Predicting Unseen Gene Perturbation Response Using Graph Neural Networks with Biological Priors

El artículo presenta PerturbGraph, un marco de aprendizaje gráfico que integra redes de interacción biológica y anotaciones funcionales para predecir con mayor precisión las respuestas transcripcionales de perturbaciones genéticas no observadas, superando a los modelos de aprendizaje automático existentes.

Lo esencial

Imagina que el interior de una célula es como una ciudad gigante y bulliciosa. En esta ciudad, cada gen es un edificio (una fábrica, una escuela, un hospital) y las proteínas son los trabajadores que se mueven entre ellos.

A veces, los científicos quieren saber qué pasa en toda la ciudad si "apagan" o "modifican" un solo edificio (esto se llama perturbación genética). Por ejemplo: "¿Qué pasa si cerramos la fábrica de insulina? ¿Se detiene el tráfico? ¿Se apagan las luces de los hospitales?".

El problema es que esta ciudad tiene miles de edificios. Probar qué pasa al cerrar cada uno de ellos uno por uno sería demasiado caro, lento y, a veces, imposible. Es como intentar probar todas las combinaciones de interruptores de luz en un rascacielos gigante; tardarías años.

Aquí es donde entra PerturbGraph, el nuevo "oráculo" creado por los autores de este artículo.

¿Qué es PerturbGraph? (El Analista de la Ciudad)

Imagina que PerturbGraph no es un científico que hace experimentos físicos, sino un super-inteligente detective que tiene dos herramientas mágicas:

1. Un Mapa de la Ciudad (La Red de Interacciones): Sabe exactamente qué edificios están conectados entre sí. Si la fábrica A habla con la fábrica B, y la B con la C, el detective lo sabe.
2. Un Libro de Reglas Biológicas (Priors Biológicos): Conoce la historia de cada edificio, qué hace, y cómo se comporta normalmente.

¿Cómo funciona? (La Analogía del Efecto Dominó)

El detective usa un truco genial llamado Redes Neuronales Gráficas. Piénsalo así:

• El Problema: Queremos saber qué pasa si cerramos el edificio "X", pero nunca hemos cerrado "X" antes.
• La Solución: El detective mira a los vecinos de "X". Si sabe que al cerrar el edificio "Y" (que está muy conectado a "X") se produce un caos en el tráfico, y sabe que "X" y "Y" son mejores amigos en el mapa de la ciudad, puede adivinar que al cerrar "X" pasará algo muy similar.

El detective no adivina al azar. Él "propaga" la información a través de las conexiones. Si un edificio cambia su comportamiento, esa onda de cambio viaja por las calles (las redes de proteínas) hasta llegar a los edificios que nunca hemos tocado.

¿Por qué es mejor que los anteriores?

Antes, los científicos usaban dos tipos de métodos:

1. Los "Contadores" (Modelos Clásicos): Miraban solo los datos de un edificio aislado y trataban de hacer matemáticas simples. A menudo fallaban porque ignoraban que los edificios están conectados.
2. Los "Simuladores" (IA Avanzada como scGen): Intentaban aprender patrones generales, pero a veces se perdían en el ruido y no entendían bien la estructura de la ciudad.

PerturbGraph es como un arquitecto experto que combina ambas cosas:

• Mira los datos de los edificios que ya conocemos.
• Usa el mapa de conexiones para entender cómo se transmite el "caos" o el "cambio" de un lugar a otro.
• Incorpora el "sentido común" biológico (sabe que ciertos edificios siempre trabajan juntos).

Los Resultados (La Magia de la Predicción)

En sus pruebas, PerturbGraph fue un campeón:

• Precisión: Logró predecir lo que pasaría en edificios nunca antes probados con una precisión mucho mayor que sus rivales (mejoró hasta un 6% en similitud con la realidad).
• Recuperación de detalles: No solo dijo "la ciudad se detiene", sino que acertó exactamente qué luces se apagarían y cuáles se encenderían (los genes que suben o bajan su actividad).
• Robustez: Funcionó bien incluso cuando la información era escasa, gracias a que confía en las conexiones de la red.

En resumen

Imagina que tienes un rompecabezas gigante de la célula, pero te faltan muchas piezas. En lugar de intentar adivinar al azar, PerturbGraph mira las piezas que ya tienes, entiende cómo encajan entre sí (las conexiones biológicas) y te dibuja las piezas que faltan con una precisión sorprendente.

Esto es revolucionario porque permite a los científicos simular millones de experimentos virtuales en una computadora antes de gastar dinero en laboratorios reales, acelerando el descubrimiento de nuevas medicinas y la comprensión de enfermedades.

En una frase: PerturbGraph es como tener un mapa de la ciudad biológica tan detallado que, si te dicen "apaga este faro", puede predecir exactamente qué calles se quedarán a oscuras, incluso si nunca has apagado ese faro antes.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo "Predicting Unseen Gene Perturbation Response Using Graph Neural Networks with Biological Priors" (Predicción de la respuesta a perturbaciones génicas no vistas utilizando Redes Neuronales de Grafos con Priors Biológicos), presentado en ECCB 2026.

1. Planteamiento del Problema

La predicción de las respuestas transcripcionales a perturbaciones genéticas es un desafío central en la genómica funcional. Aunque experimentos como CRISPR Perturb-seq permiten medir cambios en la expresión génica inducidos por perturbaciones dirigidas, es inviable experimentalmente probar todas las posibles combinaciones de perturbaciones debido a costos, limitaciones experimentales y efectos específicos del contexto.

Existe una necesidad crítica de modelos computacionales capaces de inferir respuestas para perturbaciones no vistas (genes que no fueron perturbados durante el entrenamiento). Los métodos actuales, como scGen o CPA, a menudo se centran en perfiles de expresión a nivel celular o no aprovechan completamente las relaciones moleculares complejas (como interacciones proteína-proteína) para generalizar a genes no observados.

2. Metodología: PerturbGraph

El autores proponen PerturbGraph, un marco de aprendizaje basado en grafos informado biológicamente. La metodología se estructura en los siguientes pasos:

• Formulación del Problema:

  • Se define un grafo de interacción biológica $G=(V, E)$ donde los nodos son genes y las aristas representan relaciones funcionales derivadas de bases de datos como STRING (interacciones proteína-proteína).
  • Para cada gen perturbado, se construye una "firma de perturbación" ($\Delta_i$) calculando el desplazamiento en la expresión media entre células perturbadas y células de control.
  • Estas firmas de alta dimensión se proyectan en un espacio latente de baja dimensión utilizando Descomposición en Valores Singulares Truncada (SVD) para capturar programas transcripcionales estables y reducir el ruido.

• Representación de Nodos (Priors Biológicos):
  Cada gen se representa mediante un vector de características enriquecido que integra cuatro fuentes de conocimiento:

  1. Estructura de la red: Embeddings obtenidos mediante Node2Vec sobre la red de interacciones.
  2. Estadísticas de expresión basal: Características transcripcionales de las células de control.
  3. Anotaciones funcionales: Incrustaciones de Gene Ontology (GO).
  4. Topología de la red: Estadísticas locales de la red de interacciones.

• Arquitectura del Modelo:

  • Se utiliza una Red Neuronal de Grafos (GCN - Graph Convolutional Network).
  • La GCN propaga información a través del grafo de interacción mediante mecanismos de "paso de mensajes" (message passing). Esto permite que la información de las perturbaciones observadas en genes vecinos se difunda para inferir los programas de perturbación de genes no vistos.
  • El modelo aprende a mapear las representaciones de los nodos a programas latentes, de los cuales se reconstruye el desplazamiento transcripcional predicho ($\hat{\Delta}_i$).

• Evaluación:

  • Se utiliza un escenario estricto de perturbación no vista: los genes de prueba nunca aparecen en el conjunto de entrenamiento.
  • Se evalúa en dos conjuntos de datos grandes: Replogle (escala genómica en células K562) y Norman (perturbaciones individuales en K562).

3. Contribuciones Clave

1. Marco PerturbGraph: Un nuevo enfoque basado en grafos para predecir respuestas transcripcionales a genes no perturbados, aprendiendo programas de perturbación estables a partir de datos de células individuales.
2. Representación Enriquecida: Introducción de una representación de genes que fusiona la estructura de la red de interacciones, embeddings de grafos, estadísticas transcripcionales y anotaciones funcionales (GO).
3. Propagación de Información: Demostración de que propagar información de perturbación a través de redes de interacción biológica mejora significativamente la generalización en comparación con modelos que solo usan características de nodos.
4. Benchmarks Exhaustivos: Una evaluación comparativa unificada contra modelos lineales, no lineales (Random Forest, MLP), modelos específicos de perturbación (scGen, CPA) y otras arquitecturas de grafos (GraphSAGE, GAT).

4. Resultados Principales

El modelo fue evaluado utilizando métricas de similitud global, correlación de rango y recuperación de genes diferencialmente expresados (DE).

• Rendimiento Superior: PerturbGraph superó consistentemente a todos los modelos base.
  • En el conjunto de datos Replogle, logró una similitud de coseno de 0.592 y una correlación de Spearman de 0.340. Esto representa una mejora de aproximadamente 6% sobre el mejor modelo basado solo en características (Random Forest) y más del 20% sobre modelos lineales.
  • En el conjunto de datos Norman (generalización a genes no vistos), alcanzó una similitud de coseno de 0.940 y una correlación de Spearman de 0.815, superando a los modelos de deep learning especializados como scGen y CPA.
• Impacto de la Estructura del Grafo: Los modelos basados en grafos (GCN, GraphSAGE, GAT) superaron a los modelos sin grafos. Entre ellos, la GCN fue la arquitectura más efectiva, superando a GraphSAGE y GAT, lo que sugiere que la convolución normalizada propaga mejor los efectos transcripcionales distribuidos.
• Contribución de los Priors Biológicos: La ablación mostró que la combinación de topología del grafo, estadísticas biológicas y embeddings de GO produce el mejor rendimiento. Los embeddings de GO aportaron la mayor ganancia individual, destacando la importancia de las relaciones funcionales.
• Recuperación Biológica: El modelo no solo predijo valores numéricos, sino que recuperó con precisión genes diferencialmente expresados y vías biológicas coherentes (ej. traducción, procesamiento de ARNr para RPL23), validando su interpretabilidad biológica.

5. Significado e Impacto

El trabajo demuestra que integrar redes de interacción biológica con el aprendizaje de representaciones gráficas proporciona un sesgo inductivo fuerte para modelar respuestas transcripcionales a perturbaciones genéticas.

• Descubrimiento Funcional: Permite realizar cribados in silico de perturbaciones candidatas, guiando el diseño experimental y acelerando la identificación de mecanismos de enfermedades y dianas terapéuticas.
• Generalización: A diferencia de métodos anteriores que luchan con genes totalmente nuevos, PerturbGraph utiliza el contexto de la red para inferir respuestas, superando la limitación de la necesidad de datos experimentales para cada gen.
• Limitaciones y Futuro: El enfoque actual se centra en programas a nivel de perturbación (pseudo-bulk) y no modela completamente la heterogeneidad a nivel de célula individual. Futuras direcciones incluyen integrar redes regulatorias específicas de tipo celular y modelos generativos de células individuales.

En resumen, PerturbGraph establece un nuevo estado del arte en la predicción de efectos genéticos no observados, validando que la estructura de las redes biológicas es un componente esencial para la generalización en genómica funcional.