GRAFT: Biological Graph and Hypergraph Benchmarks for Linked Gene Expression and Phenotypic Trait Prediction in Arabidopsis thaliana

Resumen Técnico de GRAFT: Benchmarks de Grafos y Hipergrafos Biológicos

Planteamiento del Problema
El desafío central en la biología moderna es mapear la relación entre el genoma de un organismo (genotipo) y sus características observables (fenotipo), conocido como el problema del Genoma-al-Fenoma (G2P). Aunque las tecnologías de alto rendimiento han generado vastas cantidades de datos multi-ómicos, los conjuntos de datos y repositorios actuales no están equipados para el análisis G2P. Los recursos existentes suelen compartimentar los tipos de datos: algunos contienen solo fenotipos derivados de imágenes, otros solo perfiles de expresión génica, y muy pocos vinculan datos genómicos y fenómicos del mismo espécimen individual. Además, la mayoría de los benchmarks existentes se centran en rasgos específicos y homogéneos, fallando al capturar la naturaleza heterogénea de los datos biológicos (por ejemplo, combinando mediciones morfológicas, de desarrollo y fisiológicas). Esta falta de datos de benchmarking integrados y multimodales impide el desarrollo de herramientas computacionales capaces de razonar sobre datos biológicos estructurados y de alta dimensión para identificar qué genes controlan qué rasgos.

Metodología
Para abordar estas brechas, los autores introducen GRAFT (Gene-Graph Regression for Arabidopsis Functional Traits), un conjunto de datos curado y un marco de benchmarking multimodal.

• Construcción del Conjunto de Datos: GRAFT vincula perfiles de expresión génica de genoma completo con mediciones de rasgos fenotípicos heterogéneos para los mismos especímenes de Arabidopsis thaliana.

  • Genómica: Datos de secuenciación de ARN (RNA-seq) para 34,123 transcritos de 24 plantas individuales (6 por línea en 4 líneas genéticamente distintas).
  • Fenómica: 41 parámetros fenotípicos medidos en 77 plantas, con 23 especímenes que poseen datos emparejados completos. El benchmark se centra en cinco rasgos que representan diferentes modalidades: Área Foliar (derivada de imagen), Altura de la Inflorescencia (manual) y tres métricas fotosintéticas/fisiológicas (FvP/FmP, qL, Diferencial de Temperatura Foliar) recolectadas mediante espectrometría.
  • Anotaciones: El conjunto de datos incluye ricas anotaciones génicas (UIDs, símbolos, descripciones) y términos de la Ontología Génica (GO). Crucialmente, los términos GO se codifican como hiperaristas, donde cada hiperarista conecta un conjunto de genes que participan en una función biológica específica, formando una estructura de hipergrafo.

• Enfoque de Modelado: El artículo evalúa modelos de regresión bajo un objetivo multisalida ($f: \mathbb{R}^G \to \mathbb{R}^T$) para predecir rasgos a partir de la expresión génica.

  • Preprocesamiento: Un filtro de dos etapas para genes (varianza y correlación de Spearman) reduce la dimensionalidad a los 1,024 genes principales para evitar la fuga de datos (data leakage).
  • Baselines: El estudio compara tres clases de modelos:
    1. MLP: Redes densas de alimentación hacia adelante (feed-forward).
    2. Redes Neuronales de Grafos (GCNs): Utilizando una Matriz de Solapamiento Topológico (TOM) basada en WGCNA para definir aristas de coexpresión génica por pares.
    3. Redes Neuronales de Hipergrafos (HGNNs): Utilizando las anotaciones de términos GO para definir hiperaristas, capturando relaciones n-arias entre genes involucrados en procesos biológicos compartidos.
  • Explicabilidad: El marco emplea SHAP (GradientSHAP) para la importancia de las características y explicadores de grafos (por ejemplo, GNNExplainer) para la extracción de subgrafos.

• Métricas de Evaluación:

  • Precisión Predictiva: Medida mediante el Error Cuadrático Medio (rMSE) utilizando validación cruzada K-fold estratificada.
  • Recuperación de Explicación Biológica (BER): Una métrica novedosa que evalúa si los genes top-$k$ identificados por la explicación de un modelo recuperan los términos GO relevantes para el rasgo (mediante pruebas de enriquecimiento hipergeométrico).
  • Solapamiento de DEG: Significancia estadística ($-\log_{10}$ p-value) del solapamiento entre los genes explicados por el modelo y las listas de Genes Expresados Diferencialmente (DEG) derivadas de forma independiente.

Resultados Clave

• Desempeño Predictivo: Las HGNN superaron consistentemente tanto a las MLP como a las GCN en todos los cinco rasgos y configuraciones de validación cruzada. Por ejemplo, la HGNN con UniGAT logró el rMSE más bajo para el Área Foliar (0.961) y la Altura de la Inflorescencia (0.999), comparado con las MLP (1.058, 1.051) y las GCN (1.197, 1.338).
• Fidelidad Explicativa:
  • Puntuaciones de BER: Las HGNN demostraron una Recuperación de Explicación Biológica significativamente mayor que las GCN y las MLP. Para los rasgos fotosintéticos, el BER aumentó monótonamente con $k$ para las HGNN, mientras que las GCN alcanzaron un BER cercano a cero en valores bajos de $k$, lo que sugiere que sus explicaciones eran biológicamente difusas.
  • Solapamiento de DEG: Las HGNN (específicamente HConv) mostraron un solapamiento fuertemente significativo con las listas de DEG independientes (p-valores que oscilan entre 5.4 y 28.4), mientras que las GCN y las MLP mostraron un solapamiento bajo o no significativo.
• Interpretación: Los resultados indican que, si bien la regresión densa (MLP) y las estructuras de grafos por pares (GCN) pueden lograr una precisión predictiva moderada, fallan al producir explicaciones alineadas con la biología conocida. El sesgo estructural proporcionado por los hipergrafos (agrupaciones de términos GO) es crítico para generar conjuntos de genes biológicamente interpretables.

Significancia y Reivindicaciones
Los autores afirman que GRAFT es el primer conjunto de datos que proporciona información génica multimodal vinculada y datos fenotípicos heterogéneos para los mismos especímenes de Arabidopsis thaliana. Su principal significancia radica en:

1. Cerrar la Brecha de Datos: Aborda la falta crítica de recursos de benchmarking que combinen perfiles genómicos y fenómicos del mismo individuo, permitiendo el modelado directo de genotipo-a-fenotipo.
2. Validar Sesgos Estructurales: El trabajo demuestra que incorporar el conocimiento biológico (vía hipergrafos) directamente en la arquitectura del modelo genera ganancias de interpretabilidad que los enfoques puramente basados en datos no pueden replicar con este tamaño de muestra.
3. Facilitar la Investigación G2P: Al proporcionar un conjunto de datos público, tareas de benchmarking y un marco explicativo, GRAFT busca reducir la barrera para que las comunidades de aprendizaje automático y biología aborden el desafío G2P, ayudando específicamente en la identificación de genes importantes para el fitomejoramiento y la predicción de rasgos.

Limitaciones
Los autores reconocen que el pequeño tamaño de la muestra (24 especímenes vinculados) limita el desempeño absoluto de la regresión y el poder estadístico. Además, el conjunto de datos es específico de Arabidopsis thaliana, y la transferibilidad de estos modelos a cultivos u otras especies sigue siendo una pregunta abierta. Finalmente, la métrica BER está limitada por la completitud y el estado actual de las anotaciones de la Ontología Génica.