Explainable AI for Cancer Drug Response Prediction: Beyond Univariate Feature Attributions

Resumen Técnico: IA Explicable para la Predicción de la Respuesta a Fármacos contra el Cáncer: Más allá de las Atribuciones de Características Univariantes

Planteamiento del Problema
La predicción de la respuesta a fármacos contra el cáncer a partir de perfiles transcriptómicos es un componente crítico de la oncología de precisión. Si bien los modelos de aprendizaje automático han logrado un sólido rendimiento predictivo en el modelado de dependencias no lineales de alta dimensión entre los perfiles moleculares tumorales y la respuesta a fármacos, su utilidad científica se ve a menudo limitada por una falta de interpretabilidad. Los enfoques actuales de IA Explicable (XAI) en este dominio dependen predominantemente de métodos de atribución de características univariantes, como SHAP. Estos métodos sufren dos limitaciones primarias:

1. Robustez y Escalabilidad: Las explicaciones basadas en SHAP exhiben una robustez limitada y tienen dificultades para escalar eficazmente a datos transcriptómicos de alta dimensión (miles de genes).
2. Oversimplificación Biológica: Los métodos univariantes evalúan los genes de forma independiente, fallando al capturar la actividad coordinada de múltiples genes y vías que impulsan la sensibilidad y resistencia celular. En consecuencia, los mecanismos biológicos de orden superior y las interacciones gen-gen permanecen ocultos.

Metodología
Los autores proponen ILLUME+, un marco de explicabilidad post-hoc escalable diseñado para superar las limitaciones de los métodos existentes y avanzar más allá de las evaluaciones de un solo gen. La metodología está estructurada como un pipeline de extremo a extremo, totalmente basado en datos:

1. Preprocesamiento de Datos y Discretización: Los datos continuos de respuesta a fármacos (p. ej., $IC_{50}$) se discretizan en tres clases ordenadas (sensible, intermedia, resistente) mediante la partición por terciles en los datos de entrenamiento para facilitar la extracción de reglas de decisión interpretables.
2. Selección de Características: Un enfoque totalmente basado en datos utilizando el algoritmo Boruta identifica un subconjunto informativo de genes relevantes para cada fármaco sin imponer umbrales arbitrarios o sesgos definidos por el usuario.
3. Predicción de Caja Negra: Se entrena un ensamble de árboles de decisión de boosting de gradiente sobre las características seleccionadas para modelar las relaciones no lineales entre la expresión génica y la sensibilidad a los fármacos.
4. Marco de Trabajo ILLUME+:
   • Arquitectura Escalable: ILLUME+ extiende el meta-explicador ILLUME abordando los cuellos de botella computacionales en entornos de alta dimensión. Emplea una hiperred de bajo rango de 1 capa para comprimir los pesos de la función de mapeo $W(x)$, reduciendo el recuento de parámetros de $O(v \times m^2)$ a $O(v \times m \times r)$ (donde $r \ll m$).
   • Regularización Eficiente: Reemplaza la penalización de Jacobiano completa, computacionalmente costosa, por un estimador estocástico basado en productos de vectores Jacobianos, imponiendo linealidad local sin la construcción explícita del Jacobiano.
   • Generación de Explicaciones: El marco aprende una representación latente de linealidad local del modelo de caja negra. Desde este espacio, decodifica múltiples objetos explicativos:
     • Atribuciones Univariantes: Puntuaciones de importancia de genes derivadas de modelos sustitutos (regresión logística o árboles de decisión).
     • Reglas de Decisión: Reglas fácticas y contrafácticas que capturan patrones de expresión conjunta (p. ej., "si el Gen A > $c$ Y el Gen B < $d$, entonces Sensible").
     • Interacciones Gen-Gen: Las interacciones de pares se identifican analizando la coocurrencia de genes dentro de las reglas de decisión utilizando la medida de lift. Estas interacciones se visualizan como un grafo de interacción gen-gen ponderado.

Contribuciones Clave

• ILLUME+: Una extensión escalable del marco ILLUME capaz de extraer explicaciones robustas y estructuradas de datos transcriptómicos de alta dimensión, abordando las limitaciones de escalabilidad de los métodos de XAI post-hoc existentes.
• Pipeline de Extremo a Extremo: Un nuevo pipeline que va más allá de las atribuciones de características univariantes para recuperar explicaciones que capturan los mecanismos de interacción gen-gen subyacentes a la sensibilidad y resistencia a los fármacos.
• Generación de Hipótesis: Una demostración de que el método puede confirmar asociaciones biológicas conocidas y revelar nuevas interacciones génicas para generar hipótesis contrastables sin depender de priors biológicos predefinidos.

Resultados
Los autores evaluaron ILLUME+ frente a los baselines (SHAP y LIME) utilizando 20 conjuntos de datos de fármacos derivados de los recursos GDSC y CCLE.

• Rendimiento de la Atribución Univariante:

  • Recuperación de Objetivos: ILLUME+ clasifica de manera más efectiva los dianas farmacológicas putativas entre los genes principales en comparación con SHAP y LIME, medido por NDCG@k.
  • Enriquecimiento de Vías: ILLUME+ prioriza los genes relacionados con el Mecanismo de Acción (MoA) de manera más efectiva que SHAP (estadísticamente significativo) y produce resultados comparables a LIME.
  • Robustez: ILLUME+ demuestra una robustez significativamente mayor (medida por la similitud de coseno de los vectores de importancia en vecindarios locales) en comparación con SHAP y LIME en todos los tamaños de vecindad.

• Análisis de Interacción Gen-Gen:

  • Solapamiento de Vías: Los pares de genes de primer rango identificados por ILLUME+ exhiben un solapamiento de vías (proximidad funcional) significativamente mayor que los pares de menor rango. Esta separación es consistente en todos los fármacos, mientras que el ranking de interacción basado en SHAP mostró significancia para solo el 40% de los fármacos.
  • Coherencia Biológica: En casos de estudio específicos (p. ej., Venetoclax), el método identificó patrones de interacción distintos: las células sensibles mostraron interacciones relacionadas con la respuesta inmune y la quimiotaxis de neutrófilos, mientras que las células resistentes mostraron interacciones relacionadas con la angiogénesis y la adhesión celular.
  • Centralidad de Red: Se encontró que las dianas farmacológicas putativas ocupan posiciones centrales en los grafos de interacción (p. ej., alta fuerza para dianas de remodelación de la cromatina en líneas sensibles; alta intermediación para dianas de señalización como EGFR en líneas sensibles), lo cual es consistente con sus roles biológicos.
  • Extracción de Reglas: El marco extrajo reglas de decisión concisas e interpretables que involucran genes pronósticos conocidos y vías relacionadas con el MoA, así como combinaciones novedosas que sugieren nuevas hipótesis (p. ej., combinaciones específicas de genes para la resistencia a Erlotinib).

Significancia y Reivindicaciones
El artículo afirma que ILLUME+ cambia el paradigma del modelado de la respuesta a fármacos de ejercicios puramente impulsados por el rendimiento a herramientas de generación de hipótesis para el descubrimiento científico asistido por IA. Al proporcionar explicaciones de pares de genes robustas y escalables, el marco permite:

1. Auditoría Fiel: Una comprensión más precisa de la lógica de decisión aprendida por los modelos de caja negra en entornos de alta dimensión.
2. Descubrimiento Sin Sesgos: La capacidad de descubrir estructuras biológicamente significativas e interacciones génicas sin depender de supuestos predefinidos o priors biológicos, evitando así el sesgo inherente a los modelos que incorporan conocimiento previo.
3. Información Accionable: La generación de hipótesis biológicas contrastables respecto a nuevas señales moleculares impulsadas por interacciones en la biología del cáncer.

Los autores enfatizan que, si bien las interacciones extraídas son señales derivadas del modelo, estas sirven como base para generar hipótesis que requieren validación experimental independiente. El trabajo demuestra que la explicabilidad basada en principios puede cerrar eficazmente la brecha entre la precisión predictiva y el conocimiento biológico en la oncología de precisión.