scGRIP: a graph-based explainable AI framework for single-cell multi-omics Gene Regulatory Inference with Prior Knowledge

El artículo presenta scGRIP, un marco de inteligencia artificial explicable basado en grafos que utiliza un autoencoder variacional y conocimiento previo para inferir redes de regulación génica a nivel de célula única en datos multi-ómicos, mejorando la interpretabilidad y la identificación de mecanismos de enfermedades como el Alzheimer.

Lo esencial

Imagina que tu cuerpo es una ciudad gigante y cada célula es un vecino con un trabajo muy específico: algunos son policías (células inmunes), otros son electricistas (neuronas) y otros son jardineros. Para que la ciudad funcione, estos vecinos necesitan comunicarse entre sí siguiendo un mapa de instrucciones muy complejo. Este mapa se llama Red de Regulación Génica (GRN).

El problema es que, hasta ahora, intentar leer este mapa en una sola célula era como intentar entender una conversación en un estadio lleno de gente gritando: había demasiado ruido, muy poca información clara y era difícil saber quién le hablaba a quién.

Aquí es donde entra scGRIP, la nueva herramienta presentada en este artículo. Vamos a explicarlo con una analogía sencilla:

1. El Problema: El Mapa Borrado

Las tecnologías actuales nos permiten ver qué "actividades" tiene una célula (qué genes se encienden y qué "interruptores" están abiertos), pero los métodos anteriores para entender las conexiones eran como intentar armar un rompecabezas con piezas que no encajan bien. A menudo, las herramientas anteriores no podían explicar por qué llegaban a una conclusión, ni podían manejar la inmensa cantidad de datos sin volverse lentas o confusas.

2. La Solución: scGRIP (El Traductor Inteligente)

scGRIP es como un traductor superpoderoso que no solo lee el idioma de las células, sino que entiende la gramática y el contexto. Funciona en tres pasos mágicos:

• Paso 1: El Mapa de la Ciudad (El Grafo de Conocimiento)
  Imagina que scGRIP empieza con un mapa de la ciudad que ya tiene dibujadas las carreteras principales (conocimiento previo de biología). Sabe que el "Alcalde" (un factor de transcripción) suele hablar con los "Jardineros" (elementos reguladores) y que estos a su vez le dicen a los "Electricistas" (genes objetivo) qué hacer.

  • La analogía: En lugar de adivinar las conexiones, scGRIP usa un mapa de carreteras existente para saber por dónde buscar, pero luego actualiza ese mapa con el tráfico real del momento.

• Paso 2: La Tarjeta de Identidad Dinámica (Tokenización)
  Cada célula es única. scGRIP toma la "foto" de la célula (qué genes tiene encendidos y qué interruptores están abiertos) y le asigna una tarjeta de identidad digital única.

  • La analogía: Es como si a cada vecino de la ciudad se le diera un código de barras personalizado que resume su estado de ánimo, su trabajo y sus necesidades en ese preciso instante. Esto permite que la computadora entienda que una célula "policía" enferma es diferente a una "policía" sana.

• Paso 3: El Detective con Lupa (IA Explicable)
  Aquí está la parte más genial. Muchas inteligencias artificiales son "cajas negras": te dan una respuesta pero no sabes cómo la obtuvieron. scGRIP usa una técnica llamada GraphSHAP, que actúa como un detective con una lupa.

  • La analogía: Cuando scGRIP dice "¡El Alcalde está hablando con el Jardinero!", puede mostrar exactamente por qué: "Porque en esta célula específica, el interruptor A estaba encendido y el B estaba apagado". Le da un "puntaje de importancia" a cada conexión, permitiéndole ver qué relaciones son fuertes y cuáles son débiles en esa célula concreta.

3. ¿Qué descubrieron? (El Caso Alzheimer)

Los investigadores probaron scGRIP con un caso real: la enfermedad de Alzheimer. Imaginaron que querían entender por qué las células inmunes del cerebro (microglía) se vuelven locas en esta enfermedad.

• El hallazgo: scGRIP pudo ver, célula por célula, que en los pacientes con Alzheimer, ciertas "conversaciones" entre el Alcalde y los Jardineros se volvieron muy ruidosas y desordenadas.
• La revelación: Identificaron que genes relacionados con la inflamación y la acumulación de "basura" en el cerebro (placas amiloides) se activaban de forma coordinada. Fue como escuchar una conversación de pánico en la ciudad que antes nadie podía distinguir entre el ruido de fondo.

4. ¿Por qué es importante?

Antes, teníamos que mirar a miles de células y hacer un "promedio" para entender qué pasaba, lo cual es como hacer un promedio del clima de todo el año y decir que "hace un día agradable", ignorando que hubo una tormenta el martes.

scGRIP nos permite mirar la tormenta el martes, en esa célula específica.

• Es más rápido y maneja mejor los datos grandes.
• Es transparente: nos dice cómo llegó a sus conclusiones.
• Es preciso: encuentra conexiones que otros métodos se perdían.

En resumen, scGRIP es como darle a los científicos un par de gafas de visión nocturna y un mapa actualizado en tiempo real para entender cómo las células toman decisiones, lo cual es un paso gigante para entender enfermedades como el Alzheimer y desarrollar tratamientos más inteligentes.

Resumen técnico

Resumen Técnico: scGRIP

1. El Problema

La inferencia de Redes de Regulación Génica (GRN) a resolución de célula única es fundamental para comprender la heterogeneidad celular, las trayectorias de desarrollo y los mecanismos de enfermedades. Aunque las tecnologías de secuenciación multi-ómica de célula única (como scRNA-seq acoplado a scATAC-seq) permiten medir simultáneamente la expresión génica y la accesibilidad de la cromatina, inferir GRNs precisos y específicos por célula sigue siendo un desafío debido a:

• Esparsidad y ruido: Los datos de secuenciación multi-ómica son inherentemente ruidosos y dispersos.
• Falta de interpretabilidad: Los métodos existentes (como LINGER o scGLUE) a menudo carecen de transparencia en cómo llegan a sus predicciones.
• Escalabilidad: Muchos enfoques no escalan eficientemente a grandes conjuntos de datos de células únicas.
• Integración de conocimiento previo: Los métodos actuales a menudo dependen de bases de datos de motivos heterogéneas o no integran completamente el conocimiento biológico previo (como la proximidad genómica y los sitios de unión de factores de transcripción) dentro de la arquitectura del modelo de aprendizaje profundo.

2. Metodología: scGRIP

scGRIP (Single-cell Gene Regulatory Inference with Prior knowledge) es un marco de trabajo basado en un Autoencoder Variacional Gráfico (GVAE) que integra redes neuronales gráficas (GNN), tokenización basada en modelos fundacionales y atribución de valores de Shapley.

La arquitectura se compone de tres contribuciones técnicas principales:

• A. Representación Gráfica Heterogénea con Conocimiento Previo:

  • Se construye un grafo de conocimiento cis-regulatorio donde los Factores de Transcripción (TF), los Elementos Regulatorios (RE) y los Genes Objetivo (TG) son nodos.
  • Las aristas representan interacciones potenciales derivadas de bases de datos externas (ej. cisTarget para unión de TF-RE) y proximidad genómica (RE-TG dentro de 1 Mbp del sitio de inicio de transcripción).
  • Se utilizan embeddings estáticos generados por node2vec para capturar la conectividad estructural global del grafo.

• B. Tokenización y Embeddings Dinámicos Específicos por Célula:

  • Se adapta el enfoque xTrimoGene para tokenizar los perfiles de accesibilidad de cromatina y expresión génica.
  • Se utiliza un "libro de códigos" (codebook) compartido para transformar los valores escalares de entrada en vectores latentes.
  • Los embeddings finales combinan la información estructural del grafo (node2vec) con la información dinámica específica de cada célula, permitiendo que el modelo capture el estado molecular único de cada célula dentro de la estructura del grafo.

• C. Inferencia Explicable mediante GraphSHAP:

  • Se integra GraphSHAP (una extensión de los valores de Shapley para GNN) para calcular la importancia de las aristas a nivel de célula individual.
  • El método muestrea subgrafos locales (k-hop), enmascara nodos (TFs o REs) y entrena un modelo sustituto lineal ponderado.
  • Esto permite cuantificar la contribución de cada TF y RE a la expresión de un gen objetivo, generando puntuaciones de interacción regulatoria específicas por célula en lugar de promedios poblacionales.

3. Contribuciones Clave

1. Integración de Conocimiento Biológico en GNN: Formaliza el paisaje regulatorio como un grafo heterogéneo que guía el aprendizaje de representaciones, mejorando la fidelidad biológica.
2. Atribución de Valores de Shapley a Nivel de Célula: A diferencia de las herramientas post-hoc, scGRIP integra la explicabilidad directamente en el marco de inferencia, permitiendo desentrañar la dinámica regulatoria fina y dependiente del contexto.
3. Escalabilidad y Eficiencia: Utiliza una estrategia de agregación de vecinos inspirada en GraphSAGE, lo que permite manejar grafos grandes con un uso de memoria eficiente, superando a métodos basados en atención (como GAT) en escalabilidad.

4. Resultados Principales

El modelo fue evaluado en tres conjuntos de datos multi-ómicos de célula única (PBMC, BMMC y Cortex Humano) y en un estudio de caso sobre la Enfermedad de Alzheimer (AD).

• Precisión en la Inferencia TF-RE:

  • scGRIP superó a los métodos de última generación (LINGER, GLUE) y a una línea base de correlación de Pearson en la predicción de sitios de unión de TFs específicos por tipo celular.
  • Logró un AUPRC promedio de 0.613 (frente a 0.606 de GLUE y 0.599 de LINGER) en 14 TFs y 3 tipos celulares.
  • Recuperó más pares de interacción respaldados por datos ChIP-seq experimentales.

• Predicción de Tipos Celulares:

  • Las redes regulatorias inferidas por scGRIP capturaron firmas regulatorias discriminativas. Un clasificador KNN basado en estas puntuaciones logró un AUROC superior para distinguir tipos celulares (ej. astrocitos, neuronas excitatorias, microglía) en comparación con variantes sin SHAP o con LINGER.
  • Demostró que la identidad celular se refleja no solo en la abundancia de transcritos, sino en la actividad regulatoria dependiente del contexto.

• Aplicación en Enfermedad de Alzheimer (AD):

  • scGRIP identificó cambios regulatorios específicos de la enfermedad en la microglía, incluyendo interacciones TF-TG asociadas a SPI1 y APOE.
  • Se detectó la activación coordinada de vías de señalización inmune, respuesta a amiloide y programas de genes diana.
  • Los resultados se validaron mediante análisis de enriquecimiento funcional (GSEA) y un conjunto de datos de referencia independiente (ROSMAP), mostrando una mayor superposición de pares RE-TG inferidos con datos validados en comparación con LINGER.

• Análisis de Temas (Topic Modeling):

  • El decodificador de modelo de temas embebido (ETM) permitió identificar módulos regulatorios coherentes (TF-RE-TG tripletes) que capturan programas regulatorios coordinados, superando a las variantes sin el componente gráfico.

• Imputación Multi-ómica:

  • El modelo demostró un rendimiento superior en tareas de imputación cruzada (ATAC2RNA y RNA2ATAC), logrando una correlación de Pearson promedio de 0.73 para ATAC2RNA, superando a modelos existentes como BABEL.

5. Significado e Impacto

scGRIP representa un avance significativo en la biología computacional al ofrecer un marco interpretable, escalable y preciso para la inferencia de GRNs a resolución de célula única.

• Superación de limitaciones actuales: Resuelve el problema de la falta de interpretabilidad en los modelos de caja negra y la dificultad de integrar conocimiento biológico previo de manera efectiva.
• Descubrimiento biológico: Permite descubrir mecanismos regulatorios específicos de enfermedades (como la activación inmune en la microglía en Alzheimer) que serían invisibles con métodos que promedian datos a nivel de población.
• Herramienta versátil: Su capacidad para realizar imputación multi-ómica y clustering celular de alta calidad lo convierte en una herramienta integral para el análisis de datos de secuenciación de célula única.

En conclusión, scGRIP demuestra que la integración de conocimiento previo regulatorio con arquitecturas de aprendizaje profundo explicables (GNN + SHAP) es esencial para desentrañar la complejidad de la regulación génica en la salud y la enfermedad.