🤖 machine learning

DeMixPert: Decomposed Response Modeling with Gaussian Mixtures for OOD Single-Cell Perturbation Prediction

DeMixPert es un marco novedoso que mejora la predicción de perturbaciones de célula única fuera de la distribución mediante la descomposición de las respuestas transcriptómicas en cambios sistemáticos dependientes del estado basal, señales específicas de la perturbación y la variación a nivel de población modelada mediante mezclas gaussianas adaptativas, capturando así eficazmente las respuestas celulares heterogéneas ante perturbaciones genéticas no vistas.

Autores originales: Jiawen Liu, Xuechenxiao Cao, Yutong Li, Bing Liu, Jiaming Liang, Tinghe Zhang, Xiaoqi Sheng, Hongmin Cai

Publicado 2026-08-25

📖 5 min de lectura🧠 Análisis profundo

CC0 1.0

Autores originales: Jiawen Liu, Xuechenxiao Cao, Yutong Li, Bing Liu, Jiaming Liang, Tinghe Zhang, Xiaoqi Sheng, Hongmin Cai

Artículo original dedicado al dominio público bajo CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el mundo microscópico de un cuerpo vivo, cada célula es una ciudad bulliciosa de reacciones químicas, que lee y reescribe constantemente su propio manual de instrucciones para adaptarse a su entorno. Cuando los científicos quieren comprender cómo reacciona una célula ante un cambio específico —como la desactivación de un gen o la introducción de un fármaco— pueden realizar una perturbación genética. Esta es un experimento controlado donde los investigadores alteran un solo gen y observan cómo cambia toda la actividad genética de la célula en respuesta. Sin embargo, la enorme cantidad de combinaciones posibles de genes, tipos de células y condiciones ambientales es tan vasta que es imposible probarlas todas en un laboratorio. El desafío para los informáticos es construir un modelo que pueda predecir estas reacciones invisibles con precisión, no solo adivinando el resultado promedio, sino capturando la plena diversidad de cómo responden las diferentes células.

Durante años, los modelos informáticos que intentaban predecir estas reacciones celulares han luchado contra un problema fundamental: a menudo desdibujan las líneas entre diferentes tipos de cambios biológicos. Imagine intentar escuchar un instrumento específico de una orquesta mientras toda la banda toca ruidosamente; el sonido único de ese único instrumento se pierde en el ruido general. Del mismo modo, los modelos existentes suelen mezclar los cambios predecibles y compartidos que ocurren en casi todas las células con los cambios únicos y específicos causados por una alteración genética particular, y las variaciones aleatorias que ocurren naturalmente entre células individuales. Este enredo dificulta ver el verdadero efecto de un nuevo cambio genético no visto, especialmente cuando el modelo nunca ha visto ese cambio específico antes.

Para resolver esto, los investigadores Jiawen Liu y sus colegas de la Universidad de Tecnología de China del Sur desarrollaron un nuevo enfoque llamado DeMixPert. En lugar de intentar predecir la reacción celular completa como un bloque grande y desordenado, su método descompone el problema en tres partes distintas. Primero, identifica la respuesta "sistemática", que es el cambio predecible que ocurre basándose en la condición inicial de la célula, independientemente del gen específico que se esté atacando. Segundo, aísla la respuesta "específica de la perturbación", que es la huella digital única dejada por el cambio genético específico en sí. Finalmente, da cuenta de la "variación a nivel de población", que representa las diferencias naturales y aleatorias entre células individuales que hacen que algunas células reaccionen de forma ligeramente distinta a sus vecinas. Al separar estas tres capas, el modelo puede aprender las reglas de cada una de forma independiente y luego recombinarlas para realizar una predicción mucho más clara.

El núcleo de este nuevo sistema se basa en una forma ingeniosa de manejar las variaciones aleatorias entre células. Los investigadores tratan estas variaciones no como ruido aleatorio, sino como una colección de patrones distintos, o "prototipos", que pueden mezclarse de diferentes maneras según la situación. Utilizan una estructura matemática que permite al modelo observar el estado inicial de una célula y el cambio genético específico, y luego decidir cómo mezclar estos patrones previamente aprendidos para crear una predicción realista de cómo se comportará esa célula específica. Esto permite que el modelo genere una amplia gama de resultados posibles que reflejen la verdadera diversidad de una población celular real, en lugar de predecir simplemente un promedio plano y único.

Cuando el equipo probó este método contra herramientas existentes utilizando datos de cuatro experimentos genéticos a gran escala, los resultados fueron sorprendentes. En situaciones en las que el modelo tenía que predecir reacciones a cambios genéticos que nunca había visto, DeMixPert superó consistentemente a la competencia. Fue particularmente bueno identificando qué genes se activarían o desactivarían, logrando una puntuación de Genes Diferencialmente Expresados Comunes (C-DEGs) de 22.000 en un conjunto de datos, un salto significativo respecto a las puntuaciones de un solo dígito de otros métodos. Más importante aún, no solo acertó el promedio; recreó con éxito la compleja y diversa distribución de respuestas observada en experimentos reales. Mientras que otros modelos a menudo producían predicciones que parecían correctas en promedio pero fallaban en capturar la variedad de los comportamientos de las células individuales, DeMixPert mantuvo la fidelidad de toda la población.

El estudio también proporcionó una visión clara de por qué esta separación de componentes funciona tan bien. Cuando los investigadores visualizaron los datos, descubrieron que eliminar la parte "sistemática" de la predicción hacía que las firmas únicas de los diferentes cambios genéticos fueran mucho más claras y fáciles de distinguir. Esto confirmó que los modelos anteriores estaban, de hecho, dejando que el ruido de fondo del estado inicial de la célula ahogara la señal específica del cambio genético. Al eliminar explícitamente ese ruido de fondo antes de realizar una predicción, el nuevo modelo puede concentrarse en lo que realmente importa. Los hallazgos sugieren que, para que los modelos informáticos comprendan realmente cómo funcionan las células, deben dejar de tratar todos los cambios como un solo evento y empezar a reconocer las diferentes capas de la biología que los impulsan. Este enfoque ofrece una forma más precisa de simular el comportamiento celular, lo que podría ayudar eventualmente a los investigadores a diseñar mejores terapias al predecir cómo responderán las células a los tratamientos sin necesidad de probar cada una de las posibilidades en un laboratorio.

Resumen Técnico: DeMixPert

Planteamiento del Problema

Predecir las respuestas de todo el transcriptoma ante perturbaciones genéticas no observadas en datos de célula única sigue siendo un desafío computacional significativo. Una predicción precisa requiere recuperar simultáneamente dos fenómenos distintos: cambios transcripcionales específicos de la perturbación y la heterogeneidad de la respuesta celular.

Los métodos existentes suelen fallar porque entrelazan la estructura de respuesta determinista con la variación estocástica a nivel de población. Este entrelazamiento provoca que los patrones compartidos dominantes (la variación sistemática impulsada por el estado celular basal) enmascaren las señales más débiles y específicas de la perturbación. En consecuencia, las métricas de evaluación estándar pueden verse dominadas por la variación compartida en lugar de por los efectos específicos de la perturbación, lo que perjudica la generalización fuera de la distribución (OOD, Out-Of-Distribution). Además, predecir las respuestas bajo condiciones no observadas experimentalmente requiere el desentrañamiento de tres componentes entrelazados:

Respuesta Sistemática: Una estructura dependiente del estado basal compartida entre condiciones.
Respuesta Específica de la Perturbación: Efectos transcripcionales únicos inducidos por objetivos específicos.
Variación a Nivel de Población: Subpoblaciones específicas de la condición y sus abundancias relativas.

Los enfoques actuales suelen modelar la respuesta completa a la perturbación como un objetivo monolítico, sin separar explícitamente estos componentes ni modelar la compleja distribución de la heterogeneidad celular dependiente de la condición. Si bien trabajos previos han abordado aspectos individuales, la mayoría no desentrelaza conjuntamente las respuestas sistemáticas dependientes del estado basal, las respuestas específicas de la perturbación y la variación a nivel de población dependiente de la condición.

Metodología: DeMixPert

Los autores proponen DeMixPert (Modelado de Respuesta Descompuesta con Mezclas Gaussianas), un marco diseñado para desentrelazar estos componentes y modelar las respuestas de perturbación de célula única OOD. La arquitectura consta de tres módulos principales:

1. Aprendizaje del Centro de Respuesta Determinista

Para evitar que la variación sistemática oscurezca los efectos específicos de la perturbación, DeMixPert construye un centro de respuesta determinista ( $\bar{r}_i$ ) sumando dos componentes aprendidos por separado:

Respuesta Sistemática ( $g_i$ ): Derivada del estado basal ( $s_i$ ) de la célula de control. Esta captura patrones compartidos entre las condiciones de perturbación que dependen del contexto celular.
Respuesta Específica de la Perturbación ( $a_p$ ): Inferida a partir de incrustaciones (embeddings) de objetivos preentrenados ( $e_p$ ) derivadas de scGPT. Este componente permite al modelo generalizar a objetivos no vistos aprovechando las relaciones biológicas aprendidas durante el preentrenamiento.
Formulación: $\bar{r}_i = g_i + a_p$ . Este centro representa el cambio determinista esperado en el espacio de respuesta latente.

2. Red Invertible de Prototipos Gaussianos

Para modelar la variación restante de la población ( $\epsilon_i$ ) alrededor del centro determinista, DeMixPert emplea una Red Invertible de Prototipos Gaussianos.

Prototipos Globales: Un conjunto de $K$ prototipos gaussianos diagonales ( $\mathcal{N}(\mu_k, \text{diag}(\sigma_k^2))$ ) se aprenden globalmente de los residuos de entrenamiento mediante un algoritmo de Esperanza-Maximización (EM). Estos representan patrones de variación reutilizables.
Ponderación Adaptativa: En lugar de pesos fijos, el modelo utiliza un Perceptrón de Capas Múltiples (MLP) para predecir los pesos de la mezcla dependientes de la condición ( $\alpha_i$ ) basados en la concatenación del estado basal ( $s_i$ ) y la incrustación de la perturbación ( $a_p$ ).
Transformación Invertible: Una red invertible condicional ( $T_\theta$ ) mapea una variable fuente muestreada de la mezcla gaussiana adaptativa a la distribución final de la variación de la población. Esto permite tanto la generación hacia adelante de variaciones como la proyección inversa de variaciones observadas para la supervisión de la verosimilitud.

3. Reconstrucción de la Expresión

El latente de la respuesta predicha final es $\hat{r}_i = \bar{r}_i + \epsilon_i$ . Este se concatena con la representación del estado basal ( $s_i$ ) y es decodificado por un decodificador de expresión ( $D_\psi$ ) para reconstruir el perfil de expresión génica post-perturbación ( $\hat{x}^p_i$ ).

Objetivo de Entrenamiento

El modelo se entrena de extremo a extremo utilizando una función de pérdida compuesta:

Pérdida de Alineación de la Respuesta ( $L_{align}$ ): MSE entre los latentes de respuesta predichos y los objetivos.
Pérdida de Verosimilitud de la Variación de la Población ( $L_{gm}$ ): Log-verosimilitud negativa de las variaciones objetivo bajo la mezcla gaussiana condicional, supervisando tanto los pesos de la mezcla como la transformación invertible.
Pérdida de Reconstrucción de la Expresión Génica ( $L_{rec}$ ): MSE para reconstruir las expresiones perturbadas y de control.
Pérdida de Distribución ( $L_{dist}$ ): Distancia de energía para alinear las distribuciones de expresión generadas y observadas a nivel de población.

Principales Contribuciones

Marco de Respuesta Descompuesta: DeMixPert propone un modelo de respuesta para la predicción de perturbaciones de célula única OOD que desentrelaza conjuntamente la estructura de respuesta determinista de la heterogeneidad celular estocástica y captura distribuciones de respuesta dependientes de la condición mediante mezclas gaussianas adaptativas.
Red Invertible de Prototipos Gaussianos: Los autores introducen un mecanismo novedoso para modelar la variación a nivel de población utilizando prototipos gaussianos reutilizables con pesos adaptativos al contexto. Esto permite al modelo capturar una heterogeneidad compleja y específica de la condición sin asumir una distribución unimodal.
Desempeño Superior en OOD: Los análisis cuantitativos demuestran que DeMixPert recupera eficazmente las respuestas específicas de la perturbación preservando la fidelidad de la distribución de la población, superando a los métodos existentes en escenarios de perturbaciones no vistas.

Resultados Experimentales

DeMixPert fue evaluado en cuatro conjuntos de datos de perturbación genética de célula única ampliamente utilizados: Adamson y Papalexi (perturbaciones de un solo gen) y Norman y Replogle (perturbaciones combinatorias). La evaluación utilizó divisiones disjuntas de condiciones para probar la generalización a objetivos no vistos.

Métricas de Desempeño: El modelo fue evaluado utilizando métricas para la recuperación de la expresión diferencial (C-DEGs, DES), acuerdo de la distribución (Distancia de Energía, Distancia de Wasserstein), error de expresión (MSE) y discriminación de la perturbación (PDS).
Hallazgos Clave:
- En conjuntos de datos de un solo gen (Papalexi, Adamson), DeMixPert logró los puntajes de C-DEGs más altos (22.000 y 10.733) y los valores de Distancia de Energía más bajos (0.171 y 0.448), superando significativamente a las líneas base como GEARS, scGPT y STATE.
- En conjuntos de datos combinatorios (Norman, Replogle), DeMixPert logró los Puntajes de Discriminación de Perturbación (PDS) más altos (0.981 y 0.938) y las Distancias de Energía más bajas (0.374 y 0.155).
- Estudios de Ablación: Eliminar el mecanismo de descomposición (sin Decomp) o el componente sistemático (sin Sys) degradó significativamente el desempeño en el Puntaje de Discriminación de Perturbación (PDS) y la Precisión del Centroide, confirmando que separar estos componentes es crucial para distinguir las señales específicas de la perturbación.
- Interpretabilidad: Las visualizaciones confirmaron que eliminar el componente sistemático ( $g_i$ ) de la representación de la respuesta aumentó la pureza de los clústeres, indicando que la descomposición aísla con éxito las estructuras específicas de la perturbación de la variación del estado basal. Además, se encontró una correlación positiva significativa entre la divergencia de los pesos de los prototipos gaussianos aprendidos y la distancia de energía entre las distribuciones de la población, validando la interpretabilidad del mecanismo de composición de la mezcla.

Significado

El artículo afirma que DeMixPert aborda una limitación crítica de los métodos actuales de predicción de perturbaciones: el entrelazamiento de la variación sistemática compartida con los efectos específicos de la perturbación. Al descomponer explícitamente la respuesta y modelar la heterogeneidad de la población mediante mezclas gaussianas adaptativas, DeMixPert logra una generalización superior a las perturbaciones no vistas. El marco no solo mejora la precisión predictiva, sino que también ofrece una interpretación estructurada de las respuestas celulares heterogéneas, separando los patrones del estado basal transferibles de las firmas únicas de la perturbación. Este enfoque proporciona una base más robusta para la estimación in silico de las respuestas celulares en entornos experimentales donde la medición exhaustiva es inviable.