A Curvature Guided Composite Kernel Framework for Differential Gene Selection in Cancer Transcriptomics

Resumen Técnico: Un Marco de Núcleo Compuesto Guiado por la Curvatura para la Selección de Genes Diferenciales en la Transcriptómica del Cáncer

Planteamiento del Problema
El análisis de la Expresión Diferencial de Genes (DEG, por sus siglas en inglés) es fundamental para el descubrimiento de biomarcadores y la identificación de dianas terapéuticas en la transcriptómica del cáncer. Sin embargo, los métodos existentes enfrentan limitaciones significativas dependiendo de la modalidad de los datos (RNA-seq masivo [bulk] frente a RNA-seq de célula única [single-cell]) y de los supuestos estadísticos subyacentes.

• Los métodos paramétricos (p. ej., DESeq2, edgeR) dependen de distribuciones binomiales negativas y modelos lineales generalizados. A menudo tienen dificultades con el desequilibrio de clases, el tamaño de muestra pequeño y las características específicas de dispersión de los datos de célula única.
• Los métodos no paramétricos (p. ej., SAMseq, NOIseq) manejan profundidades de secuenciación variables, pero pueden ser computacionalmente costosos debido al remuestreo o pueden sufrir de pérdida de datos y reducción del conocimiento biológico.
• Los enfoques de Aprendizaje Automático que utilizan núcleos estándar (Lineal, Polinomial, RBF) a menudo fallan al capturar las relaciones biológicas complejas, no lineales y jerárquicas inherentes a los datos de alto rendimiento de NGS. Los núcleos RBF, por ejemplo, pueden suavizar excesivamente las características biológicas nítidas o volverse inestables en las líneas de separación de tendencias.

El artículo postula que los métodos actuales carecen de un marco unificado y agnóstico a la modalidad que pueda modelar eficazmente la naturaleza dual de los estados génicos (normal frente a canceroso) preservando la estructura geométrica intrínseca de los datos sin depender de supuestos de distribución rígidos.

Metodología
Los autores proponen un "Marco de Núcleo Compuesto Guiado por la Curvatura" que integra analogías de la mecánica cuántica, geometría diferencial y optimización inspirada en la física. La metodología avanza a través de las siguientes etapas:

1. Representación de Estado Inspirada en la Mecánica Cuántica:

   • Los estados de expresión génica se modelan utilizando el primer postulado de la mecánica cuántica, representando los genes como funciones de onda $|\Psi\rangle$ en un espacio de Hilbert.
   • Se construye un Núcleo Compuesto basado en el enfoque de Combinación Lineal de Orbitales Atómicos (LCAO). El vector de estado génico se particiona en dos regímenes ortogonales: un "régimen normal" ($|\Phi_i\rangle$) y un "régimen de cáncer" ($|\Xi_i\rangle$).
   • El marco impone axiomas que aseguran la ortogonalidad entre las funciones de onda normales y de cáncer, tratando a un gen no como un punto único, sino como una entidad dual capaz de una proyección simultánea en estados sanos y patológicos.
   • Se define un producto interno compuesto para mapear la matriz de expresión en un Espacio de Hilbert de Núcleo Reproductor (RKHS), generando una matriz de Gram Semidefinida Positiva (PSD).

2. Análisis Geométrico mediante la Curvatura de Ricci:

   • El espacio de Hilbert inducido se modela como una variedad de Riemann. Los autores calculan la Curvatura de Oliver-Ricci (ORC) en la red discreta de transcritos génicos.
   • A diferencia de los operadores diferenciales continuos que son inestables en conjuntos de datos ruidosos y finitos, la ORC se basa en la topología discreta de la red y en las probabilidades de transición para agregar estructuras geométricas locales en un valor de densidad para cada gen.
   • Este espectro de curvatura identifica anomalías geométricas; se hipotetiza que los DEGs críticos exhiben una curvatura de Ricci altamente negativa (cuellos de botella), mientras que los genes redundantes muestran una curvatura plana o positiva.

3. Optimización de Búsqueda Gravitacional:

   • Para determinar autónomamente el número óptimo de DEGs ($k$) sin heurísticas visuales, se emplea un Algoritmo de Búsqueda Gravitacional (GSA).
   • Se minimiza una función de pérdida de representación $L_{rep}(S)$, que comprende tres términos:
     1. Error de clasificación empírica ($\epsilon_{class}$).
     2. Una penalización lineal por el tamaño del subconjunto (promoviendo la dispersión).
     3. Un término de regularización geométrica basado en el exponencial de la curvatura de Ricci ($\exp(Ric)$). Este término penaliza fuertemente la inclusión de genes de curvatura plana/positiva, mientras minimiza el costo de incluir genes de cuello de botella de curvatura negativa.
   • Los genes se tratan como partículas con "masa" determinada por su contribución de aptitud (fitness) para minimizar la pérdida global. Una fuerza gravitacional dinámica mueve las partículas en el espacio de características para converger en el subconjunto de genes óptimo.

Contribuciones Clave

• Marco Novedoso: Introducción de un núcleo compuesto inspirado en la cuántica que modela explícitamente la dualidad de los estados génicos (normal frente a cáncer) dentro de un espacio de Hilbert, lo que difiere de las combinaciones lineales estándar de núcleos.
• Selección Consciente de la Geometría: Utilización de la curvatura de Ricci en una variedad de Riemann para identificar anomalías topológicas (cuellos de botella) asociadas con los genes expresados diferencialmente, yendo más allá de la significancia estadística por sí sola.
• Optimización Informada por la Física: Desarrollo de un mecanismo de búsqueda gravitacional que selecciona dinámicamente el subconjunto de genes óptimo mediante la minimización de una función de pérdida que equilibra la precisión de la clasificación, la dispersión y la relevancia geométrica.
• Agnosticismo de Modalidad: El método está diseñado para funcionar en diferentes modalidades de datos, incluyendo RNA-seq masivo (NGS) y datos de microarrays, sin requerir un ajuste de parámetros específico para cada modalidad.

Resultados
El marco fue validado en múltiples conjuntos de datos de The Cancer Genome Atlas (TCGA) y Gene Expression Omnibus (GEO/CuMiDa), cubriendo cánceres como Adenocarcinoma de Pulmón (LUAD), Cáncer de Cabeza y Cuello (HNSC), Cáncer de Mama (BRCA), Hígado y Cáncer de Páncreas.

• Desempeño de Clasificación:
  • En los conjuntos de datos de TCGA, el método propuesto mejoró consistentemente la precisión de la clasificación en comparación con el uso del espacio de características transcriptómicas completo original. Para SVM con núcleos RBF, la precisión aumentó de ~98% a ~99% en BRCA y LUAD.
  • XGBoost también mostró mejoras, particularmente en BRCA (la precisión aumentó de 95% a 97.85%).
  • El método superó o igualó a los referentes establecidos (DESeq2, Voom-Limma, NOISeq) en la mayoría de los escenarios. Notablemente, mientras que NOISeq logró una precisión perfecta en un conjunto de datos, falló en la identificación de DEGs significativos en cohortes de microarrays, mientras que el método propuesto se mantuvo robusto.
• Validación Externa:
  • El marco demostró una fuerte generalizabilidad entre plataformas. Los DEGs seleccionados de datos de TCGA (NGS) mantuvieron el desempeño predictivo cuando se aplicaron a conjuntos de datos independientes de GEO (microarrays), y viceversa.
  • En la validación externa de cáncer de mama, el uso de DEGs derivados de TCGA en datos de GSE mejoró la precisión de XGBoost de 79.89% a 87.21%.
• Enriquecimiento Biológico:
  • El Análisis de Enriquecimiento de Conjuntos de Genes (GSEA) y el análisis de vías KEGG confirmaron que los genes seleccionados eran biológicamente relevantes.
  • Las vías identificadas incluyeron consistentemente respuesta al daño del ADN, control del ciclo celular, apoptosis, modulación inmunitaria y señalización oncogénica mayor (p. ej., p53, Notch, Hedgehog, RAS), alineándose con la biología del cáncer conocida a través de diversos tipos de tejidos heterogéneos.
• Reducción de Dimensionalidad:
  • Las visualizaciones de PCA y UMAP mostraron que los subconjuntos de DEGs seleccionados crearon variedades de baja dimensión con una mejor compacidad intra-clase y separabilidad inter-clase en comparación con los datos originales, eliminando eficazmente el ruido y la redundancia.

Significancia y Reivindicaciones
El artículo afirma que este trabajo presenta un nuevo paradigma para la identificación de DEG que va más allá de los supuestos de distribución tradicionales. Al aprovechar los axiomas de la mecánica cuántica para definir los estados génicos y la geometría diferencial para analizar la variedad latente, el marco extrae con éxito firmas génicas compactas, informativas y biológicamente coherentes.

Los autores enfatizan que el método es agnóstico a la modalidad, capaz de manejar tanto datos de NGS como de microarrays con un desempeño consistente. Los resultados de la validación externa sugieren que las características seleccionadas capturan firmas de expresión asociadas a la enfermedad que son robustas a las variaciones de plataforma y a los artefactos específicos de cada conjunto de datos. El estudio concluye que esta estrategia de geometría consciente e inspirada en la cuántica ofrece una herramienta prometedora para el descubrimiento de biomarcadores y la clasificación de enfermedades, proporcionando una representación estable y biológicamente significativa de los datos transcriptómicos. Los autores señalan que se requiere una mayor validación en cohortes independientes más grandes y en conjuntos de datos de célula única para evaluar plenamente su potencial de traslación clínica.