pertTF: context-aware AI modeling for genome-scale and cross-system perturbation prediction

El artículo presenta pertTF, un modelo de inteligencia artificial basado en transformadores que predice con alta precisión los efectos de perturbaciones genéticas a escala genómica en diversos contextos celulares, superando los métodos actuales al generalizar resultados a genes y tipos celulares no vistos e inferir cambios en la identidad celular y la composición de poblaciones.

Lo esencial

¡Hola! Imagina que el cuerpo humano es una ciudad gigante y cada célula es un ciudadano con un trabajo muy específico: unos son bomberos, otros son médicos, otros son constructores. A veces, por un error en el "manual de instrucciones" (el ADN), un ciudadano deja de hacer su trabajo o empieza a hacer el de otro. Esto es lo que sucede en enfermedades como la diabetes o el cáncer.

Los científicos siempre han querido predecir: "¿Qué pasaría si desactivamos este gen específico?". Pero hacer esto en el laboratorio es como intentar probar todas las combinaciones de ingredientes en una receta gigante: es lento, costoso y a veces imposible.

Aquí es donde entra pertTF, el "astrofísico de las células" creado por los autores de este estudio.

¿Qué es pertTF? (El Simulador de Realidad Virtual)

Imagina que pertTF es un videojuego de simulación ultra-realista, pero en lugar de simular ciudades o guerras, simula células vivas.

1. El Entrenamiento (Aprendiendo la ciudad):
   Para que el videojuego funcione, primero tuvieron que "entrenarlo". Los científicos crearon un laboratorio gigante donde apagaron (hicieron un "knockout" o eliminación) 30 genes diferentes en miles de células que estaban aprendiendo a convertirse en células del páncreas (las que controlan el azúcar en la sangre).

   • La analogía: Imagina que tienes 30 maestros diferentes y les pides a 14 tipos de estudiantes (células) que aprendan. Luego, quitas a uno de los maestros y ves cómo reaccionan los estudiantes. Repetiste esto miles de veces. pertTF "vio" todo esto y aprendió las reglas del juego.

2. La Magia (Predecir lo desconocido):
   La mayoría de los programas antiguos solo podían decirte: "Si apagas este gen, la célula se verá un poco diferente". Pero pertTF es mucho más inteligente.

   • Ve más allá de la expresión: No solo mira si la célula cambia de color (expresión de genes), sino que predice si la célula cambia de identidad. ¿Se convertirá un ciudadano bombero en un médico? ¿Desaparecerá un grupo entero de ciudadanos?
   • Generalización (El superpoder): Lo más impresionante es que pertTF puede predecir lo que pasaría con genes que nunca ha visto antes y en tipos de células que nunca ha estudiado.
   • La analogía: Es como si hubieras entrenado a un chef solo con recetas de pizza, pero luego le preguntas: "¿Qué pasaría si cocinamos un sushi con un pescado que nunca has tocado?". Y el chef, basándose en lo que sabe de sabores y texturas, te da una receta casi perfecta. ¡PertTF hace eso con el ADN!

¿Cómo funciona su "cerebro"?

El modelo utiliza una tecnología llamada Transformador (la misma que usan las IAs que escriben textos o traducen idiomas).

• En lugar de leer palabras, pertTF lee genes.
• Entiende que los genes no trabajan solos; son como una orquesta. Si quitas al violinista (un gen), la música cambia, pero depende de si la orquesta es de jazz o de clásica (el tipo de célula). pertTF entiende esta "música" celular.

¿Para qué sirve esto en la vida real?

1. Ahorrar tiempo y dinero: En lugar de hacer miles de experimentos costosos en el laboratorio, los científicos pueden hacer un "CRISPR virtual". Pueden probar miles de combinaciones de genes en la computadora y solo llevar a la realidad las que parecen prometedoras.
2. Entender enfermedades: Los científicos probaron el modelo en células reales de pacientes con diabetes tipo 2. El modelo pudo "adivinar" qué genes estaban fallando en las células de los pacientes, incluso sin haberlos visto antes en el entrenamiento. Fue como si el modelo tuviera una linterna que iluminaba los errores ocultos en la enfermedad.
3. Descubrir nuevos medicamentos: Al poder simular qué pasa si bloqueas un gen, pueden encontrar nuevas formas de tratar enfermedades raras o complejas sin tener que crear un modelo animal para cada prueba.

En resumen

pertTF es como un oráculo digital para la biología. Ha aprendido las reglas de cómo funcionan las células observando un laboratorio masivo, y ahora puede predecir el futuro de una célula con una precisión asombrosa, incluso en situaciones que nadie ha probado antes.

Es un paso gigante hacia un futuro donde podemos diseñar tratamientos personalizados en una computadora antes de tocar un solo tubo de ensayo, acercándonos a la meta de tener "células virtuales" que nos ayuden a curar enfermedades más rápido y de forma más segura.

Resumen técnico

Aquí presento un resumen técnico detallado del artículo "pertTF: context-aware AI modeling for genome-scale and cross-system perturbation prediction" (pertTF: modelado de IA consciente del contexto para la predicción de perturbaciones a escala genómica y entre sistemas), traducido y adaptado al español.

---

1. El Problema

La predicción de las respuestas celulares a perturbaciones genéticas a nivel de célula única es fundamental para modelar estados celulares y enfermedades. Sin embargo, los enfoques existentes enfrentan limitaciones críticas:

• Generalización deficiente: Los modelos actuales tienen dificultades para predecir resultados en contextos celulares no vistos durante el entrenamiento o para genes que no estaban en el conjunto de datos de entrenamiento.
• Alcance fenotípico limitado: La mayoría de los modelos solo predicen cambios en la expresión génica, ignorando resultados fenotípicos superiores como cambios en la identidad celular, la composición de la población o transiciones de estado (ej. EMT, metaplasia).
• Barreras experimentales: Realizar mapeos experimentales exhaustivos de perturbaciones en sistemas biológicamente relevantes (células primarias, organoides, modelos de enfermedades) es costoso, técnicamente difícil o inviable debido a la fragilidad de las células o la rareza de las poblaciones.
• Falta de datos de entrenamiento diversos: Muchos modelos se entrenan en líneas celulares inmortales limitadas, lo que reduce su aplicabilidad a contextos fisiológicos reales.

2. Metodología: pertTF

Los autores presentan pertTF (perturbation TransFormer), un modelo basado en transformadores diseñado para superar estas limitaciones mediante un enfoque de aprendizaje profundo multi-tarea.

A. Conjunto de Datos de Entrenamiento Único

• Origen: Se generó un dataset de alto rendimiento utilizando células madre pluripotentes humanas (hPSC) diferenciadas hacia el linaje pancreático.
• Escala: Incluye 87,000 células de alta calidad a través de 14 tipos celulares principales durante la diferenciación.
• Perturbaciones: Se realizaron 30 knockout (KO) completos de genes reguladores del linaje pancreático y genes de riesgo de diabetes.
• Ventaja: A diferencia de los datos de CRISPRi (interferencia) comunes, el uso de KO completos proporciona señales de pérdida de función más limpias y menos ambiguas.

B. Arquitectura del Modelo

pertTF es un transformador multi-tarea que integra perfiles de expresión génica y datos de perturbación para aprender una representación latente compartida.

• Entrada: Secuencias de tokens (genes) codificados por identidad y expresión log-normalizada, más un token de celda agregada.
• Integración de Perturbación: Utiliza un codificador de perturbación (embedding) que se concatena con la representación de la celda.
• Pérdidas y Objetivos de Entrenamiento:
  • Reconstrucción de expresión: Utiliza una pérdida de verosimilitud negativa binomial (NB-NLL) en lugar de error cuadrático medio (MSE) para capturar mejor la distribución de conteos de RNA-seq.
  • Clasificación multi-tarea: Predice simultáneamente el tipo celular y el genotipo (perturbación).
  • Pérdida de contraste supervisada: Fuerza al modelo a aprender espacios latentes bien separados para diferentes tipos celulares y genotipos.
  • Predicción de composición: Entrena para predecir el puntuación lochNESS, una métrica cuantitativa que mide el enriquecimiento o agotamiento de poblaciones celulares tras una perturbación.
• Generalización a Genes No Vistos: Para predecir efectos de genes no presentes en el entrenamiento, pertTF integra embeddings de genes derivados de una Red Neuronal de Grafos (GNN) entrenada en similitudes de Ontología Génica (GO) y datos de Perturb-seq externos (GEARS).

C. Estrategias de Validación

• Validación cruzada estricta: Se evaluó el modelo en escenarios de "dejar fuera" (leave-one-out): tipos celulares no vistos, genes no vistos y la combinación de ambos.
• Validación experimental independiente: Se realizó un experimento de Perturb-seq basado en CRISPRi en iPSCs con 50 genes (solo 2 presentes en el entrenamiento).
• Transferencia a tejidos primarios: Se aplicó el modelo a datos de islotes pancreáticos primarios humanos (no diabéticos, pre-diabetes y diabetes tipo 2) mediante fine-tuning con pocas células etiquetadas.

3. Contribuciones Clave

1. Predicción de Fenotipos Superiores: PertTF no solo predice cambios transcripcionales, sino también cambios en la identidad celular y la composición de la población, un aspecto crucial en fisiología y enfermedad que los modelos anteriores ignoraban.
2. Generalización Transversal: Demuestra una capacidad superior para extrapolar efectos de perturbación a nuevos tipos celulares y nuevos genes no vistos durante el entrenamiento, superando a modelos de base (foundation models) como scGPT, Geneformer y GEARS.
3. Marco de Pantallas Genéticas In Silico: Habilita la realización de pantallas genéticas virtuales (pooled y de célula única) para priorizar genes candidatos sin necesidad de experimentos físicos masivos.
4. Aplicabilidad en Contextos Clínicos: Validación exitosa en tejidos primarios humanos (islotes), demostrando que el modelo puede inferir estados de perturbación latente en muestras de pacientes reales (ej. progresión de la Diabetes Tipo 2).

4. Resultados Principales

• Rendimiento en Clasificación: PertTF superó consistentemente a los modelos de base (scGPT, scFoundation) en la clasificación de tipos celulares y genotipos, logrando mejores puntuaciones F1 macro, AUPR y precisión.
• Predicción de Composición: La predicción de la puntuación lochNESS por parte de pertTF mostró una correlación significativamente mayor con los valores reales que los métodos basados únicamente en la expresión génica de los genes perturbados.
• Generalización a Genes y Contextos No Vistos:
  • En pruebas donde se excluían completamente los datos de un gen específico (ej. PDX1) o un tipo celular, pertTF mantuvo una alta precisión en la predicción de los desplazamientos de los embeddings celulares.
  • Superó a GEARS y scGPT en 8 de 8 métricas de evaluación (incluyendo ROC-AUC, PR-AUC, correlación de Pearson y error absoluto medio) en escenarios de generalización estricta.
• Validación Experimental (CRISPRi): En el experimento independiente con CRISPRi (donde la eficiencia de perturbación varía), pertTF mantuvo un rendimiento superior en 8 de 8 métricas, demostrando robustez ante diferentes modalidades de perturbación.
• Islotes Primarios y Diabetes:
  • El modelo fine-tuneado en islotes primarios pudo inferir estados de pérdida de función de PDX1 y HNF4A, mostrando un aumento en la proporción de células con estas perturbaciones en donantes con prediabetes y diabetes tipo 2, alineándose con la biología conocida.
  • Capturó la heterogeneidad entre donantes y la transición entre subtipos de células beta (beta-1 vs beta-2).
• Pantallas Virtuales: Las pantallas in silico identificaron correctamente reguladores clave del desarrollo pancreático (como GATA6 y MAPK1) y genes esenciales, validados contra pantallas CRISPR experimentales publicadas.

5. Significado e Impacto

El trabajo establece a pertTF como un marco generalizable y biológicamente fundamentado para la predicción de efectos de perturbaciones genéticas.

• Aceleración de la Descubrimiento Biológico: Permite realizar "pantallas genéticas virtuales" a escala genómica, priorizando experimentos reales y reduciendo costos y tiempos.
• Puente hacia la Medicina de Precisión: Al funcionar en contextos fisiológicos relevantes (células primarias, modelos de enfermedad), el modelo cierra la brecha entre los datos de líneas celulares y la realidad biológica humana, facilitando la identificación de dianas terapéuticas en enfermedades complejas como la diabetes.
• Avance en IA para Biología: Demuestra que los modelos de transformadores, cuando se entrenan con datos de alta calidad, diversos y con objetivos de aprendizaje multi-tarea bien diseñados, pueden superar las limitaciones de generalización que han afectado a los modelos anteriores, acercándose al concepto de "células virtuales" para la generación de hipótesis.

En resumen, pertTF representa un paso significativo hacia modelos de IA contextuales que pueden predecir con precisión no solo la expresión génica, sino el destino celular y la dinámica poblacional ante perturbaciones genéticas, incluso en escenarios no observados previamente.