Self-supervised learning for a gene program-centric view of cell states

El artículo presenta Tripso, un modelo de aprendizaje profundo auto-supervisado que supera las limitaciones de las representaciones latentes únicas al aprender incrustaciones específicas de programas génicos, lo que permite descubrir patrones biológicos interpretables, validar hipótesis experimentales y generar nuevos conocimientos sobre la diferenciación celular y enfermedades como la dermatitis atópica.

Lo esencial

Imagina que el cuerpo humano es una ciudad inmensamente compleja, llena de millones de ciudadanos (las células). Cada ciudadano tiene una lista de tareas que debe hacer, pero en lugar de tener una sola lista, tienen docenas de "paquetes de trabajo" diferentes. A estos paquetes los llamamos Programas Génicos.

Por ejemplo, un paquete podría ser "Defensa contra virus", otro "Reparación de tejidos" y otro "Producción de energía".

Hasta ahora, los científicos tenían un problema: cuando miraban a una célula, intentaban resumir toda su vida en una sola nota o un solo número para entender qué estaba haciendo. Era como intentar describir una película entera con una sola palabra como "acción". Se perdía mucha información importante sobre qué escenas específicas estaban ocurriendo.

Aquí es donde entra Tripso, la nueva herramienta presentada en este artículo.

¿Qué es Tripso? (La analogía del traductor inteligente)

Piensa en Tripso como un traductor inteligente y muy detallado que no solo resume la película, sino que te dice exactamente qué escenas (programas) están ocurriendo y con qué intensidad.

1. El problema anterior: Antes, los ordenadores comprimían la información de una célula en un solo "resumen" (un punto en un mapa). Si una célula estaba haciendo dos cosas a la vez (por ejemplo, luchando contra un virus y creciendo), el resumen se volvía confuso.
2. La solución de Tripso: Tripso utiliza una tecnología llamada "Transformers" (la misma que usan las inteligencias artificiales avanzadas como los chatbots) para leer el ADN de la célula. En lugar de darte un solo resumen, Tripso te dice: "Esta célula tiene el programa 'Defensa' al 80% de actividad, el programa 'Crecimiento' al 20%, y el programa 'Descanso' al 0%".

Es como si, en lugar de decirte "el coche está en movimiento", Tripso te dijera: "El motor está al 80%, las ruedas giran rápido, pero los frenos están sueltos". ¡Eso es mucho más útil!

¿Qué descubrieron con Tripso? (Las tres grandes historias)

Los investigadores usaron Tripso para mirar tres situaciones diferentes y descubrieron cosas que antes eran invisibles:

1. La historia de la sangre: ¿Cómo envejecen nuestras células?

Imagina que la sangre es una fábrica que produce diferentes tipos de trabajadores (glóbulos rojos, blancos, etc.).

• El hallazgo: Tripso descubrió que las células de la sangre de los niños pequeños funcionan de manera muy diferente a las de los adultos.
• La analogía: Es como si la fábrica de sangre de un niño tuviera un "modo de construcción rápida" (necesario para crecer), mientras que la de un adulto tiene un "modo de mantenimiento y reparación". Tripso vio que en los niños, un programa específico llamado JAK-STAT (un equipo de supervisores) trabajaba mucho más fuerte, lo que ayuda a explicar por qué la sangre de los niños se regenera tan rápido.

2. La historia de las células madre en el laboratorio: ¿Cómo mantenerlas "jóvenes"?

Los científicos intentan cultivar células madre en laboratorios para curar enfermedades, pero a menudo estas células se "aburren" y se convierten en células comunes demasiado rápido.

• El hallazgo: Tripso comparó las células en el cuerpo humano (in vivo) con las del laboratorio (in vitro) y encontró un "botón de apagado" que estaba mal configurado en el laboratorio.
• La analogía: Imagina que las células madre son como plantas en un invernadero. Tripso notó que las plantas en el laboratorio estaban recibiendo demasiada "luz de crecimiento" (un proceso llamado translocación SEC61) y por eso dejaban de ser plantas madre y se convertían en hojas.
• El resultado: Los científicos probaron una medicina que "apagaba" ese botón (inhibiendo SEC61) y ¡funcionó! Lograron mantener las células madre "jóvenes" y útiles por más tiempo en el laboratorio.

3. La historia de la piel: ¿Por qué vuelve la dermatitis?

La dermatitis atópica (eczema) es una enfermedad de la piel que a veces vuelve incluso después de que parece haber desaparecido.

• El hallazgo: Tripso descubrió un "programa secreto" en ciertas células inmunitarias de la piel que se activa solo en la dermatitis.
• La analogía: Imagina que la piel es un barrio. Tripso encontró que las células de defensa (los guardias) no se escondían en todas partes, sino que se agrupaban específicamente alrededor de las glándulas sebáceas (como si fueran pequeños cuarteles secretos junto a las tiendas de grasa de la piel).
• La conclusión: Incluso cuando la piel parece sana, estos "cuarteles secretos" siguen ahí, listos para reactivar la inflamación. Esto explica por qué la enfermedad vuelve y sugiere que los tratamientos futuros deberían atacar a estos guardias en sus cuarteles específicos.

¿Por qué es importante esto para todos?

Antes, la ciencia de las células era como intentar entender una orquesta escuchando solo el volumen total del ruido. Tripso nos permite escuchar cada instrumento por separado.

• Es más preciso: No mezcla las cosas.
• Es más útil: Nos da ideas concretas para probar en el laboratorio (como el botón de SEC61).
• Es más humano: Nos ayuda a entender cómo funcionamos desde que somos bebés hasta que somos ancianos, y cómo curar enfermedades de la piel de forma más inteligente.

En resumen, Tripso es como una nueva lente de aumento para la biología que nos permite ver la "música" que tocan las células, en lugar de solo escuchar el ruido general, permitiéndonos componer mejores tratamientos para la salud humana.

Resumen técnico

Resumen Técnico: Tripso

1. El Problema

Las tecnologías de omicas de célula única (scRNA-seq) han permitido perfiles de expresión de decenas de miles de genes simultáneamente. Sin embargo, el análisis de estos datos de alta dimensión enfrenta desafíos significativos:

• Pérdida de estructura biológica: Los enfoques convencionales (como PCA o Autoencoders Variacionales - VAEs) y los modelos fundacionales recientes (basados en Transformers) suelen comprimir el estado celular en una única representación latente. Esto entrelaza múltiples fuentes de variación biológica, oscureciendo la estructura subyacente de los Programas Génicos (GP) (conjuntos coordinados de genes relacionados biológicamente, como vías de señalización o dianas de factores de transcripción).
• Limitaciones de la interpretabilidad: Representar un programa génico como un único escalar (puntuación) o una dimensión latente lineal limita la capacidad de capturar la heterogeneidad contextual y las relaciones no lineales entre genes.
• Dificultad en comparaciones complejas: Es difícil comparar sistemas in vivo e in vitro, o estados de enfermedad, cuando los modelos no separan explícitamente los programas biológicos específicos del estado global de la célula.

2. Metodología: Tripso

Los autores presentan Tripso (Transformers for learning Representations of Interpretable gene Programs in Single-cell transcriptOmics), un marco de aprendizaje auto-supervisado diseñado para representar el estado celular como una composición de incrustaciones (embeddings) específicas para cada programa génico.

Arquitectura del Modelo:
Tripso opera en tres niveles jerárquicos:

1. Codificador de Genes (Gene Encoder): Utiliza un mecanismo de auto-atención (Transformer) sobre los genes dentro de una célula individual para generar incrustaciones de genes contextualizadas. Se inicializa utilizando pesos preentrenados de Geneformer.
2. Bloques de Transformadores Específicos por Programa Génico (GP Transformers):
   • Se definen conjuntos de genes predefinidos (GP) basados en bases de datos biológicas (ej. CollecTRI, PROGENy).
   • Para cada GP, existe un bloque de Transformer independiente que recibe las incrustaciones de sus genes miembros.
   • Cada bloque aprende una incrustación latente específica para ese programa (representada por un token especial CLS), capturando la actividad no lineal y contextual del programa en esa célula.
   • Se entrena mediante un objetivo de modelado de lenguaje enmascarado (Masked Language Modeling) dentro de cada programa.
3. Representación Global de la Célula (Cell Representation):
   • Un bloque global integra las incrustaciones de todos los GPs mediante otro Transformer.
   • Se utiliza un decodificador entrenado con una pérdida de distribución Binomial Negativa para reconstruir las cuentas de expresión génica originales, asegurando que la representación global sea biológicamente significativa.

Descubrimiento de Nuevos Programas Génicos:
Además de usar GPs predefinidos, Tripso incluye un módulo de descubrimiento que opera sobre genes altamente variables (HVG) o conjuntos definidos por el usuario. Utiliza los patrones de atención del token CLS hacia los genes para:

• Identificar genes clave en estados celulares específicos.
• Agrupar genes con perfiles de atención similares para definir nuevos programas génicos basados en datos, sin necesidad de anotaciones previas.

Métricas de Análisis:

• Importancia de Genes: Calculada mediante la similitud del coseno entre la incrustación de un gen y el token CLS de su programa.
• Importancia de Programas: Cuantificada mediante ablación sistemática (ceroizar la incrustación de un GP y medir la desviación en la representación celular).
• Transporte Óptimo: Permite mapear poblaciones celulares entre condiciones (ej. in vivo vs. in vitro) en el espacio latente de los GPs.

3. Contribuciones Clave

• Representación Multidimensional: Reemplaza la compresión de un solo vector por múltiples incrustaciones específicas por programa, preservando la complejidad biológica.
• Agnosticismo de Etiquetas: Funciona en modo auto-supervisado, no requiriendo etiquetas de tipos celulares para aprender representaciones interpretables.
• Marco Unificado: Permite la comparación sistemática de estados celulares a través de tejidos, edades, enfermedades y condiciones experimentales (in vivo vs. in vitro) basándose en la actividad de programas específicos.
• Descubrimiento de Hipótesis: Facilita la generación de hipótesis biológicas accionables al identificar programas y genes específicos que impulsan diferencias fenotípicas.

4. Resultados Principales

A. Benchmarking y Validación:

• Tripso superó a métodos existentes (como Spectra y Expimap) en la discriminación de actividades de programas génicos en datos de perturbación (Perturb-seq) y atlas de endometrio.
• Logró una mejor separación de células estimuladas por citoquinas (TNFα, TGFβ) y una mayor capacidad para recuperar firmas génicas específicas de vías.

B. Hematopoyesis Humana (Desarrollo y Envejecimiento):

• Patrones Específicos de Edad: Identificó una mayor actividad del programa JAK-STAT en células hematopoyéticas pediátricas, vinculada a una expansión de progenitores mediada por interferón.
• Diferenciación B: Detectó un cambio en la actividad del programa IKZF1 durante la diferenciación de células B, revelando una transición de un estado de proliferación prenatal a uno de diversificación postnatal (enriquecimiento de genes de diversidad de BCR).
• Validación In Vitro vs. In Vivo: Al mapear células madre hematopoyéticas (HSC) cultivadas in vitro contra un referente in vivo, identificó que el programa PI3K era crucial para la identidad de las HSC.

C. Optimización de Cultivos de Células Madre (Validación Experimental):

• Basándose en el análisis de importancia génica dentro del programa PI3K, Tripso predijo que la inhibición del translocón SEC61 (componente del retículo endoplásmico) podría mejorar el mantenimiento de HSCs.
• Validación: La inhibición experimental de SEC61 en cultivos de sangre de cordón umbilical aumentó significativamente la frecuencia de HSCs fenotípicas (CD34+ CD45RA- CD90+ EPCR+), validando la predicción computacional.

D. Enfermedad de la Piel (Dermatitis Atópica y Psoriasis):

• Descubrimiento de Nuevos GPs: Identificó un programa génico no caracterizado previamente (GP23) asociado a células T de memoria residentes en tejido (TRM) en dermatitis atópica.
• Validación Espacial: Mediante transcriptómica espacial (Xenium) y proteómica, demostró que GP23 se localiza específicamente en nichos inflamatorios adyacentes a las glándulas sebáceas.
• Implicación Biológica: Sugiere que las células TRM en dermatitis atópica adoptan un estado metabólico adaptado a entornos ricos en lípidos (glándulas sebáceas), lo que podría explicar la persistencia de la enfermedad y las recaídas incluso después de la resolución clínica.

5. Significado e Impacto

El trabajo de Tripso representa un cambio de paradigma en el análisis de células únicas:

1. Interpretabilidad Accionable: Al anclar las representaciones celulares en programas biológicos significativos, el modelo genera hipótesis que son directamente traducibles a experimentos biológicos (como la inhibición de SEC61).
2. Modelos de Células Virtuales: Establece una base para el desarrollo de "células virtuales" interpretables, donde el estado de la célula se entiende como una combinación de programas activos en lugar de un vector opaco.
3. Escalabilidad y Generalización: La capacidad de descubrir programas de novo y compararlos a través de condiciones diversas (desarrollo, enfermedad, ingeniería de tejidos) ofrece una herramienta robusta para la medicina de precisión y el descubrimiento de fármacos.

En resumen, Tripso demuestra que moverse más allá de las incrustaciones celulares únicas hacia una visión centrada en programas génicos permite desentrañar la complejidad biológica con una resolución y relevancia clínica sin precedentes.