Cell-Type Prototype-Informed Neural Network for Gene Expression Estimation from Pathology Images

Titolo

Cell-Type Prototype-Informed Neural Network (CPNN) per la Stima dell'Espressione Genica da Immagini di Patologia

1. Il Problema

La stima dei profili di espressione genica direttamente dalle immagini di patologia digitale (Whole-Slide Images, WSI) rappresenta un'alternativa promettente e a basso costo alla sequenziamento dell'RNA (RNA-seq). Tuttavia, le metodologie esistenti presentano limitazioni fondamentali:

• Mancanza di risoluzione cellulare: I metodi attuali trattano l'espressione genica come un segnale aggregato a livello di vetrino (bulk) o di patch, ignorando il fatto biologico che l'espressione osservata deriva dalla somma delle espressioni di singole cellule.
• Dati non allineati: Sebbene esistano database pubblici di RNA-seq a singola cellula (scRNA-seq) che forniscono profili a livello cellulare, questi dati sono rumorosi, affetti da effetti batch e, soprattutto, non sono accoppiati con immagini istologiche. Questo crea un "divario modale" (modality gap) che rende difficile l'uso diretto di tali dati per addestrare modelli basati su immagini.
• Regolarizzazione insufficiente: Senza una guida biologica strutturale, l'addestramento di reti neurali per prevedere migliaia di geni da immagini ad alta dimensionalità è soggetto a sovradattamento e mancanza di interpretabilità.

2. Metodologia: CPNN

Gli autori propongono la Cell-type Prototype-informed Neural Network (CPNN), un framework che integra dati di scRNA-seq pubblici per guidare la previsione dell'espressione genica dalle immagini istologiche.

Concetti Chiave

1. Prototipi di Tipo Cellulare (Cell-type Prototypes):
   • Invece di usare i dati scRNA-seq grezzi (rumorosi e non allineati), il metodo stima dei "prototipi" ($\bar{T}$). Questi prototipi sono profili di espressione media per ciascun tipo cellulare, derivati dal database scRNA-seq.
   • I prototipi catturano i pattern stabili di co-variabilità gene-gene specifici per ogni tipo cellulare, fungendo da prior informativi.
2. Stima dei Pesi Compositivi:
   • La rete neurale apprende direttamente dalle immagini (WSI o patch) i pesi compositivi ($W$), che rappresentano la proporzione di ciascun tipo cellulare presente in una data regione tissutale.
3. Modello di Generazione:
   • L'espressione genica osservata a livello di vetrino o patch è modellata come una miscela lineare dei prototipi cellulari pesati dalle proporzioni stimate, più termini di correzione tecnica.
   • La formula fondamentale (Eq. 1) è:
     $$\mu^b_g = \alpha_g \sum_i \sum_c w(x_i)_c \bar{T}_{c,g} + \beta_g$$
     Dove $\alpha$ e $\beta$ correggono le differenze di scala e bias tra le modalità (scRNA-seq vs. WSI).
4. Funzione di Perdita e Ottimizzazione:
   • Likelihood Negativa Binomiale: Poiché i dati di espressione genica sono conteggi, la distribuzione è modellata come Negativa Binomiale.
   • Regolarizzazione: Viene introdotta una perdita di regolarizzazione ($L_R$) per garantire la coerenza tra i prototimi iniziali, quelli aggiornati durante l'addestramento e i risultati della deconvoluzione cellulare. Questo impedisce alla rete di perdere l'informazione biologica di base.
   • Correzione Modale: I parametri $\alpha$ e $\beta$ vengono ottimizzati per colmare il divario tra i dati di singola cellula e quelli di tessuto bulk/spaziale.

Adattabilità

Il framework è flessibile e può essere applicato a due scenari:

• Livello Vetrino (Slide-level): Per trascrittomica bulk (TCGA).
• Livello Patch (Patch-level): Per trascrittomica spaziale (ST), integrandosi con architetture esistenti (es. TRIPLEX, STNet) come componente plug-in.

3. Contributi Principali

• Formulazione del Problema: Una nuova formulazione che sfrutta dataset di espressione genica a livello cellulare (scRNA-seq) per guidare la stima da immagini, superando il problema della mancanza di accoppiamento diretto.
• Architettura CPNN: Un modello neurale che integra prototipi cellulari e pesi compositivi, agendo come un regolarizzatore biologico strutturato.
• Interpretabilità: Il modello non solo prevede l'espressione genica, ma restituisce anche i pesi compositivi, rivelando quali tipi cellulari guidano le previsioni (es. identificando sottotipi tumorali o stati proliferativi).
• Prestazioni Superiori: Dimostrazione empirica che l'approccio supera gli stati dell'arte (SOTA) su dataset multipli.

4. Risultati Sperimentali

Il metodo è stato valutato su 3 dataset a livello di vetrino (TCGA: BRCA, KIRC, LUAD) e 3 dataset a livello di patch (CSCC, Her2st, STNet).

• Metriche: Sono state utilizzate la Correlazione di Pearson (PCC) e la Correlazione di Spearman (SCC).
• Performance Slide-Level:
  • CPNN ha raggiunto le prestazioni più elevate (SOTA) in termini di SCC su tutti e tre i dataset (BRCA, KIRC, LUAD).
  • Ha superato metodi avanzati basati su Multiple Instance Learning (MIL) come MambaMIL, tRNAformer e SEQUOIA VIS.
  • Esempio BRCA: SCC di 0.338 per CPNN contro 0.311 del miglior MIL.
• Performance Patch-Level:
  • L'integrazione di CPNN in modelli esistenti (es. STNet, TRIPLEX) ha portato a miglioramenti consistenti nella SCC (fino a +0.0582 su Her2st).
  • Il metodo mantiene prestazioni robuste anche quando i dati di riferimento scRNA-seq e spaziali provengono da pazienti diversi, grazie alla correzione modale.
• Studi di Ablazione:
  • L'uso dei prototipi inizializzati (PI) e la correzione modale (MC) sono cruciali: senza di essi, le prestazioni crollano, avvicinandosi a metodi basati solo sull'addestramento da zero (come MOSBY).
  • L'aggiornamento dei prototipi durante l'addestramento (U) è essenziale per adattarsi ai dati specifici.
• Validazione Biologica:
  • L'analisi dei pesi compositivi ha mostrato che il modello assegna correttamente pesi più alti a tipi cellulari specifici per sottotipi di cancro (es. il prototipo "Cycling" è più attivo nei tumori Basal-like, coerentemente con la loro alta proliferatività).

5. Significato e Impatto

Questo lavoro rappresenta un passo avanti significativo nella bioinformatica computazionale e nell'analisi di immagini patologiche:

1. Superamento del Divario Modale: Dimostra come dati eterogenei (immagini istologiche e dati scRNA-seq non accoppiati) possano essere fusi efficacemente tramite prototipi e regolarizzazione.
2. Interpretabilità Biologica: A differenza delle "scatole nere" delle reti neurali profonde, CPNN fornisce una spiegazione basata sulla composizione cellulare, permettendo ai ricercatori di capire quali cellule contribuiscono all'espressione genica prevista.
3. Efficienza e Costo: Abilita l'analisi molecolare su larga scala utilizzando solo immagini di patologia (già disponibili e a basso costo), riducendo la necessità di costosi test di sequenziamento per ogni campione.
4. Generalizzabilità: Il framework è applicabile sia a dati bulk che spaziali, offrendo una soluzione unificata per diverse scale di risoluzione.

In sintesi, CPNN trasforma l'estrazione di espressione genica da un problema puramente statistico di regressione a un processo guidato dalla biologia cellulare, migliorando sia l'accuratezza predittiva che la comprensione dei meccanismi sottostanti.