MAP: A Knowledge-driven Framework for Predicting Single-cell Responses for Unprofiled Drugs

El marco MAP presenta un enfoque impulsado por conocimiento que integra un grafo de conocimiento biológico y estrategias de preentrenamiento para predecir con precisión las respuestas celulares a fármacos no perfilados mediante generalización de cero disparos, superando a los modelos existentes en benchmarks de correlación y análisis funcional.

Lo esencial

Imagina que el cuerpo humano es una ciudad gigante y compleja, donde cada célula es una casa y los genes son los habitantes que toman decisiones dentro de esas casas. Cuando un médico prescribe un medicamento (una "perturbación química"), es como enviar un mensaje a la ciudad para que los habitantes cambien su comportamiento: "¡Apaguen las luces!", "¡Aumenten la producción de energía!" o "¡Dejen de crecer!".

El problema es que existen millones de medicamentos posibles (como millones de mensajes diferentes), pero los científicos solo han probado experimentalmente unos pocos miles. Para los demás, tenemos que adivinar qué pasaría. Hasta ahora, los modelos de inteligencia artificial intentaban adivinar basándose en "apariencias": si dos medicamentos se parecen en su nombre o en su estructura química, asumían que harían lo mismo. Pero esto es como asumir que dos coches rojos conducen igual solo porque tienen el mismo color, ignorando que uno es un camión y el otro una moto.

Aquí es donde entra MAP, el nuevo sistema presentado en este artículo.

¿Qué es MAP? (El Traductor Sabio)

MAP no es solo un adivino; es un traductor experto en biología. En lugar de mirar solo la "etiqueta" del medicamento, MAP entiende la historia y el mecanismo detrás de cada uno.

Para lograrlo, MAP construyó algo llamado MAP-KG, que podemos imaginar como una biblioteca universal de relaciones biológicas.

• Imagina que tienes 14 libros de texto diferentes (bases de datos) sobre cómo funcionan los fármacos, las proteínas y los genes.
• MAP toma toda esa información y crea un mapa gigante (un gráfico de conocimiento) que conecta 187,000 medicamentos con 23,000 genes mediante 694,000 relaciones.
• No solo dice "la aspirina cura el dolor", sino que explica cómo: "La aspirina inhibe esta proteína específica, lo que a su vez apaga este gen, que a su vez reduce la inflamación".

¿Cómo funciona? (La Analogía del "Entrenador Deportivo")

Piensa en un entrenador de fútbol (el modelo de IA) que quiere predecir cómo jugará un equipo nuevo (una célula) cuando le presenten un jugador nuevo (un medicamento) que nunca ha entrenado con ellos.

1. El problema antiguo: El entrenador solo miraba la foto del jugador nuevo. Si se parecía a otro jugador que ya conocía, asumía que jugaría igual. Si no tenía foto, no podía predecir nada.
2. La solución de MAP: MAP le da al entrenador un dossier completo del jugador nuevo.
   • Le muestra su físico (la estructura química del medicamento).
   • Le cuenta su historia (qué hace en el cuerpo, qué proteínas ataca).
   • Le explica sus amistades y enemigos (qué genes interactúan con él).

Gracias a este "dossier" (el conocimiento biológico), MAP puede predecir cómo reaccionará la célula incluso si nunca ha visto ese medicamento antes. Es como si el entrenador pudiera decir: "Este jugador ataca al portero de la misma manera que el jugador X, así que el equipo defenderá de esta forma".

¿Qué logró MAP? (Los Resultados en la Vida Real)

Los autores probaron MAP en dos escenarios difíciles:

1. Mezclas nuevas: Probaron un medicamento conocido en un tipo de célula que nunca antes habían estudiado. MAP acertó mucho más que los modelos anteriores.
2. Medicamentos totalmente desconocidos: Esto es lo más impresionante. Probaron medicamentos que nunca habían sido probados en el laboratorio (no tenían datos previos). MAP logró predecir su efecto con una precisión sorprendente.

El ejemplo de la "Búsqueda del Tesoro":
En un experimento con cáncer de pulmón, tenían una lista de 58 medicamentos desconocidos y querían encontrar los 5 que ya sabían que funcionaban (los "tesoros").

• Los modelos antiguos encontraron algunos, pero se perdieron.
• MAP encontró 4 de los 5 tesoros y los puso en los primeros lugares de la lista. Esto significa que, en el futuro, los científicos podrían usar MAP para filtrar millones de compuestos químicos y encontrar rápidamente los que podrían curar enfermedades, ahorrando años de experimentos costosos.

En resumen

MAP es como darle a una inteligencia artificial un libro de instrucciones biológico en lugar de solo una lista de nombres. Al entender por qué y cómo funcionan las cosas (el mecanismo), puede predecir el futuro con mucha más precisión, incluso para cosas que nunca ha visto antes.

Es un paso gigante hacia la creación de "Células Virtuales": simulaciones tan precisas que podríamos probar nuevos medicamentos en una computadora antes de ponerlos en un paciente, haciendo la medicina más rápida, barata y segura.

Resumen técnico

Aquí presento un resumen técnico detallado del artículo "MAP: A Knowledge-driven Framework for Predicting Single-cell Responses for Unprofiled Drugs" (MAP: Un marco impulsado por conocimiento para predecir respuestas de células individuales a fármacos no perfilados).

1. Problema y Motivación

La predicción de cómo responden las células a perturbaciones químicas es fundamental para construir "células virtuales" y acelerar el descubrimiento de fármacos. Sin embargo, existen dos limitaciones críticas en los modelos actuales:

• Cobertura limitada: Solo una pequeña fracción del espacio químico ha sido perfilada experimentalmente.
• Falta de generalización: Los modelos existentes suelen tratar a los fármacos como identificadores categóricos aislados, sin codificar sus relaciones mecanísticas (como modos de unión o vías compartidas). Esto impide que los modelos generalicen a fármacos no perfilados (compuestos para los cuales no existen datos de expresión transcripcional) o a combinaciones de células y fármacos no vistas durante el entrenamiento.

El objetivo es desarrollar un marco capaz de realizar predicciones en configuración "zero-shot" (sin datos de entrenamiento específicos para el fármaco o la combinación) basándose en el conocimiento biológico estructurado.

2. Metodología: El Marco MAP

El authors proponen MAP (Mechanism-Aware Perturbation response predictor), un marco que integra conocimiento biológico estructurado con modelos de base de células individuales. Se compone de tres pilares principales:

A. Construcción de MAP-KG (Knowledge Graph)

Se ha construido un grafo de conocimiento biomédico a gran escala específico para perturbaciones celulares:

• Escala: Integra 14 recursos públicos autorizados, abarcando 187,089 fármacos, 22,924 genes y 694,246 relaciones mecanísticas.
• Estructura: Conecta nodos de fármacos y genes mediante aristas que representan interacciones (ej. inhibición, activación) y relaciones gen-gen (interacciones proteína-proteína, vías).
• Multimodalidad: Cada entidad se enriquece con múltiples modalidades:
  • Fármacos: Estructura molecular (SMILES), nombre, descripción de mecanismo de acción (MOA) y funciones terapéuticas.
  • Genes: Secuencia de aminoácidos, nombre, anotaciones funcionales y descripciones de vías.
• Puente Semántico: Utiliza descripciones de texto libre (como MOA) para conectar atributos heterogéneos (estructura química vs. secuencia proteica).

B. Pre-entrenamiento impulsado por Conocimiento

Para aprender representaciones transferibles, se emplea una estrategia de pre-entrenamiento contrastivo:

• Codificadores Específicos de Modalidad: Se utilizan modelos pre-entrenados para cada tipo de dato:
  • Texto: BioBERT.
  • Estructura Molecular: MoleculeSTM.
  • Secuencia de Proteínas: ESM-2.
• Alineación Contrastiva: Se alinean las representaciones de diferentes modalidades (ej. la estructura SMILES y la descripción textual del mecanismo de un fármaco) en un espacio de incrustación unificado.
• Consistencia de Relaciones: Se introduce una función de composición sensible al orden para codificar la dirección de las interacciones (ej. diferenciar entre un fármaco que inhibe un gen y el gen que es inhibido).
• Resultado: Se obtienen incrustaciones de fármacos y genes "conscientes del mecanismo" que capturan similitudes biológicas más allá de la co-ocurrencia en los datos de entrenamiento.

C. Predicción de Respuesta a Perturbaciones

El marco integra estas representaciones en un modelo de base de células individuales (Single-cell Foundation Model, específicamente STATE):

1. Se codifica el estado celular no perturbado.
2. Se fusionan las incrustaciones de genes enriquecidas con conocimiento y las incrustaciones de fármacos (escaladas por la dosis).
3. Un codificador Transformer infiere el estado celular perturbado.
4. Se decodifica la expresión génica resultante.
5. Entrenamiento: Se utiliza una supervisión dual en el espacio de expresión y en el espacio de incrustaciones latentes para reducir el ruido de las mediciones de células individuales.

3. Contribuciones Clave

1. MAP-KG: El primer grafo de conocimiento a escala masiva diseñado específicamente para modelar perturbaciones celulares, unificando datos estructurados y no estructurados de 14 fuentes.
2. Estrategia de Pre-entrenamiento: Un método novedoso que alinea estructuras moleculares, secuencias de proteínas y descripciones textuales para crear representaciones transferibles y conscientes de los mecanismos biológicos.
3. Capacidad Zero-Shot: El modelo puede predecir respuestas transcripcionales para fármacos completamente nuevos (sin datos de perfilado) y en contextos celulares no vistos, algo que los modelos basados puramente en datos no logran.
4. Interpretabilidad Funcional: El modelo predice programas transcripcionales coherentes a nivel de vías biológicas, facilitando el análisis funcional y la reutilización de fármacos.

4. Resultados Experimentales

El modelo se evaluó en tres conjuntos de datos a gran escala: Tahoe-100M (células cancerosas), OP3 (células inmunitarias) y SciPlex3.

• Generalización a Combinaciones Célula-Fármaco No Vistas:
  • MAP superó a los modelos más avanzados (como CRISP y chemCPA).
  • En Tahoe-100M, mejoró la correlación de Pearson delta (top-50 DEG) en un 13.3% y la precisión de dirección en un 13.5% respecto al mejor baseline.
• Predicción Zero-Shot para Fármacos No Perfilados:
  • En el escenario más estricto (fármacos totalmente ausentes del entrenamiento), MAP mejoró la correlación de Pearson delta en un 12.2% (Tahoe-100M), 8.2% (OP3) y 10.4% (SciPlex3).
  • Esto demuestra que el conocimiento biológico actúa como un sesgo inductivo fuerte, permitiendo inferencias sin datos transcripcionales previos.
• Análisis Funcional y Reutilización de Fármacos (In Silico):
  • En un experimento de cribado virtual en la línea celular A-549 (cáncer de pulmón), MAP priorizó correctamente 4 de 5 fármacos oncológicos aprobados dentro de los top 15 candidatos entre 58 compuestos no perfilados.
  • Las predicciones a nivel de vías (GSEA) mostraron una alta concordancia con los mecanismos de acción conocidos y los datos experimentales (ej. supresión de vías oncogénicas por Adagrasib y Afatinib).
• Escalabilidad del Conocimiento:
  • Se demostró que el rendimiento mejora monótonamente a medida que se aumenta la escala del conocimiento (de MoleculeSTM a PrimeKG y finalmente a MAP-KG), validando que el conocimiento biológico es un eje complementario y eficiente en coste para mejorar la generalización.

5. Significado e Impacto

Este trabajo establece un nuevo paradigma en la biología computacional al cerrar la brecha entre el vasto espacio químico y los datos de perfilado celular limitados.

• Células Virtuales Robustas: Proporciona una base sólida para construir células virtuales que puedan generalizar a contextos y compuestos no vistos, superando la asimetría entre la cantidad de compuestos químicos y los datos experimentales disponibles.
• Aceleración del Descubrimiento: Facilita el cribado virtual y la reutilización de fármacos de manera más fiable, reduciendo costos y tiempos en las etapas tempranas de la investigación.
• Paradigma Ortogonal: Demuestra que la mejora mediante la integración de conocimiento biológico estructurado es un enfoque complementario (y no sustitutivo) al escalado de datos y modelos, ofreciendo una vía costo-eficiente para mejorar la IA en biomedicina.

En resumen, MAP transforma la predicción de respuestas celulares al pasar de tratar los fármacos como "tokens" aislados a representaciones ricas en mecanismos biológicos, permitiendo predicciones precisas incluso para compuestos totalmente nuevos.