Generating and navigating single cell dynamics via a geodesic bridge between nonlinear transcriptional and linear latent manifolds

Resumen Técnico: GeoBridge

Planteamiento del Problema
La secuenciación de ARN de célula única (scRNA-seq) en series temporales captura procesos celulares como instantáneas dispersas y no emparejadas. Esta limitación dificulta la reconstrucción de transiciones continuas de estados celulares y la capacidad de navegar entre estados de una manera controlada e interpretable. Aunque los métodos existentes como el ordenamiento de pseudotiempo, la velocidad de ARN y el Transporte Óptimo Dinámico (DOT) intentan aproximar transiciones continuas a partir de datos estáticos, a menudo dependen de métricas euclidianas en un espacio de expresión génica de alta dimensión. Bajo la hipótesis del manifold, los datos biológicos residen en un manifold diferenciable no lineal de baja dimensión donde la "distancia" entre células es una función no lineal de la expresión génica. Asumir una métrica euclídea en este espacio curvo conduce a una distorsión geométrica, lo que resulta en estimaciones inexactas de la velocidad de desarrollo, la probabilidad de destino y las distancias de estado. Además, optimizar directamente distancias geodésicas arbitrarias en el espacio original de alta dimensión es computacionalmente intratable.

Metodología
Los autores proponen GeoBridge, un marco basado en datos que formula la interpolación del tiempo biológico como un problema de aprendizaje de métricas riemannianas. La innovación central es la construcción de un "puente geodésico" entre el manifold transcripcional no lineal y un manifold latente lineal.

1. Mapeo de Redes Neuronales Invertibles (INN): GeoBridge emplea una INN para aprender un mapeo biyectivo, $\phi: \mathcal{M} \to \mathcal{N}$, desde el manifold de expresión génica de alta dimensión ($\mathcal{M}$) hacia un manifold euclídeo latente plano ($\mathcal{N}$).
2. Construcción de la Métrica de Pullback: En lugar de definir explícitamente un tensor métrico complejo en el espacio original, GeoBridge define una métrica euclídea simple ($g_\mathcal{N} = I$) en el espacio latente. La métrica riemanniana en el manifold original ($g_\mathcal{M}$) se induce mediante la construcción de pullback: $g_\mathcal{M}(x) = J_\phi(x)^\top J_\phi(x)$, donde $J_\phi$ es el Jacobiano del mapeo.
3. Linealización Geodésica: Un resultado teórico clave (Teorema 2 en la Información Suplementaria) establece que, bajo esta métrica de pullback, las geodésicas en $\mathcal{M}$ corresponden uno a uno con las geodésicas en $\mathcal{N}$. Dado que las geodésicas en el espacio latente plano son líneas rectas de velocidad constante, las complejas transiciones no lineales en el espacio original pueden representarse como líneas rectas en el espacio latente.
4. Objetivos de Entrenamiento:
   • Pérdida de Velocidad Constante Lineal ($\mathcal{L}_{CVL}$): Obliga a que los datos de series temporales, al ser mapeados al espacio latente, sigan trayectorias de línea recta a velocidad constante. Esto se logra interpolando entre los vectores latentes de origen y destino basados en proporciones de tiempo biológico y minimizando la Discrepancia de Máximo Medio (MMD) entre las distribuciones generadas y las reales intermedias.
   • Regularización de Proporcionalidad Local ($\mathcal{L}_{LPR}$): Evita la distorsión (estiramiento/compresión) local excesiva del mapeo. Fomenta que la relación entre las distancias de vecindad local en el espacio original y el espacio latente permanezca estable dentro de un corte de tiempo, asegurando interpolaciones biológicamente plausibles.
5. Aplicaciones Downstream:
   • Interpolación: Los estados intermedios se generan mediante interpolación lineal de forma cerrada en el espacio latente y se mapean de vuelta al espacio original.
   • Predicción de Destino: Las probabilidades de destino celular se estiman utilizando planes de transporte óptimo con costos euclídeos en el espacio latente.
   • Inferencia de Pseudotiempo: El potencial de Kantorovich (KP) derivado del transporte óptimo en el espacio euclídeo latente está relacionado linealmente con el tiempo real, sirviendo como un indicador de pseudotiempo robusto.
   • Identificación de Genes Driver: Los índices de drivers dinámicos se calculan computando el producto punto de los gradientes de expresión de la trayectoria y los componentes de velocidad.
   • Navegación de Destino: El marco permite la "navegación virtual", generando rutas geodésicas entre cualquier célula de partida arbitraria y un estado celular objetivo, incluso a través de diferentes linajes.

Resultados Clave
GeoBridge fue validado en diversos sistemas biológicos:

• Progresión EMT–MET en Células Madre Cancerosas: GeoBridge reconstruyó con éxito trayectorias continuas para la Transición Epitelio-Mesénquima (EMT) y la Transición Mesénquima-Epitelio (MET). Identificó módulos regulatorios específicos de cada etapa y genes driver consistentes con la biología conocida (por ejemplo, ciclos de RHO GTPase en la etapa temprana de MET, organización de la matriz extracelular en la etapa tardía de EMT).
• Diferenciación de Células Madre Pluripotentes Humanas (hPSC): El método resolvió la dinámica de ramificación hacia células $\beta$ y células tipo enterocromafín-lik en derivadas de células madre. Capturó con precisión la expresión de genes marcadores resueltos en el tiempo e identificó programas regulatorios distintos, tanto tempranos como tardíos, para cada linaje.
• Linajes Hematopoyéticos Multi-objetivo: En un modelo unificado de múltiples objetivos, GeoBridge navegó células madre hematopoyéticas (HSC) hacia destinos de neutrófilos, mastocitos y megacariocitos. Crucialmente, demostró la capacidad de guiar virtualmente células con sesgo hacia neutrófilos hacia destinos de mastocitos a lo largo de rutas geodésicas biológicamente plausibles, validando la interpretabilidad de la geometría aprendida.
• Benchmarking: GeoBridge superó a los métodos de vanguardia (MioFlow, TIGON, DeepRUOT) en precisión de interpolación en datos no vistos (medida por la distancia Wasserstein-1) e inferencia de pseudotiempo (medida por la correlación de Pearson con las etiquetas de tiempo reales). Notablemente, logró estos resultados sin requerir una reducción de dimensionalidad preliminar, operando directamente sobre entradas de alta dimensión (los 2,000 genes más variables).

Significancia y Reivindicaciones
El artículo afirma que GeoBridge establece un método de geometría de pullback que transforma mediciones de célula única dispersas en un paisaje continuo y controlable. Su principal significancia radica en:

1. Rigor Geométrico: Evita las distorsiones geométricas de las suposiciones euclídeas al aprender una métrica riemanniana donde el tiempo biológico corresponde al movimiento geodésico.
2. Eficiencia Computacional: Al aprovechar la planitud del espacio latente, permite una interpolación explícita de forma cerrada, eliminando la necesidad de integración numérica computacionalmente intensiva (por ejemplo, Neural ODEs) requerida por otros métodos basados en DOT.
3. Controlabilidad e Interpretabilidad: Proporciona un marco para "navegar" los estados celulares, permitiendo a los investigadores simular transiciones entre fenotipos arbitrarios e identificar los genes específicos que impulsan estas transiciones.
4. Robustez: El método es robusto al ruido y a la escasez de instantáneas, recuperando programas transcripcionales suaves incluso cuando se entrena con datos sin anotaciones temporales explícitas (mediante el refinamiento iterativo del pseudotiempo).

Los autores posicionan a GeoBridge no meramente como una herramienta de interpolación, sino como un modelo generativo fundamentado en una construcción geométrica explícita, ofreciendo un nuevo paradigma para reconstruir, interpretar y manipular las transiciones de estado celular.