💻 bioinformatics

scDRP: Disentangled representation learning for predicting single-cell responses to perturbations and estimating individual treatment effects

El artículo presenta scDRP, un marco generativo que utiliza el aprendizaje de representaciones desentrelazadas y el transporte óptimo condicional para estimar con precisión los efectos de tratamiento individualizados e inferir estados celulares contrafácticos a partir de datos de perturbación de célula única no emparejados, revelando así mecanismos biológicos heterogéneos a través de diversos tipos de células y condiciones.

Autores originales: Sun, J., Stojanov, P., Zhang, K.

Publicado 2026-08-13

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Sun, J., Stojanov, P., Zhang, K.

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Imagina intentar averiguar exactamente cómo reacciona una sola persona a un nuevo medicamento, pero tienes una cámara mágica y destructiva que solo puede tomar una foto de ella antes de tomar la píldora, o después de tomarla, pero nunca ambas. No puedes observar el cambio de la misma persona; solo puedes observar a una multitud de personas antes de la píldora y a una multitud diferente de personas después de la píldora. Esta es la frustrante realidad de la biología moderna. Los científicos utilizan la "secuenciación de célula única" para leer las instrucciones genéticas dentro de células individuales, pero el proceso destruye la célula durante la lectura. Esto hace que sea imposible ver el "antes y después" de la misma célula exacta, lo cual es crucial para comprender cómo diferentes células reaccionan de manera distinta al mismo tratamiento.

Para resolver esto, los científicos confían en un concepto llamado "Efecto de Tratamiento Individual" (ITE, por sus siglas en inglés). Piensa en ello como intentar predecir cómo rendirá un estudiante específico en un examen después de estudiar, sin haber visto nunca a ese estudiante específico realizar el examen. Tienes que adivinar basándote en cómo lo hicieron otros estudiantes similares. El desafío es que las células son desordenadas; tienen su propia "personalidad" única (como ser una célula del hígado frente a una de la piel) y su propio "estado de ánimo" (qué tan activas están). Si solo observas la reacción promedio de una multitud entera, te perderás las historias únicas de los individuos. Este artículo presenta una nueva forma de desenredar estas historias, separando la identidad permanente de una célula de su reacción temporal a un choque, permitiendo a los científicos predecir qué habría sucedido a una célula específica si hubiera sido tratada, a pesar de que nunca podrán verla realmente.

El kit de herramientas del detective: Conoce a scDRP

Conoce a scDRP, una nueva herramienta de detective digital creada por investigadores de la Universidad Carnegie Mellon y el Broad Institute. Su trabajo es resolver el misterio del "gemelo perdido" en la biología. Dado que no podemos observar la misma célula antes y después de un ataque químico o genético (una "perturbación"), scDRP construye un gemelo virtual para cada célula para ver cómo habría reaccionado.

Así es como funciona el truque de magia, desglosado en pasos simples:

1. La gran separación (Representación desentrañada)
Imagina que cada célula es una receta compleja. Parte de la receta es la "Identidad Base" (lo que hace que una célula del hígado sea una célula del hígado y una de la piel sea una célula de la piel), y la otra parte es la "Reacción" (cómo esa célula grita, cambia o se adapta cuando la provocas).
En el pasado, estas dos partes estaban mezcladas en un batido grande y desordenado. Si intentabas adivinar la reacción, también estabas adivinando la identidad, y viceversa. scDRP utiliza una IA especial (un tipo de red neuronal llamada $\beta$ -VAE) para separar el batido de nuevo en sus ingredientes. Crea dos "espacios latentes" distintos (piensa en ellos como dos archivadores diferentes):

Archivador U (Identidad): Contiene los rasgos estables de la célula, como su tipo celular.
Archivador D (Respuesta): Contiene los cambios causados por el tratamiento.
Al mantener estos elementos separados, la herramienta asegura que, cuando predice una reacción, no confunda accidentalmente la personalidad de una célula con su respuesta al fármaco.

2. La regla de preservación de rango (Transporte Óptimo Condicional)
Una vez que los ingredientes están separados, ¿cómo sabe la herramienta qué célula "no tratada" coincide con qué célula "tratada"?
Los investigadores utilizan una regla ingeniosa llamada Emparejamiento de Cuantiles. Imagina una carrera donde los corredores están alineados por velocidad. Si le das a todos un par de botas pesadas (la perturbación), toda la línea podría volverse más lenta, pero la persona que estaba en el puesto 95 (la más rápida) debería seguir estando en el puesto 95 en relación con los demás.
scDRP asume que, aunque un tratamiento pueda desplazar el comportamiento de todo el grupo, el rango relativo de una célula dentro de su propio grupo de pares permanece igual. Utiliza una técnica matemática llamada Transporte Óptimo para emparejar la célula no tratada en el percentil 95 de sensibilidad con la célula tratada en el percentil 95. Esto crea un "gemelo contrafactual": una versión virtual de la célula de control que ha sido transformada para parecer que recibió el tratamiento, lo que permite a los científicos calcular la diferencia exacta (el Efecto de Tratamiento Individual).

3. Lo que encontraron: Los patrones ocultos
El equipo probó scDRP tanto en datos simulados (donde conocían las respuestas) como en datos biológicos reales. He aquí lo que descubrieron:

Mejor que los métodos antiguos: En comparación con otros métodos, scDRP fue mucho mejor para adivinar la reacción específica de células individuales, especialmente cuando las reacciones eran complejas y no lineales (no solo una simple línea recta).
Descubriendo grupos ocultos: Al observar las reacciones predichas de miles de células, pudieron agruparlas en "Módulos de Genes Funcionales" (FGM, por sus siglas en inglés). Estos son como equipos de genes que trabajan juntos.
- Rinovirus y humo: En células pulmonares expuestas al rinovirus (el virus del resfriado común) o al humo del cigarrillo, scDRP encontró que diferentes tipos de células reaccionaban de maneras muy específicas. Algunas células activaron "cilios" (estructuras diminutas en forma de pelo) para limpiarse, mientras que otras comenzaron un "ciclo celular" para multiplicarse. Los métodos anteriores pasaron por alto estos detalles finos.
- Respuesta inmunitaria: Cuando las células inmunitarias fueron golpeadas con interferón (una señal de lucha contra los virus), scDRP mostró que diferentes células inmunitarias (como las células T frente a las células B) tenían trabajos totalmente distintos. Algunas se centraron en matar virus, mientras que otras se centraron en gestionar el estrés o desplazarse a nuevas ubicaciones en el cuerpo.
- Leucemia: En células de leucemia mieloide crónica, descubrieron que el objetivo de diferentes genes mediante CRISPR (edición genética) desencadenaba módulos funcionales distintos, revelando cómo estas células cancerosas podrían sobrevivir o morir.

4. Prediciendo lo invisible
Una de las características más geniales de scDRP es su capacidad para adivinar qué sucede en situaciones que aún no ha visto.

Dosis: Si los científicos conocen cómo reacciona una célula a una dosis baja y a una dosis alta de un fármaco, scDRP puede interpolar suavemente (adivinar) la reacción a una dosis media que no han probado.
Combinaciones: Si sabes cómo reacciona una célula al Fármaco A y al Fármaco B por separado, scDRP puede combinar esos "vectores de reacción" para predecir la fuerza de la reacción cuando ambos fármacos se usan juntos. (Nota: Puede predecir el tamaño del efecto, pero no siempre si el gen sube o baja).

La conclusión principal
El artículo sugiere que scDRP es una nueva y poderosa forma de mirar los "qué pasaría si" de la biología. Al separar la identidad de una célula de su reacción y utilizar una regla de emparejamiento de "preservación de rango", permite a los investigadores ver las historias únicas e individuales de las células que antes estaban ocultas en el ruido de los promedios. Aunque el método depende de ciertas suposiciones (como la idea de que el rango relativo de una célula permanece constante), las simulaciones y las pruebas en el mundo real demuestran que funciona bien, ofreciendo una visión más clara de cómo la vida responde al cambio en su nivel más fundamental.

Resumen Técnico de scDRP: Aprendizaje de Representación Desentrelazada para la Predicción de Respuestas de Células Únicas a Perturbaciones

1. Planteamiento del Problema

Las tecnologías de secuenciación de célula única (por ejemplo, Perturb-seq, sci-Plex) permiten el perfilado a gran escala de circuitos de regulación génica bajo diversas perturbaciones químicas o genéticas. Sin embargo, estos experimentos son inherentemente destructivos, proporcionando solo instantáneas no emparejadas de células bajo diferentes condiciones. En consecuencia, es imposible observar la misma célula antes y después de una perturbación, lo que crea una barrera fundamental para estimar los Efectos de Tratamiento Individuales (ITE, por sus siglas en inglés) —la respuesta causal específica de una sola célula a un tratamiento—.

Los métodos existentes enfrentan dos limitaciones primarias:

Enfoque en el Promedio de la Población: Marcos de trabajo como scGEN predicen respuestas promedio de la población, oscureciendo la heterogeneidad crucial para comprender sistemas complejos como los organoides, donde las subpoblaciones responden de manera diferente.
Supuestos Excesivamente Fuertes: Métodos como CINEMA-OT asumen que las señales inducidas por la perturbación son completamente independientes de los factores de confusión (por ejemplo, el tipo de célula) y dependen de combinaciones lineales, ignorando las complejas relaciones no lineales e interacciones que gobiernan las respuestas celulares.

El desafío consiste en inferir estados contrafácticos (cómo respondería una célula de control a una perturbación) y estimar los ITEs a partir de datos de población no emparejados, teniendo en cuenta la heterogeneidad específica del tipo de célula y la dinámica no lineal.

2. Metodología: El Marco de Trabajo scDRP

Los autores proponen scDRP, un marco generativo que combina el aprendizaje de representación desentrelazada con el transporte óptimo condicional (OT) para inferir los ITEs.

A. Representación Latente Desentrelazada
scDRB modela el perfil de expresión génica de alta dimensión ( $x$ ) como una función de variables latentes de baja dimensión ( $z$ ), estructuradas en dos subespacios condicionalmente independientes:

Identidad Invariante a la Perturbación ( $z_u$ ): Captura propiedades intrínsecas estables (por ejemplo, tipo de célula, etapa de maduración) y factores de confusión ( $w$ ).
Respuesta Inducida por la Perturbación ( $z_d$ ): Captura la variación inducida por la perturbación ( $a$ ) y los factores de confusión.

Para aprender esta separación, scDRP emplea un Autoencoder Variacional $\beta$ ( $\beta$ -VAE) regularizado por:

Criterio de Independencia Condicional de Hilbert–Schmidt (HSCIC): Impone una independencia condicional estricta entre $z_u$ y $z_d$ dado el factor de confusión $w$ .
Norma $L_0$ con Compuerta (Gated $L_0$ Norm): Fomenta la dispersión para seleccionar las dimensiones latentes óptimas y asegurar la identificabilidad.

B. Transporte Óptimo Condicional para el Emparejamiento Contrafáctico
Para generar predicciones contrafácticas, scDRP debe emparejar las células de control con sus contrapartes "gemelas" en el grupo perturbado. El marco opera bajo el supuesto de preservación de rango: dentro de una subpoblación homogénea (condicionada por $w$ o $z_u$ ), una perturbación desplaza la distribución de las respuestas pero preserva el rango relativo (cuantil) de las células individuales.

Este emparejamiento se formula como un problema de Transporte Óptimo Condicional en el espacio latente desentrelazado. El objetivo es encontrar una matriz de acoplamiento óptima $\Gamma^*$ que minimice el costo de transporte:
$C(z_s, z_t) = \alpha \|z_s^u - z_t^u\|_2^2 + \beta \|z_s^d - z_t^d\|_2^2$

El primer término ( $\alpha$ ) actúa como una restricción suave que asegura que las células emparejadas compartan identidades intrínsecas similares.
El segundo término ( $\beta$ ) es el costo de transporte en el espacio de respuesta, equivalente al emparejamiento de cuantiles en una dimensión.

Una vez encontrado el acoplamiento óptimo, se utiliza la proyección baricéntrica para generar estados latentes contrafácticos ( $\tilde{z}$ ), que luego se decodifican para estimar el ITE ( $\hat{\tau} = \tilde{x} - x$ ).

C. Análisis de Aplicación y Generalización

Biclústerización: La matriz de ITE estimada se analiza mediante biclústerización (BCPlaid) para identificar Módulos de Genes Funcionales (FGM) —grupos de genes y células que exhiben patrones de respuesta específicos—.
Dosis No Observadas: Para dosis de perturbación no observadas, scDRP utiliza la regresión de Procesos Gaussianos en el espacio latente para interpolar la media y la varianza de $z_d$ , seguido de una corrección de residuos para generar los contrafácticos.
Efectos Combinatorios: El marco infiere la magnitud de los efectos de perturbación combinados tratando los ITEs individuales como vectores y aplicando la composición de vectores (ley del paralelogramo), aunque solo puede estimar la magnitud absoluta, no la dirección (regulación positiva/negativa).

3. Resultados Clave

El artículo valida scDRP a través de simulaciones y cuatro conjuntos de datos del mundo real (Kang et al., Dong et al., Hagai et al., Norman et al.):

Rendimiento en Simulaciones: scDRP supera consistentemente a CINEMA-OT y scGEN en la estimación de ITEs y Efectos de Tratamiento Promedio Condicionales (CATEs), particularmente en entornos no lineales y cuando las etiquetas de tipo celular son desconocidas. Recupera con precisión los emparejamientos de la verdad fundamental (ground-truth) y el desentrelazamiento latente.
Predicción de Datos Reales: En datos reales, scDRP genera distribuciones contrafácticas que se superponen estrechamente con las distribuciones de tratamiento observadas (alto PCC, bajo RMSE, bajo MMD), mientras que otros métodos muestran brechas sustanciales.
Perspectivas Biológicas:
- Rinovirus y Humo de Cigarrillo: El reanálisis de datos de organoides bronquiales reveló patrones finos, identificando FGM distintos para la biogenesis ciliar y la progresión del ciclo celular que fueron omitidos por análisis lineales previos.
- Estimulación de Interferón: En PBMCs, scDRP resolvió respuestas inmunes heterogéneas, vinculando tipos celulares específicos (por ejemplo, células T CD4+, monocitos) con módulos funcionales distintos (por ejemplo, defensa antiviral, apoptosis, regulación metabólica).
- Perturbaciones CRISPR: En células de leucemia K562, el método identificó módulos funcionales dominantes (presentación de antígeno MHC I) y divergencias específicas impulsadas por genes (por ejemplo, KLF1 vinculando el estrés oxidativo con la diferenciación).
Generalización: El modelo interpoló con éxito curvas de dosis-respuesta para dosis químicas no observadas y estimó la magnitud de los efectos de tratamientos combinados.

4. Significación y Reivindicaciones

Los autores afirman que scDRP proporciona un enfoque computacional con principios sólidos para extraer relaciones causales heterogéneas de los datos de perturbación de célula única. Su significación radica en:

Rigor Teórico: Establece supuestos rigurosos para el emparejamiento contrafáctico utilizando OT condicional, yendo más allá de los enfoques heurísticos.
Resolución Biológica: Al desentrelazar la identidad de la respuesta, permite el descubrimiento de módulos de genes funcionales específicos del tipo de célula y mecanismos heterogéneos que los métodos de promedio de población oscurecen.
Versatilidad: El marco se generaliza a dosis de perturbación y combinaciones no observadas, facilitando el cribado de perturbaciones in silico y el descubrimiento racional de objetivos terapéuticos.

El artículo reconoce limitaciones, señalando que el desentrelazamiento depende de supuestos de identificación (independencia condicional) que no pueden verificarse únicamente a partir de datos observacionales, y que la inferencia combinatoria actualmente recupera solo la magnitud del efecto, no la dirección. Se sugiere como trabajo futuro la incorporación de modalidades temporales/espaciales y la extensión a otros tipos de datos como scATAC-seq.