The projection basis determines the information ceiling for perturbation prediction

Resumen Técnico: La base de la proyección determina el techo de información para la predicción de perturbaciones

Planteamiento del problema
Benchmarks recientes indican que los modelos de aprendizaje profundo para la predicción de perturbaciones en células individuales (p. ej., GEARS, CPA, scGen) a menudo no logran superar a los modelos lineales simples que operan en el espacio del Análisis de Componentes Principales (PCA). Mientras que trabajos previos han atribuido esto a una capacidad insuficiente del modelo o a la falta de un sesgo inductivo apropiado, este artículo postula que la limitación principal no reside en la arquitectura del modelo, sino en la base de la proyección misma. Los autores argumentan que cualquier método que reduzca la expresión génica a un sistema de coordenadas de baja dimensión fijo antes de la predicción, hace pasar la señal a través de un cuello de botella lineal, creando un techo de información teórica que ninguna complejidad de modelo posterior puede superar.

Metodología y marco de trabajo
El estudio emplea un marco de Red de Potencial de Waddington (WPN), inspirado en el paisaje epigenético de Waddington, para aislar los efectos de la base de la proyección. En este marco, la velocidad celular se parametriza como el gradiente de un potencial escalar aprendido ($v = -\nabla U$). El modelo proyecta la expresión génica sobre una base $\Phi$ de $k$ dimensiones, aprende un potencial sobre estas coordenadas y deriva la velocidad mediante diferenciación automática. Crucialmente, los autores mantienen constantes todos los hiperparámetros y arquitecturas, variando únicamente la base de la proyección para asegurar que las diferencias de rendimiento observadas sean atribuibles únicamente a la elección de la base.

La contribución teórica central es un límite de proyección derivado de la teoría de la información:
$$r^2 \leq VE(\Phi) := \frac{\text{Var}(\Phi\Phi^\top \delta)}{\text{Var}(\delta)}$$
donde $r^2$ es la correlación al cuadrado entre la predicción y la verdad, y $VE(\Phi)$ es la fracción de la varianza relevante para la tarea (el delta de respuesta a fármacos $\delta$) explicada por la base. Este límite establece que si una base descarta la señal (bajo $VE$), ningún modelo puede recuperarla. Los autores distinguen entre Disponibilidad de Información (la varianza preservada por la base, $VE$) y Explotación de Información (qué tan bien un modelo utiliza la señal disponible, $r^2/VE$).

Diseño experimental
Los autores validan este marco a través de tres pruebas complementarias en múltiples conjuntos de datos (sciPlex3, LINCS L1000 y Norman et al. 2019 CRISPRa) y líneas celulares (K562, A549, MCF7):

1. Prueba 1 (Perturbaciones químicas): Evalúa si una base de baja varianza (la eigenbase de una red de asociación de genes) puede soportar una predicción por encima del azar en comparación con PCA.
2. Prueba 2 (Recuperación espectral): Prueba si expandir la base para incluir modos de alta frecuencia (mediante wavelets de grafos) en la misma topología de red recupera la señal faltante.
3. Prueba 3 (Perturbaciones genéticas): Investiga si el ranking se invierte para las perturbaciones genéticas de CRISPRa, donde las respuestas pueden alinearse con la geometría de la red en lugar de ser espectralmente difusas.

Los controles mecánicos incluyen permutaciones de redes que preservan el grado, redes sintéticas de verdad fundamental (ground-truth) y PCA ajustado únicamente en células de control no tratadas para descartar circularidad y artefactos de distribución de grado.

Resultados clave

• Perturbaciones químicas (SciPlex3 y LINCS L1000):

  • La eigenbase de una red compuesta de asociación de genes (GRN) explica solo un 10–12% de la varianza de la respuesta a fármacos, mientras que PCA explica el 90–99%.
  • Los modelos que utilizan la eigenbase de la GRN operan en o por debajo de los niveles del azar ($r \approx 0$), mientras que los modelos basados en PCA logran una precisión significativa.
  • Este fallo se atribuye a la difusión espectral de las respuestas a fármacos: las perturbaciones químicas actúan como "ruido de impulso" que afecta a objetivos dispersos y escasos, generando señales de alta frecuencia en el grafo que la eigenbase de la red (que actúa como un filtro de paso bajo) descarta.
  • Rescate por Wavelets: Cuando se utiliza la misma topología de red con wavelets de grafos (de paso de banda o difusión) que acceden al espectro completo, la varianza explicada aumenta a aproximadamente 88%, y el rendimiento de la predicción se recupera para igualar a PCA. Esto confirma que el fallo fue una limitación del rango espectral, no un fallo de la topología.

• Perturbaciones genéticas (CRISPRa):

  • El ranking se invierte para las activaciones de un solo gen en CRISPRa. Aquí, la eigenbase de la GRN (que explica ~19% de la varianza) supera a PCA en modelos parametrizados (WPN y MLP), a pesar de que PCA explica el 100% de la varianza.
  • Esto sugiere que las perturbaciones genéticas se propagan a lo largo de cascadas regulatorias, alineándose con los modos de baja frecuencia y coherentes de las vías (pathways) capturados por la base de la red. La geometría de la red actúa como un sesgo inductivo informativo que los modelos parametrizados pueden explotar, incluso con una menor cobertura de varianza.

• Independencia de la arquitectura:

  • La brecha de rendimiento es consistente a través de las arquitecturas, incluyendo el WPN, MLPs residuales simples y autoencoders variacionales. Incluso un predictor de media de cero parámetros sigue el límite $r^2 \leq VE$, confirmando que el techo es establecido por la proyección, no por el modelo.

Significado y afirmaciones
El artículo afirma resolver la paradoja de por qué las bases de red motivadas biológicamente suelen tener un rendimiento inferior a las líneas base de PCA en tareas de perturbación de fármacos. Los autores aseveran que:

1. La elección de la base es el cuello de botella primario: Para métodos con cuellos de botella lineales fijos, la base de la proyección establece un techo de información duro ($VE$) que dicta la máxima precisión alcanzable.
2. Dependencia de la modalidad: La base óptima depende de la modalidad de la perturbación. PCA captura la varianza que impulsa las respuestas químicas (espectralmente difusas), mientras que las bases de red capturan la estructura de cascada que impulsa las respuestas genéticas (espectralmente coherentes).
3. La cobertura espectral es crítica: Las eigenbases de red estándar actúan como filtros de paso bajo que descartan las señales de fármacos de alta frecuencia. Métodos como las wavelets de grafos, que abarcan el espectro completo del grafo, pueden recuperar la estructura biológica sin sacrificar la cobertura de la varianza.
4. Replanteamiento de los benchmarks: Los autores proponen que los futuros benchmarks deben reportar la Varianza Explicada (VE) de la representación interna de un método sobre la variación relevante para la tarea, separando la "disponibilidad" (calidad de la base) de la "explotación" (capacidad del modelo). Sugieren que la falta de mejora de los modelos de genes completos (como GEARS) sobre las líneas base de PCA puede deberse a límites de explotación en los tamaños de muestra actuales, más que a límites de disponibilidad.

El trabajo concluye que la selección de la base es una decisión de diseño dependiente de la modalidad con un límite demostrable, y que las wavelets de grafos ofrecen un camino concreto para incorporar la estructura biológica sin el sacrificio de varianza inherente a las eigenbases de paso bajo estándar.