CAPRA predicts single-cell transcriptional responses to genetic perturbations with response anchoring and residual correction

Resumen Técnico: CAPRA – Arquitectura de Residuos de Perturbación Anclada al Control

Planteamiento del Problema
Los cribados de perturbaciones de célula única (p. ej., Perturb-seq, CROP-seq) mapean intervenciones genéticas en estados celulares, pero la cobertura experimental sigue siendo dispersa debido a las limitaciones de coste y rendimiento. Esto es particularmente agudo para las perturbaciones combinatorias (multigénicas), donde el espacio de búsqueda crece exponencialmente. Aunque existen métodos computacionales para extrapolar respuestas, estos enfrentan dos limitaciones primarias:

1. Opacidad de la Evidencia: Los predictores existentes (que utilizan representaciones latentes, grafos de genes o modelos fundacionales) a menudo absorben la evidencia específica de la respuesta que sustenta una predicción dentro de las representaciones latentes del modelo. Esto dificulta distinguir las predicciones fundamentadas en efectos de un solo gen medidos de aquellas impulsadas principalmente por la extrapolación o la similitud semántica.
2. Colapso de la Varianza en el Análisis Downstream: Cuando las células predichas se pasan a flujos de trabajo estándar de célula única (p. ej., Scanpy) para la identificación de Expresión Diferencial de Genes (DEG), la variabilidad de las células predichas suele colapsar. Esto provoca estadísticas de prueba infladas para cambios medios pequeños, lo que causa que la recuperación de genes afectados falle incluso cuando el ranking de la respuesta media retiene la señal.

Metodología: Arquitectura CAPRA
Los autores presentan CAPRA (Arquitectura de Residuos de Perturbación Anclada al Control), un modelo anclado a la respuesta diseñado para hacer explícita la evidencia de la respuesta y preservar la variabilidad para el análisis posterior. La arquitectura opera en tres etapas:

1. Construcción del Ancla de Respuesta:

   • Para una perturbación dada, CAPRA muestrea un estado de control ($\mu_{control}$) para definir la línea base.
   • Construye un ancla de respuesta ($\Delta_{anchor}$) en el espacio de expresión que representa el efecto de perturbación esperado.
   • Soporte Exacto: Si el gen de la perturbación tiene un efecto de un solo gen observado en el banco de entrenamiento, se utiliza ese efecto exacto.
   • Soporte Recuperado: Si no existe un efecto exacto, CAPRA recupera una respuesta de un solo gen de un vecino más cercano en el espacio de incrustación (embedding) de GenePT (usando K-vecinos más cercanos basados en vectores GenePT).
   • Para perturbaciones de doble gen, los anclajes a nivel de ranura (slot-level) se suman ($\Delta_{GA} + \Delta_{GB}$).
   • Crucialmente, el modelo registra la procedencia del ancla (exacta vs. recuperada) como metadatos.

2. Corrección de Residuo Condicionada al Ancla:

   • El modelo aprende una corrección de residuo para refinar el ancla basada en el contexto y la composición.
   • Un operador de respuesta de bajo rango compartido aprende las desviaciones del ancla, condicionado al estado de control ($Z_0$), las características de soporte del ancla y el propio ancla de respuesta.
   • Residuo Aditivo: Captura correcciones específicas de contexto.
   • Residuo de Par (solo para doble gen): Una ruta simétrica captura los efectos de interacción específicos de pares de genes que no pueden explicarse mediante una simple suma.

3. Ensamblaje y Calibración de la Predicción:

   • El perfil final se ensambla en el espacio de expresión: $X_{pred} = \mu_{control} + \Delta_{anchor} + \lambda_{add}r_{add} + \lambda_{pair}r_{pair}$.
   • Calibración de la Varianza: Para evitar el colapso de la varianza, CAPRA devuelve células predichas deterministas y calibradas a la escala del control. Añade variabilidad reproducible dentro de la condición derivada de estadísticas de escala de control ($\sigma_{cal}$), en lugar de aprender la varianza del conjunto de prueba. Esto asegura la compatibilidad con los flujos de trabajo estándar de llamada de DEG basados en pruebas t.

Contribuciones Clave

• Evidencia de Respuesta Explícita: A diferencia de los modelos de espacio latente, CAPRA expone la "hipótesis inicial" (el ancla) y su fuente (medida vs. recuperada), vinculando el rendimiento predictivo a la evidencia de respuesta explícita.
• Estrategia de Anclaje Híbrida: Combina eficazmente datos experimentales exactos con recuperación semántica (vía GenePT) para genes que carecen de soporte directo en el entrenamiento, utilizando la corrección de residuo para adaptar estos anclajes a contextos específicos.
• Interfaz de Inferencia Calibrada: El modelo proporciona células predichas con variabilidad preservada dentro de la condición, permitiendo flujos de trabajo de recuperación de DEG estándar que suelen fallar con otros modelos generativos.

Resultados
Los autores evaluaron CAPRA en un panel de 13 conjuntos de datos de perturbación genética (9 de un solo gen, 4 de doble gen) frente a métodos de vanguardia (Scouter, GEARS, GenePert, scGPT).

• Predicción de la Dirección de la Respuesta: CAPRA logró el mayor PCC-delta medio (correlación de Pearson sobre cambios centrados en el control para los 100 principales DEGs) tanto en tareas de un solo gen (0.592) como de doble gen (0.728), superando a Scouter y otros baselines.
• Generalización bajo Soporte Disperso: En tareas de doble gen, CAPRA mantuvo un rendimiento superior en las categorías "seen2" (ambos genes vistos), "seen1" (un gen visto) y "seen0" (ninguno de los dos genes visto). La ventaja persistió incluso en escenarios "seen0", donde las predicciones dependen de los anclajes de vecinos de GenePT y la adaptación de residuos.
• Especificidad: Incluso utilizando una estrategia de puntuación de "referencia perturbada" (centrándose en el estado promedio de la perturbación en lugar del control para eliminar la estructura compartida post-perturbación), CAPRA retuvo la señal de dirección de respuesta más alta, indicando que captura información específica de la perturbación más allá de los patrones compartidos.
• Recuperación de Genes Afectados: En flujos de trabajo estándar de pruebas t de Scanpy, los métodos que no son CAPRA mostraron una recuperación de Jaccard cercana a cero de los principales DEGs debido al colapso de la varianza. Las células calibradas de CAPRA lograron puntuaciones de Jaccard significativamente más altas (0.093 para un solo gen, 0.174 para doble gen), recuperando con éxito las firmas de los genes afectados.
• Análisis de Componentes: Los estudios de ablación confirmaron que el ancla de respuesta proporciona la hipótesis primaria (especialmente en tareas de un solo gen), mientras que la corrección de residuo es más crítica cuando el soporte de un solo gen es incompleto o para modelar interacciones de pares de genes.

Significancia
El artículo afirma que CAPRA aborda la "brecha de diseño" en la predicción de perturbaciones actual al hacer que la evidencia que sustenta una predicción sea inspeccionable. Al separar el ancla de respuesta medida/recuperada de la corrección aprendida, CAPRA permite a los investigadores priorizar intervenciones genéticas no medidas basándose en la calidad de su evidencia subyacente. Además, al resolver el problema del colapso de la varianza, permite el uso directo de células predichas en procesos de análisis de expresión diferencial estándar, cerrando la brecha entre la predicción computacional y los flujos de trabajo de validación experimental. Los autores señalan que, aunque este estudio es retrospectivo, el marco está diseñado para apoyar la futura selección prospectiva de perturbaciones y la transferencia a otras modalidades (p. ej., perturbaciones químicas, lecturas multimodales).