GOTFlow: Learning Directed Population Transitions from Cross-Sectional Biomedical Data with Optimal Transport

El artículo presenta GOTFlow, un marco general e interpretable que utiliza el transporte óptimo no balanceado en un espacio latente aprendido para inferir transiciones poblacionales dirigidas y sus drivers moleculares a partir de datos biomédicos transversales, superando las limitaciones de los métodos existentes en la modelización de dinámicas complejas y no lineales.

Lo esencial

🧠 ¿Qué es GOTFlow? (La "Máquina del Tiempo" para la Biología)

Imagina que eres un detective intentando reconstruir una historia, pero tienes un problema: solo tienes fotos de diferentes personas en diferentes momentos, pero no tienes un video que muestre cómo una persona se convierte en otra.

En la medicina y la biología, esto es un gran problema. Los científicos suelen tener datos "cortados" (cross-sectional):

• Tienen una foto de un paciente sano.
• Tienen una foto de un paciente con enfermedad leve.
• Tienen una foto de un paciente con enfermedad grave.

Pero no tienen los datos de ese mismo paciente evolucionando día a día. Es como tener fotos de un bebé, un niño y un anciano, pero no saber cómo creció el niño para llegar a ser el anciano.

GOTFlow es una nueva herramienta informática que actúa como un arquitecto de puentes invisibles. Su trabajo es conectar esas fotos estáticas y decirnos: "Si este grupo de células (o pacientes) se transforma en ese otro grupo, ¿cómo es ese viaje? ¿Qué cambios ocurren en el camino?"

---

🌉 La Analogía del "Mapa de Tráfico"

Para entender cómo funciona, imagina que las células o pacientes son coches en una ciudad gigante.

1. El Problema: Tenemos coches estacionados en diferentes barrios (Estados: "Sano", "Enfermo", "Recuperado"). No sabemos qué coche fue de dónde a dónde.
2. La Solución de GOTFlow:
   • El Mapa (Gráfico): Primero, el científico dibuja un mapa de las calles permitidas. Por ejemplo: "Sabemos que la gente pasa de 'Sano' a 'Enfermo', pero no de 'Enfermo' a 'Sano' de golpe". GOTFlow respeta estas reglas.
   • El Tráfico (Transporte Óptimo): GOTFlow calcula la forma más eficiente de mover a todos los coches del barrio "Sano" al barrio "Enfermo". No mueve a los coches uno por uno, sino que mueve grupos enteros.
   • El Flujo (Flujo de Población): Al ver cómo se mueven los coches, GOTFlow puede dibujar flechas rojas que muestran la dirección del tráfico. Esas flechas nos dicen: "¡Oye! Para ir de Sano a Enfermo, estos genes específicos tienen que acelerar, y esos otros tienen que frenar".

🎨 ¿Qué hace especial a GOTFlow?

La mayoría de los métodos antiguos intentaban adivinar el camino sin reglas, o asumiendo que el viaje es siempre una línea recta. GOTFlow es más inteligente porque:

• Es flexible: A veces, en la biología, la población crece (nacen más células) o disminuye (mueren). GOTFlow entiende que no todos los coches llegan a su destino; algunos desaparecen o aparecen de la nada. ¡Es como si el tráfico pudiera crear nuevos coches si es necesario!
• Aprende el idioma: Antes de mover a los coches, GOTFlow aprende un "idioma" nuevo (un espacio latente) donde las distancias tienen sentido biológico. Es como si tradujera el lenguaje complejo de los genes a un mapa simple donde la distancia entre "Sano" y "Enfermo" tenga sentido real.
• Te dice el "Por qué": No solo te muestra la flecha del movimiento, sino que te dice qué genes son los culpables. Es como si el sistema de tráfico te dijera: "El tráfico se movió así porque los conductores del gene X pisaron el acelerador".

---

🧪 ¿Dónde lo han probado? (Sus aventuras reales)

Los autores probaron su invento en tres casos muy diferentes:

1. El Útero (Endometrio):

   • La historia: El útero se prepara cada mes para un bebé. Si falla, puede causar abortos.
   • El hallazgo: GOTFlow vio que en las mujeres que tienen abortos, el "tráfico" de sus células es más lento y torpe. No logran prepararse a tiempo. La herramienta identificó exactamente qué genes fallaron en la preparación.

2. El Cáncer de Mama:

   • La historia: Los tumores tienen diferentes niveles de riesgo.
   • El hallazgo: GOTFlow conectó los tumores de bajo riesgo con los de alto riesgo. Descubrió que ciertos genes actúan como "aceleradores" que empujan al tumor hacia un estado más peligroso, mientras que otros actúan como frenos que se rompen.

3. La Enfermedad de las Vacas Locas (Priones):

   • La historia: Una enfermedad cerebral fatal en ratones.
   • El hallazgo: Observaron cómo el cerebro cambia desde que está sano hasta que está muy enfermo. GOTFlow detectó que, al principio, el cerebro parece tranquilo, pero luego hay una explosión de actividad en genes relacionados con la inflamación.

---

🏁 Conclusión: ¿Por qué es importante?

Imagina que tienes un rompecabezas de 1000 piezas, pero las piezas están mezcladas en una caja y no tienes la imagen de la caja.

• Los métodos antiguos intentaban adivinar el orden mirando solo las piezas sueltas.
• GOTFlow es como tener una caja de herramientas que te dice: "Si pones estas piezas juntas siguiendo estas reglas, la imagen que se forma es esta, y aquí están las piezas clave que cambiaron la historia".

En resumen: GOTFlow nos permite ver el movimiento y la historia en datos que parecen estáticos. Nos ayuda a entender no solo qué está mal en una enfermedad, sino cómo y por qué las células viajan desde la salud hacia la enfermedad, abriendo la puerta a tratamientos más inteligentes.

Resumen técnico

Resumen Técnico: GOTFlow

1. Planteamiento del Problema

Muchos procesos biológicos y clínicos son dinámicos (ej. progresión de enfermedades, remodelación tisular), pero la mayoría de los datos disponibles son transversales (cross-sectional). Esto significa que las muestras capturan poblaciones en estados discretos diferentes, en lugar de seguir a individuos a lo largo del tiempo.

• Limitaciones actuales: Los métodos existentes de inferencia de trayectorias y transporte óptimo (OT) suelen depender de espacios de características fijos, asumen progresiones lineales o requieren datos de series temporales transcriptómicas densas (como en datos de células individuales).
• El desafío: Existe una necesidad crítica de métodos flexibles que puedan inferir cambios poblacionales dirigidos a partir de datos transversales heterogéneos, manteniendo la interpretabilidad biológica y sin asumir una conservación estricta de la masa (es decir, permitiendo que las poblaciones crezcan o disminuyan entre estados).

2. Metodología: El Marco GOTFlow

GOTFlow es un marco de aprendizaje que combina aprendizaje de representaciones con Transporte Óptimo No Equilibrado (Unbalanced Optimal Transport - UOT) en un espacio latente aprendido.

• Formulación del Problema:

  • Se modelan las transiciones biológicas como flujos poblacionales entre estados definidos por un grafo dirigido especificado por el usuario ($G$). Este grafo define las transiciones admisibles (ej. estado temprano $\to$ tardío, control $\to$ tratamiento).
  • El objetivo es aprender una representación latente $\phi_\theta$ donde la geometría refleje la estructura de transición del grafo.

• Componentes Clave:

  1. Aprendizaje de Representación y Blanqueo (Whitening): Se utiliza un codificador paramétrico para mapear las observaciones a un espacio latente. Para evitar soluciones degeneradas (colapso de representaciones) y estabilizar la optimización, se aplica una transformación de blanqueo global a las embeddings antes de calcular el transporte.
  2. Transporte Óptimo No Equilibrado (UOT): A diferencia del OT clásico que conserva la masa, GOTFlow utiliza UOT. Esto permite crear o eliminar masa al moverse de un estado a otro, lo cual es crucial para modelar procesos biológicos donde hay proliferación, muerte celular o cambios en la composición de la población.
  3. Función de Pérdida (Objetivo de Entrenamiento):
     • Minimización de Energía OT: Busca embeddings que hagan eficientes las transiciones permitidas por el grafo.
     • Objetivo Contrastivo (InfoNCE): Compara la energía de una transición real (positiva) frente a transiciones negativas (improbables o no conectadas en el grafo) para asegurar una estructura de transición discriminativa.
     • La optimización es diferenciable y se realiza mediante iteraciones de Sinkhorn en GPU.

• Salidas e Interpretación:

  • Vectores de Deriva (Drift Vectors): Se calculan proyectando las muestras de origen sobre la población objetivo (barycentric projection) para cuantificar la dirección y magnitud del cambio.
  • Atribución a Nivel de Características: Se aplican los planes de transporte a las características originales (ej. expresión génica) para identificar los "conductores moleculares" (genes o proteínas) que impulsan la transición.

3. Contribuciones Clave

1. Aprendizaje de Representación con Restricciones de Grafo y UOT: Introducido como un marco generalizado para modelar transiciones entre poblaciones heterogéneas a partir de datos transversales, soportando análisis a nivel de cohorte (no solo células individuales) y cambios de masa no conservados.
2. Resúmenes Interpretativos de Dinámica Poblacional: Deriva vectores de deriva centróides y resúmenes de transporte a nivel de características, permitiendo cuantificar la magnitud del cambio y destacar los impulsores moleculares de la progresión.
3. Validación Rigurosa: Evaluación en datos sintéticos con estructuras de transición conocidas y aplicación en tres estudios biológicos reales, demostrando la recuperación de estructuras dirigidas y cambios moleculares significativos.

4. Resultados Experimentales

• Datos Sintéticos:

  • GOTFlow recuperó con éxito una trayectoria bifurcante y de fusión conocida.
  • Los vectores de deriva inferidos mostraron una alta concordancia con los desplazamientos reales (similitud coseno media de 0.720).
  • Los mapas de calor de deriva de características mostraron firmas de deriva coherentes a lo largo de las ramas.

• Aplicación 1: Remodelación Endometrial (Fase Luteal):

  • Contexto: Análisis de 664 biopsias endometriales (514 casos de aborto espontáneo vs. controles) para estudiar la maduración endometrial.
  • Hallazgos: GOTFlow identificó transiciones direccionales coherentes. Los pacientes con aborto espontáneo mostraron una magnitud de deriva significativamente menor, indicando una progresión más lenta o alterada hacia el estado decidualizado.
  • Mecanismos: Se identificaron genes específicos (ej. PLA2G2A/DIO2, IGFBP1) con cambios alterados en la deriva, asociados a la disfunción de la decidualización.

• Aplicación 2: Progresión de Riesgo en Cáncer de Mama (BRCA):

  • Contexto: Datos de ARN-seq de 1061 tumores del TCGA, discretizados en 5 estratos de riesgo de supervivencia.
  • Hallazgos: Se observó un flujo direccional coherente desde estados de bajo a alto riesgo.
  • Genes Implicados: Se identificaron genes con deriva creciente (ej. TCP1, GARS1) asociados a biología tumoral agresiva, y genes con deriva decreciente (ej. SUSD3, NXNL2) asociados a pronóstico favorable, validando la estratificación de riesgo.

• Aplicación 3: Enfermedad por Priones (Cerebro de Ratón):

  • Contexto: Datos transcriptómicos de ratones infectados con priones a lo largo de la incubación.
  • Hallazgos: La deriva aumentó a medida que avanzaba la neuropatología.
  • Mecanismos: Se detectaron firmas de deriva específicas de la infección en genes de neuroinflamación y activación glial (C1qa, Cd44, Gfap), demostrando la capacidad del modelo para capturar dinámicas de progresión neurodegenerativa.

5. Significado y Conclusión

GOTFlow representa un avance significativo en el análisis de datos biológicos transversales al permitir la modelización de dinámicas poblacionales dirigidas sin necesidad de datos longitudinales.

• Generalidad: A diferencia de los métodos de inferencia de trayectorias tradicionales (diseñados para células individuales), GOTFlow es aplicable a datos de cohortes y diversas modalidades (expresión génica, imágenes, etc.).
• Interpretabilidad: Proporciona no solo la estructura de la progresión, sino también una explicación molecular detallada de qué cambia y cómo.
• Impacto: Establece un marco unificado para estudiar la progresión de enfermedades, la respuesta al tratamiento y el desarrollo biológico, ofreciendo una herramienta para generar hipótesis sobre los mecanismos moleculares subyacentes a la transición entre estados patológicos y fisiológicos.

Limitaciones: El método depende de la discretización de estados definida por el usuario y las transiciones asumidas en el grafo. Además, las relaciones identificadas son observacionales y requieren validación experimental para confirmar causalidad.