FuncDECODE Resolves Cell-Type-Specific Functional Heterogeneity across Biological States and Spatial Contexts

Resumen Técnico: FuncDECODE

Planteamiento del Problema
La remodelación funcional de los tejidos es impulsada no solo por cambios en la composición celular, sino también por desplazamientos en cómo los tipos celulares individuales participan en programas biológicos a través de estados de enfermedad, transiciones y contextos terapéuticos. Si bien la transcriptómica de célula única revela la heterogeneidad funcional de los tipos celulares, su escala limitada de cohortes restringe los análisis de asociación a nivel de población y, generalmente, carece del contexto espacial requerido para localizar los cambios funcionales dentro de los tejidos. Por el contrario, las cohortes de RNA-seq masivo (bulk) y los perfiles de transcriptómica espacial ofrecen mediciones a gran escala o con resolución espacial, pero sus señales de expresión mixtas oscurecen los orígenes celulares de la actividad de los programas funcionales. Los enfoques existentes de puntuación de conjuntos de genes (p. ej., AUCell, ssGSEA, GSVA) cuantifican los programas funcionales a nivel de muestra agregada o de célula única, pero siguen siendo insuficientes para resolver sistemáticamente cómo diferentes tipos celulares impulsan la remodelación funcional a través de estados tisulares y regiones espaciales heterogéneas. Existe una necesidad urgente de integrar la resolución funcional a nivel de célula de los atlas de referencia de célula única con cohortes masivas y mapas espaciales para permitir la caracterización funcional resuelta por tipo celular.

Metodología: El Marco FuncDECODE
FuncDECODE es un marco computacional diseñado para inferir las contribuciones relativas de diferentes tipos celulares a los programas funcionales a partir de perfiles transcriptómicos mixtos (RNA-seq masivo y puntos espaciales). Emplea un marco de aprendizaje de representaciones de tres etapas:

1. Etapa 1: Construcción del Espacio de Contribución Funcional Supervisado.
   FuncDECODE convierte los datos de célula única de referencia en un espacio objetivo supervisado. Para un programa funcional específico (definido por un conjunto de genes), la actividad se cuantifica en cada célula única de referencia. El marco genera "unidades pseudo-mixtas" mediante muestreo aleatorio para simular perfiles masivos o espaciales. La contribución de cada tipo celular se formula como su actividad acumulativa específica del programa en relación con la actividad total de todas las células en la unidad pseudo-mixta. Esto crea un objetivo biológicamente interpretable para el aprendizaje de las contribuciones resueltas por tipo celular.

2. Etapa 2: Aprendizaje de Representación con Alineación de Dominios.
   Para abordar las discrepancias entre los datos de entrenamiento simulados (unidades pseudo-mixtas) y los datos objetivo reales (que varían en tecnología de secuenciación, procesamiento de muestras y contexto biológico), FuncDECODE utiliza la alineación de dominios adversaria. Esto fomenta que las características codificadas de las muestras de entrenamiento y de las muestras objetivo se vuelvan indistinguibles con respecto a su origen de datos, manteniendo al mismo tiempo la información predictiva de las contribuciones de tipos celulares resueltas. Esto establece un espacio latente compartido donde la supervisión derivada de la referencia puede aplicarse a los datos masivos y espaciales reales.

3. Etapa 3: Modelado de Heterogeneidad Intra-Tipo Celular e Interacción.
   En lugar de representar un tipo celular mediante un único perfil promedio, FuncDECODE resume la distribución de la actividad específica del programa dentro de cada tipo celular a partir de los datos de referencia. Estas representaciones conscientes de la distribución sirven como descriptores (priors) funcionales específicos de cada tipo celular. El modelo integra estos descriptores con las representaciones proyectadas desde el perfil de expresión mixta del objetivo. Un módulo de interacción basado en atención modela además las relaciones coordinadas entre las representaciones funcionales de los tipos celulares, permitiendo que la contribución inferida de un tipo celular se vea informada por el contexto funcional de otros dentro de la misma unidad mixta.

Contribuciones Clave

• Objetivo de Inferencia Novedoso: Introduce la "contribución relativa de diferentes tipos celulares a funciones tisulares específicas" como un objetivo aprendible, yendo más allá de la actividad de vías agregadas o la simple estimación de la abundancia de tipos celulares.
• Marco Unificado: Establece un marco de aprendizaje de representación con alineación de dominios que integra la actividad funcional de célula única derivada de la referencia, la variabilidad intra-tipo celular y los contextos de expresión de los objetivos.
• Robustez ante Desplazamientos de Dominio: Modela explícitamente la alineación de dominios y la heterogeneidad intra-tipo celular, permitiendo la inferencia a través de desplazamientos de dominio entre donantes, tecnologías y estados.
• Generalizabilidad: Demuestra robustez a través de diferentes estrategias de puntuación de conjuntos de genes (AUCell vs. GSEApy) y definiciones de programas funcionales (rutas KEGG vs. términos de Gene Ontology).

Resultos

• Benchmarking de la Inferibilidad: En pruebas comparativas de simulación utilizando conjuntos de datos de PBMC humano (entre donantes) y NSCLC (espacial de sección transversal), FuncDECODE superó consistentemente a las líneas de base adaptables (Scaden, scpDeconv) y a las estrategias de inferencia indirecta basadas en la abundancia. Logró una alta concordancia (CCC promedio de 0.97 y 0.86) en la recuperación de las contribuciones funcionales resueltas por tipo celular, demostrando que estas contribuciones contienen información derivada de la expresión que no es capturada únicamente por la abundancia.
• Generalización a través de Desplazamientos: FuncDECODE mantuvo un rendimiento robusto en evaluaciones de cruce de tecnología (Smart-seq2 vs. 10x), entre donantes y entre estados (sano vs. antracosis; carcinoma de células escamosas vs. adenocarcinoma), superando a las alternativas particularmente bajo condiciones de desajuste entre entrenamiento y objetivo.
• Aplicaciones a Escala de Cohorte (Masivo):
  • Vacunación: Aplicado a una cohorte longitudinal de vacunación de PBMC, las características derivadas de FuncDECODE capturaron los estados inmunológicos asociados a la vacunación de manera más efectiva que las características de abundancia de tipos celulares, distinguiendo los estados inmunológicos a través de los puntos temporales con AUCs más altos.
  • Cáncer de Mama: En las cohortes TCGA y METABRIC, FuncDECODE identificó 62 características de programas funcionales de tipos celulares pronósticas. El agrupamiento basado en estas características proporcionó una estratificación de supervivencia superior en comparación con la abundancia de tipos celulares o el panel de 21 genes. El patrón de estratificación de riesgo fue reproducible en cohortes independientes, con un 78.18% de las características mostrando una direccionalidad concordante.
• Aplicaciones Espaciales:
  • DLPFC: En datos de Visium de la corteza prefrontal dorsolateral humana (DLPFC), las características derivadas de FuncDECODE refinaron las anotaciones de dominios espaciales, mejorando la alineación con la organización laminar y aumentando el Índice Rand Ajustado (ARI) en comparación con STAligner por sí solo.
  • Cáncer de Próstata: En una cohorte espacial de cáncer de próstata, FuncDECODE reveló una organización espacial no aleatoria de las contribuciones funcionales dentro de las regiones de tumor y no tumor. Identificó gradientes funcionales asociados al tratamiento a lo largo del eje tumor-no tumor, mostrando una relocalización progresiva de los programas de migración inmunitaria y adhesión vascular durante la resistencia al tratamiento (p. ej., cambios de enriquecimiento de no tumor a frontera o tumor en NEADT y CRPC).

Significancia y Reivindicaciones
El artículo afirma que FuncDECODE proporciona un marco general para conectar la heterogeneidad funcional de la célula única con la variación de la enfermedad a escala de cohorte y la organización tisular espacial. Al transformar la actividad funcional agregada en contribuciones resueltas por tipo celular que sean interpretables, permite la interpretación de los perfiles de expresión mixtos como "ecosistemas funcionales". Los autores sostienen que este enfoque mueve el análisis funcional más allá de la actividad de vías agregadas hacia una visión de la organización funcional de los tipos celulares, permitiendo a los investigadores estudiar cómo los tejidos se organizan, se adaptan y remodelan sus programas biológicos a través de la salud, la enfermedad y la perturbación terapéutica. El marco se presenta como una estrategia escalable para nominar estados funcionales específicos de tipos celulares que subyacen a los fenotipos tisulares, proporcionando candidatos testables para futuras validaciones experimentales.