CLADES - Contrastive Learning Augmented DifferEntial Splicing with Orthologous Positive Pairs

El paper presenta CLADES, un enfoque de aprendizaje por contraste que utiliza pares positivos de ortólogos evolutivos para pre-entrenar representaciones de secuencias de splicing, logrando así predecir con precisión y de manera interpretable los cambios en la inclusión de exones entre diferentes contextos biológicos.

Lo esencial

¡Claro que sí! Imagina que el ADN es como un libro de recetas gigante que tiene todas las instrucciones para construir un ser humano. Pero, al igual que un chef puede tomar una misma receta base (por ejemplo, "hacer una tortilla") y crear versiones diferentes (una con queso, otra con jamón, otra sin sal), nuestras células tienen un truco llamado empalme alternativo (alternative splicing).

Este truco les permite tomar un mismo trozo de receta (un gen) y decidir qué partes incluir y cuáles quitar para crear proteínas diferentes según si la célula está en el cerebro, en el corazón o en la piel.

El problema es que predecir qué "sabor" tendrá la proteína en cada tejido es muy difícil. Es como intentar adivinar si un chef va a ponerle queso o jamón a la tortilla solo mirando la lista de ingredientes, sin saber en qué cocina está trabajando. Además, tenemos muy pocos ejemplos de "recetas terminadas" para todos los tipos de células.

Aquí es donde entra CLADES, la nueva herramienta que presentan los autores. Vamos a explicarlo con una analogía sencilla:

1. El Gran Truco: Usar la Evolución como "Entrenador"

Imagina que quieres aprender a cocinar la mejor tortilla del mundo, pero no tienes muchos chefs expertos que te den consejos. Sin embargo, te das cuenta de que tus primos lejanos (otros animales, como ratones o peces) también tienen recetas de tortilla en sus libros de cocina.

Aunque la escritura de sus recetas sea un poco diferente (porque han pasado millones de años), el sabor final y la función de la tortilla suelen ser los mismos. Si un trozo de receta es vital para que la tortilla se mantenga unida en un humano, ese mismo trozo suele ser vital en un chimpancé o en un ratón.

CLADES usa esta idea:

• La Analogía: En lugar de pedirle a un humano que le explique cómo funciona cada receta (lo cual es lento y costoso), el sistema compara las recetas de humanos con las de sus "primos" evolutivos.
• El Aprendizaje: Le dice al ordenador: "Mira, esta parte de la receta en el humano y esta parte en el ratón hacen exactamente lo mismo. ¡Trátalas como si fueran gemelas!". Y al mismo tiempo: "Esta otra parte no tiene nada que ver, ¡separalas!".

Al hacer esto millones de veces, el sistema aprende a reconocer los patrones secretos (los "sabores" o motivos) que controlan la cocina celular, sin necesidad de tener un manual de instrucciones para cada tipo de célula.

2. ¿Qué logra CLADES?

Una vez que el sistema ha aprendido estos patrones "gemelos" a través de la evolución, lo usamos para predecir dos cosas importantes:

1. La Magnitud del Cambio (¿Cuánto cambia?): ¿Cuánto más o menos queso pondrá el chef? (En términos biológicos: ¿cuánto cambia la inclusión del gen?).
2. La Dirección del Cambio (¿Sube o baja?): ¿El chef va a añadir más ingredientes o va a quitarlos?

El sistema es tan bueno que, incluso cuando no tiene muchos datos de un tejido específico (por ejemplo, un tipo raro de célula cerebral), puede adivinar muy bien qué va a pasar porque ha aprendido las "reglas del juego" de la evolución.

3. ¿Por qué es un avance?

Antes, los sistemas de inteligencia artificial para esto eran como estudiantes que solo memorizaban las respuestas de un examen específico. Si les preguntaban algo nuevo, fallaban.

CLADES es como un estudiante que ha entendido la lógica profunda de la cocina.

• Es más inteligente: Entiende que ciertas palabras en la receta (motivos genéticos) siempre significan "poner queso" o "quitar sal", sin importar si la receta es de un humano o de un ratón.
• Es más robusto: No se confunde con el ruido o los errores de los experimentos de laboratorio.
• Es interpretable: No es una "caja negra". El sistema puede señalar exactamente qué letras de la receta (qué partes del ADN) le dijeron que debía cambiar la proteína.

En resumen

CLADES es como un traductor evolutivo. Utiliza la historia de la vida en la Tierra (la evolución) para enseñar a una inteligencia artificial a entender el lenguaje secreto de las células. Al comparar cómo se escriben las recetas genéticas en diferentes especies, aprende a predecir con gran precisión cómo se comportarán nuestras células en diferentes situaciones, ayudándonos a entender enfermedades y a diseñar mejores tratamientos en el futuro.

Es una forma elegante de decir: "Si algo ha funcionado durante millones de años en diferentes animales, probablemente sea la clave para entender cómo funciona nuestro propio cuerpo".

Resumen técnico

Resumen Técnico: CLADES

1. El Problema

La splicing alternativo (AS) es un mecanismo fundamental en eucariotas que diversifica los repertorios de transcritos y proteínas. Aunque la secuenciación de ARN permite cuantificar la inclusión de exones (medida como $\psi$), el valor absoluto de $\psi$ en un solo contexto no refleja las diferencias regulatorias. La magnitud biológicamente relevante es el cambio en la inclusión ($\Delta\psi$) entre estados biológicos (tejidos, tipos celulares, enfermedades), que captura la dirección y magnitud de los cambios regulatorios.

El desafío principal radica en predecir $\Delta\psi$ a partir de la secuencia de ADN/ARN debido a:

• Escasez de etiquetas: Hay pocos datos de ARN-seq etiquetados por tejido o tipo celular específicos.
• Ruido experimental: Los protocolos experimentales introducen variabilidad y artefactos (ej. sesgo en el contenido GC).
• Complejidad regulatoria: Las dependencias no lineales entre motivos de secuencia, proteínas de unión a ARN (RBPs) y el contexto posicional son difíciles de capturar con características diseñadas a mano.
• Limitación de modelos existentes: Los modelos actuales (como MTSplice) predicen bien el $\psi$ promedio, pero fallan al predecir con precisión los cambios diferenciales ($\Delta\psi$) entre contextos sin supervisión específica de tejido.

2. Metodología

Los autores proponen CLADES, un marco de aprendizaje de representaciones basado en aprendizaje contrastivo (Contrastive Learning - CL) fundamentado en la conservación evolutiva.

• Hipótesis Central: Los programas regulatorios que gobiernan la inclusión de exones dependen de contextos específicos pero están profundamente conservados evolutivamente. Por lo tanto, las secuencias de uniones exón-intrón de ortólogos (mismo gen en diferentes especies) deben considerarse "vistas" semánticamente consistentes de la misma función regulatoria.

• Estrategia de Entrenamiento:

  1. Pre-entrenamiento (Auto-supervisado):

     • Pares Positivos (Orthologous Positive Pairs - OPP): Se utilizan secuencias de exones alineados entre múltiples especies vertebradas (basado en Multiz100way) como pares positivos. La idea es que, aunque la secuencia mutó, la función regulatoria se conservó.
     • Pares Negativos: Secuencias de uniones no homólogas.
     • Arquitectura del Codificador: Se utiliza una arquitectura similar a MTSplice con ramas paralelas de CNN y transformaciones spline para capturar motivos dependientes de la posición en las regiones de 300 pb intrónicas y 100 pb exónicas (flancos 5' y 3').
     • Objetivo de Pérdida: Se emplea una pérdida contrastiva supervisada ($L_{sup}$) que acerca las incrustaciones (embeddings) de los ortólogos y aleja las de las secuencias no relacionadas. Esto fuerza al modelo a aprender invariancias a la secuencia no restringida y a enfatizar señales conservadas (motivos, RBPs).

  2. Ajuste Fino (Fine-tuning):

     • Se utiliza un cabezal supervisado ligero sobre las representaciones pre-entrenadas.
     • Datos: Se ajustan en el conjunto de datos ASCOT (56 tejidos humanos) y Tabula Sapiens (112 tipos celulares).
     • Tareas:
       • Regresión: Predecir el valor continuo de $\Delta\psi$.
       • Clasificación (Nuevas formulaciones):
         • TSRC (Tissue-Specific Regulation Classification): Clasificar si un exón está regulado al alza, a la baja o sin cambios en un tejido específico.
         • ELRC (Exon-Level Regulation Classification): Clasificar la regulación diferencial en exones de alta y baja inclusión basal.

3. Contribuciones Clave

1. Aumento Evolutivo (Evolution-as-Augmentation): Introducen el uso de ortólogos como pares positivos en aprendizaje contrastivo para genómica, una estrategia que supera la escasez de datos etiquetados específicos de tejidos.
2. Generalización sin Supervisión Específica de Tejido: El modelo aprende principios regulatorios generales a partir de la evolución, permitiendo transferir representaciones a nuevos tejidos o tipos celulares con un ajuste mínimo.
3. Nuevas Formulaciones de Problema: Recastear el problema de splicing diferencial como tareas de clasificación de dirección de cambio (TSRC y ELRC), ofreciendo una interpretación biológica más clara que la regresión pura.
4. Interpretabilidad: El marco permite identificar motivos regulatorios conservados (como los dinucleótidos GT/AG en sitios de splicing) a través de perfiles de saliencia.

4. Resultados

El modelo se evaluó en dos benchmarks principales:

• En el conjunto de datos ASCOT (56 tejidos):

  • Correlación: CLADES superó consistentemente al modelo de última generación (SOTA) MTSplice en la correlación de Spearman ($\rho$) entre $\Delta\psi$ predicho y observado en casi todos los tejidos.
  • Rendimiento en datos escasos: El modelo mostró una ventaja significativa en tejidos con pocos datos de entrenamiento (grupo "Low"), demostrando una mayor robustez y capacidad de generalización.
  • Clasificación: Logró mejores puntuaciones AUPRC y AUROC para distinguir exones regulados al alza/abajo de los no cambiados, especialmente con ventanas de entrada de 200-300 pb (intrón + exón).

• En el conjunto de datos Tabula Sapiens (112 tipos celulares):

  • CLADES mostró una correlación superior en grupos de células con mayor número de muestras.
  • En la tarea ELRC, el modelo mejoró significativamente la precisión y el F1-score tanto para exones de alta inclusión (detectando represión) como para exones de baja inclusión (detectando activación) en comparación con la línea base sin aprendizaje contrastivo.

• Análisis de Representaciones:

  • Las proyecciones UMAP mostraron que los exones ortólogos se agrupan estrechamente, y que el espacio de incrustaciones organiza los exones según su nivel de inclusión y patrones de splicing específicos de tejido.
  • Los mapas de saliencia confirmaron que el modelo se centra en los sitios de splicing canónicos (motivos AG y GT) y señales regulatorias cercanas.

5. Significado e Impacto

El trabajo demuestra que la evolución actúa como un mecanismo de aumento de datos efectivo para el aprendizaje profundo en genómica. Al tratar la conservación evolutiva como una señal de supervisión, CLADES logra:

• Desacoplar la predicción de splicing de la dependencia de grandes volúmenes de datos experimentales específicos de cada tejido.
• Aprender representaciones de secuencia que capturan invariantes regulatorias biológicamente significativas.
• Proporcionar un marco interpretable para entender cómo los cambios en la secuencia se traducen en cambios funcionales en diferentes contextos biológicos.

Esto sienta las bases para futuros "modelos fundacionales" de regulación de splicing capaces de predecir efectos en condiciones no vistas, perturbaciones y distancias evolutivas, avanzando hacia una comprensión más profunda de la biología mediante IA.