacio latente fue fuerte, el método señaló una caída sustancial en el rendimiento al decodificar de vuelta al espacio génico medido (similitud de coseno 0.392 frente a 0.592 en el espacio latente), indicando que la reconstrucción de grano fino sigue siendo un desafío.
• Validación Externa: En el conjunto de datos Norman, Stable-Shift logró una similitud de coseno de 0.940, aunque los autores señalan que esto aún no establece una generalización amplia entre tipos celulares o protocolos.

Significancia y Reivindicaciones
Los autores posicionan a Stable-Shift no meramente como un codificador de grafos, sino como un mapeo completo de contexto biológico a un programa de respuesta derivado del entrenamiento. La significancia radica en permitir la inferencia para genes sin respuestas medidas mediante el aprovechamiento de atributos disponibles para cada nodo del grafo, en lugar de depender de identidades de perturbación aprendidas.

El artículo reclama modestamente que los resultados apoyan el estudio adicional de la predicción de respuestas latentes biológicamente estructuradas. Reconoce explícitamente sus limitaciones:

• La evidencia actual es más fuerte para respuestas de pseudo-bulk en la línea celular K562.
• El rendimiento se degrada en vecindarios de grafos dispersos y tras la reconstrucción completa del espacio génico.
• El método depende de supuestos externos (STRING, GO) que pueden contener interacciones faltantes o sesgos de anotación.
• Las interacciones proteicas no son equivalentes a la regulación transcripcional.

Los autores concluyen que, si bien Stable-Shift justifica una evaluación adicional de la transferencia de respuesta latente estructurada, aún no establece una generalización amplia entre contextos. El "vacío del espacio latente al espacio génico" se identifica como una limitación concreta y un objetivo para trabajos futuros, tales como el desarrollo de decodificadores más ricos o estimaciones de incertidumbre. La herramienta está destinada a ser un marco de generación de hipótesis y priorización, más que un reemplazo para la validación experimental.