PACMON: Pathway-guided Multi-Omics data integration for interpreting large-scale perturbation screens

El artículo presenta PACMON, un modelo bayesiano escalable e interpretable que integra datos multi-ómicos de grandes pantallas de perturbación para inferir programas de vías biológicas y cuantificar cómo las perturbaciones los modulan, demostrando su eficacia en datos sintéticos, experimentos de células de melanoma y el atlas de perturbaciones Tahoe-100M.

Lo esencial

Imagina que tienes un laboratorio gigante lleno de millones de células vivas. Ahora, imagina que puedes hacerles "cosquillas" o "empujones" (perturbaciones) a estas células: les quitas un gen, les das una medicina o cambias su entorno. El objetivo es ver cómo reaccionan.

El problema es que cuando miras los resultados, obtienes una montaña de datos caótica: miles de genes que suben, miles que bajan, y es casi imposible entender qué está pasando realmente. Es como intentar entender una sinfonía escuchando a cada instrumento por separado, sin saber cómo encajan en la música completa.

Aquí es donde entra PACMON, la herramienta que presenta este artículo.

¿Qué es PACMON? (La analogía del Director de Orquesta)

Piensa en PACMON como un director de orquesta inteligente que acaba de llegar a tu laboratorio.

1. El Caos de los Datos (La Orquesta Desordenada):
   Antes, los científicos miraban cada gen por separado. Era como si cada músico de la orquesta tocara una nota al azar y tú trataras de entender la canción. Además, a veces mirabas solo los violines (ARN) y a veces solo los trompetas (proteínas), perdiendo la visión completa.

2. Los "Grupos" o "Programas" (Las Secciones de la Orquesta):
   PACMON sabe que la biología no funciona nota por nota, sino por grupos. Los genes no actúan solos; trabajan en equipos llamados vías biológicas (como el "equipo de defensa", el "equipo de reparación" o el "equipo de crecimiento").
   PACMON agrupa automáticamente a los músicos que tocan juntos. En lugar de decirte "el gen X subió", te dice: "¡Oye, toda la sección de cuerdas (la vía de defensa) se ha puesto muy intensa!".

3. El Mapa del Tesoro (Conocimiento Previo):
   Lo genial de PACMON es que no empieza de cero. Lleva consigo un mapa del tesoro (bases de datos biológicas conocidas). Sabe que ciertos genes deberían trabajar juntos.

   • La analogía: Imagina que el director de orquesta tiene una partitura antigua. Si ve que los violines tocan una melodía que encaja con la sección de "defensa", los agrupa ahí. Pero si los violines tocan algo nuevo y sorprendente que no estaba en la partitura, PACMON es lo suficientemente inteligente para decir: "¡Espera! Estos violines están haciendo algo nuevo, añadámoslo a la sección". ¡Puede mejorar el mapa!

4. Conectando la Causa con el Efecto (El Empujón):
   PACMON no solo agrupa a los genes; también te dice qué empujón causó el cambio.

   • Si le das un golpe a la célula (una droga), PACMON te dice: "Este golpe apagó el equipo de crecimiento, pero encendió el equipo de pánico".
   • Hace esto de forma tan rápida que puede manejar 100 millones de células (¡es como leer todo el contenido de una biblioteca entera en una tarde!).

¿Por qué es tan importante? (El viaje de los tres niveles)

Los autores probaron PACMON en tres escenarios, como si fuera un videojuego subiendo de nivel:

• Nivel 1: El Simulador (Datos falsos pero perfectos).
  Crearon un mundo imaginario donde sabían exactamente la respuesta correcta. PACMON adivinó la respuesta casi perfectamente, mucho mejor que los métodos antiguos. Fue como si un estudiante resolviera un examen de matemáticas perfecto mientras sus compañeros se confundían.

• Nivel 2: El Laboratorio Real (Células de melanoma).
  Usaron células de cáncer de piel reales. PACMON descubrió que cuando atacaban ciertas partes del sistema inmune, las células reaccionaban apagando sus "escudos" (proteínas de la superficie) y encendiendo alarmas. Lo increíble es que lo vio tanto en el "libro de instrucciones" (ARN) como en las "herramientas físicas" (proteínas) al mismo tiempo.

• Nivel 3: La Bestia Gigante (Tahoe-100M).
  Este es el nivel final. Analizaron un atlas con 100 millones de células y más de 1,000 combinaciones de drogas. Ningún otro método podía manejar tanto volumen sin explotar. PACMON logró ver patrones claros: qué drogas apagaban el crecimiento del cáncer y cuáles activaban la muerte celular, todo organizado por "equipos" biológicos.

En resumen

PACMON es una herramienta que toma el ruido ensordecedor de millones de experimentos biológicos y lo convierte en una historia clara y organizada.

• Antes: "Aquí hay 5,000 genes que cambiaron. ¡Qué confusión!"
• Con PACMON: "La droga X apagó el equipo de reparación y encendió el equipo de pánico en las células. Además, descubrimos que un gen que no sabíamos que era importante también está ayudando al equipo de pánico."

Es como tener unas gafas mágicas que te permiten ver no solo las piezas sueltas del rompecabezas, sino la imagen completa y cómo cada pieza encaja, incluso cuando tienes un rompecabezas de un millón de piezas. Esto ayuda a los científicos a entender mejor las enfermedades y a diseñar medicamentos más efectivos.

Resumen técnico

Resumen Técnico: PACMON

Título: Pathway-guided Multi-Omics data integration for interpreting large-scale perturbation screens (Integración de datos multi-ómicos guiada por vías para interpretar pantallas de perturbación a gran escala).

1. El Problema

Las pantallas de perturbación de alto rendimiento (como CRISPR-Perturb-seq) acopladas a perfiles moleculares de células individuales permiten interrogar sistemáticamente la función génica. Sin embargo, interpretar estos datos masivos en términos de vías biológicas sigue siendo un desafío debido a:

• Falta de interpretabilidad: Los métodos existentes (como FR-Perturb o GSFA) identifican módulos génicos latentes, pero a menudo requieren anotaciones post-hoc complejas para vincularlos con vías biológicas conocidas.
• Limitación en datos multimodales: La mayoría de las herramientas se restringen a datos transcriptómicos y no integran naturalmente otras modalidades (ej. proteínas de superficie).
• Escalabilidad computacional: Los enfoques basados en inferencia MCMC (como GSFA) son computacionalmente costosos y no escalan a conjuntos de datos de "atlas" (millones de células).
• Ruido y dispersión: El análisis a nivel de genes individuales ignora la naturaleza modular de las respuestas celulares y sufre de baja potencia estadística en datos de células individuales.

2. Metodología: PACMON

PACMON (Pathway-guided Multi-Omics data integration for interpreting large-scale perturbation screens) es un modelo de factores latentes bayesiano diseñado para inferir asociaciones entre vías y perturbaciones.

• Modelo Generativo:

  • Descompone mediciones moleculares multimodales (ej. ARN y proteínas) en un conjunto compartido de factores latentes que representan programas génicos a nivel de vía.
  • Modela estos factores latentes como funciones lineales de las perturbaciones experimentales mediante una matriz de coeficientes (perturbación $\to$ factor).
  • Utiliza inferencia variacional estocástica para garantizar la escalabilidad.

• Incorporación de Conocimiento Previo (Sparsity Estructurada):

  • Utiliza un prior de herradura regularizado (regularised horseshoe prior) sobre las matrices de carga (loadings).
  • Integra anotaciones de bases de datos biológicas (Hallmark, Reactome, GO) como un prior estructurado: los genes dentro de una vía anotada tienen una restricción de esparsidad menor, mientras que los genes fuera de ella se penalizan fuertemente (a menos que los datos apoyen fuertemente su inclusión).
  • Esto permite que los factores latentes se alineen directamente con vías biológicas conocidas, pero también permite la refinación de vías descubriendo genes relevantes no anotados previamente.

• No Negatividad:

  • Aplica una transformación ReLU a las puntuaciones de los factores y las cargas para asegurar que los programas biológicos se interpreten como contribuciones aditivas no negativas.

• Evaluación de Significancia:

  • Utiliza la Tasa Local Falsa de Signo Variacional (vLFSR) combinada con un criterio de Equivalencia Práctica de la Región (ROPE) para determinar la significancia estadística de las asociaciones perturbación-vía y los efectos diferenciales, corrigiendo la subestimación de la incertidumbre típica de la inferencia variacional.

3. Contribuciones Clave

1. Integración Multimodal Nativa: Es el primer modelo de factores latentes consciente de perturbaciones capaz de integrar múltiples capas ómicas (transcriptoma y proteoma) en un solo marco generativo.
2. Interpretabilidad por Diseño: Al vincular directamente los factores latentes con vías biológicas mediante priores estructurados, elimina la necesidad de anotaciones post-hoc complejas.
3. Escalabilidad sin Precedentes: Gracias a la inferencia variacional, PACMON puede procesar conjuntos de datos de ~100 millones de células (Tahoe-100M), superando por órdenes de magnitud la capacidad de métodos anteriores como GSFA.
4. Refinamiento de Vías: No solo recupera vías conocidas, sino que identifica genes adicionales respaldados por los datos que extienden y refinan las definiciones de las vías biológicas.

4. Resultados Principales

El método se evaluó en tres escenarios de complejidad creciente:

• A. Datos Sintéticos (Validación de Ground Truth):

  • PACMON recuperó casi perfectamente la estructura de vías y los efectos de las perturbaciones (AUPR $\approx$ 0.99 y 0.94 respectivamente), superando significativamente a GSFA.
  • Demostró una escalabilidad superior: procesó 100,000 muestras en ~1.7 horas, mientras que GSFA requirió ~20.5 horas.
  • Logró una recuperación superior de genes diferencialmente expresados en comparación con herramientas estándar (DESeq2, MAST, etc.).

• B. Pantalla Multimodal Perturb-CITE-seq (Melanoma):

  • Aplicado a >150,000 células con perturbaciones CRISPR.
  • Recuperó programas biológicos coherentes de señalización de interferón y ciclo celular que abarcaban tanto ARN como proteínas de superficie.
  • Identificó correctamente que la disrupción de la cascada IFN$\gamma$-JAK/STAT suprime la actividad de las vías de interferón, y que la co-cultura con células T induce una señalización de interferón más amplia.
  • Detectó asociaciones interpretables entre perturbaciones y vías, como la supresión de PD-L1 (CD274) al perturbar STAT1.

• C. Atlas de Perturbación Tahoe-100M (Escala Masiva):

  • Analizó ~100 millones de células con más de 1,000 combinaciones de fármaco-dosis.
  • Generó el primer análisis de factores latentes a nivel de vía a esta escala.
  • Reveló paisajes de respuesta a fármacos coherentes: los inhibidores de JAK/STAT suprimieron vías de interferón, mientras que los inhibidores de mTOR afectaron vías de crecimiento.
  • Mostró heterogeneidad en las respuestas dependientes de la dosis y refinó firmas de vías de Hallmark con genes respaldados por los datos.

5. Significancia e Impacto

PACMON representa un avance fundamental en la biología computacional de alto rendimiento al proporcionar un marco unificado, escalable e interpretable para mapear los efectos de las perturbaciones sobre programas biológicos coordinados.

• Cambio de Paradigma: Pasa del análisis de genes individuales a la interpretación de programas de vías, alineándose mejor con la modularidad de los sistemas biológicos.
• Habilitador de Atlas: Hace posible el análisis de "atlas" de perturbación a escala masiva (cientos de millones de células), algo que antes era computacionalmente prohibitivo.
• Descubrimiento Biológico: Facilita la identificación de mecanismos de resistencia a fármacos, vías de evasión inmune y respuestas celulares a drogas, proporcionando una herramienta crucial para la farmacología de precisión y la biología funcional.

En resumen, PACMON cierra la brecha entre la generación masiva de datos de perturbación de células individuales y la interpretación biológica significativa, permitiendo a los investigadores entender no solo qué genes cambian, sino qué programas biológicos son modulados por intervenciones genéticas o químicas.