Learning Adaptive Perturbation-Conditioned Contexts for Robust Transcriptional Response Prediction

1. Il Problema: Il Collasso sulla Media (Mean Collapse)

Il compito di prevedere le risposte trascrizionali ad alte dimensioni alle perturbazioni genetiche è fondamentale per la genomica funzionale, ma è ostacolato da due fattori principali: il rumore sperimentale intrinseco dei dati single-cell e la natura sparsa degli effetti a livello genico (solo un piccolo sottoinsieme di geni cambia espressione significativamente).

Il paper identifica un fallimento critico nelle metodologie esistenti, definito "Mean Collapse" (collasso sulla media):

• Fenomeno: I modelli tendono a prevedere cambiamenti di espressione vicini alla media globale o allo stato basale, piuttosto che catturare le risposte specifiche alla perturbazione.
• Causa: Le funzioni di perdita standard (es. errore quadratico medio - MSE) trattano tutti i geni allo stesso modo. Poiché la maggior parte dei geni non risponde (non-DEG), il modello è spinto a minimizzare l'errore su questi geni "silenziosi", ignorando i segnali forti ma sparsi dei geni differenzialmente espressi (DEG).
• Conseguenza: Questo porta a un'alta correlazione globale (falsa) ma a una sottostima sistematica degli effetti biologici reali, generando molti falsi positivi e scarsa interpretabilità biologica.
• Limitazione degli approcci attuali: I metodi che utilizzano grafi della conoscenza biologica (Knowledge Graphs - KG) tendono a trattare questi grafi come strutture statiche e dense, propagando il rumore su geni non correlati invece di isolare i percorsi rilevanti per la specifica perturbazione.

2. Metodologia: ADAPERT

Gli autori propongono ADAPERT, un framework condizionato alla perturbazione che affronta il problema modellando esplicitamente la sparsità e la struttura biologica. L'architettura si basa su due componenti principali:

A. Estrazione di Sottografi Condizionati alla Perturbazione

Invece di utilizzare l'intero grafo della conoscenza biologica come prior statico, ADAPERT apprende dinamicamente un sottografo specifico per ogni perturbazione:

1. Embedding Semantico: Per ogni gene bersaglio ($p$), viene recuperata una descrizione testuale (da NCBI) e codificata tramite un Large Language Model (LLM, es. GPT-4o) per ottenere un embedding semantico ($s_p$).
2. Embedding Strutturale: I nodi del grafo della conoscenza (es. STRING) vengono rappresentati tramite embedding strutturale ($h_v$) ottenuti tramite message passing (GNN).
3. Punteggio e Campionamento: Viene calcolato un punteggio di rilevanza combinando l'embedding semantico della perturbazione e quello strutturale del nodo. Viene applicato un campionamento differenziabile (Gumbel-Softmax) per selezionare un insieme sparso di nodi rilevanti.
4. Risultato: Si ottiene un sottografo compatto ($G_{context}$) centrato sui geni biologicamente correlati alla perturbazione, filtrando il rumore e le strutture irrilevanti.

B. Schema di Apprendimento Adattivo per la Separazione Segnale-Rumore

Per evitare il collasso sulla media, ADAPERT utilizza una funzione di perdita composta da tre termini che guidano la separazione tra geni responsivi (DEG) e non responsivi (non-DEG):

1. Loss di Ricostruzione Globale ($L_{recon}$): Assicura la fedeltà complessiva del profilo di espressione.
2. Loss Robusta per i Non-DEG ($L_{non}$): Utilizza una Huber Loss sui geni non differenzialmente espressi. Questo penalizza le variazioni spurie nei geni che non dovrebbero cambiare, sopprimendo il rumore senza essere eccessivamente sensibile agli outlier.
3. Loss di Allineamento Adattivo ($L_{align}$): Guida la rappresentazione del sottografo appresa ($z_{context}$) ad allinearsi con un target basato sui segnali reali dei DEG. Questo forza il modello a codificare specificamente i pattern di espressione differenziale nel contesto del sottografo.

3. Contributi Chiave

• Identificazione del "Mean Collapse": Il lavoro formalizza e dimostra empiricamente come la mancanza di modellazione della sparsità porti a fallimenti sistematici nei modelli di previsione delle perturbazioni.
• Contesto Dinamico: Introduce un meccanismo per estrarre dinamicamente sottografi specifici per la perturbazione dai grafi della conoscenza, integrando informazioni semantiche (testuali) e strutturali.
• Separazione Adattiva Segnale-Rumore: Propone una strategia di apprendimento multi-obiettivo che penalizza attivamente le variazioni sui geni non responsivi, migliorando la capacità di isolare i veri segnali biologici dal rumore sperimentale.
• Integrazione LLM-KG: Combina efficacemente le capacità di ragionamento semantico degli LLM con le relazioni strutturate dei Knowledge Graphs per la selezione dei geni.

4. Risultati Sperimentali

Il modello è stato valutato su due dataset CRISPR single-cell (K562 e RPE1) in un setting "unseen perturbation" (perturbazioni di test non viste durante l'addestramento).

• Performance Globale: ADAPERT supera costantemente i baselines (inclusi scVI, CPA, GEARS, TxPert, MorPH) sia nella correlazione sulle differenze di espressione (Pearson-∆) che nel Perturbation Discrimination Score (PDS), indicando una migliore capacità di distinguere tra diverse perturbazioni.
• Metriche Consapevoli dei DEG (DEG-aware): Il miglioramento più significativo si osserva nelle metriche focalizzate sui geni differenzialmente espressi (DES@K, Spearman correlation, direzione di cambiamento). ADAPERT recupera con maggiore precisione l'elenco dei geni bersaglio reali.
• Robustezza al Collasso sulla Media: L'analisi per dimensione dell'effetto mostra che ADAPERT è particolarmente superiore per le perturbazioni a effetto piccolo, dove il collasso sulla media è più severo. I modelli baselines tendono a fallire in questi scenari, mentre ADAPERT mantiene la capacità di rilevare segnali deboli.
• Validazione a Livello di Pathway: L'analisi di arricchimento genico (GSEA) sui profili predetti mostra una forte correlazione con i dati reali a livello di pathway biologici (es. regolazione del ciclo cellulare), confermando che il modello cattura risposte biologiche coordinate e non solo rumore statistico.

5. Significato e Impatto

Questo lavoro rappresenta un passo avanti significativo nella modellazione computazionale delle risposte cellulari. Dimostra che l'uso statico e denso della conoscenza biologica è insufficiente per gestire il rumore e la sparsità dei dati single-cell.

L'approccio di ADAPERT suggerisce che per ottenere previsioni robuste è necessario:

1. Adattare dinamicamente il contesto biologico alla specifica perturbazione.
2. Modellare esplicitamente la sparsità dei segnali biologici attraverso funzioni di perdita specifiche.

Questi risultati hanno implicazioni dirette per la scoperta di farmaci e la biologia sintetica, permettendo di identificare con maggiore affidabilità i target terapeutici e di comprendere i meccanismi di regolazione genica anche in condizioni di dati rumorosi o con effetti biologici sottili.