Knowledge Graph Modulated Deep Learning for Limited-Sample Clinical Data Analysis

Riepilogo Tecnico: Graph-in-Graph (GiG) per l'Analisi di Dati Clinici con Campioni Limitati

Enunciazione del Problema
I sistemi biologici sono governati da interazioni molecolari strutturate (vie metaboliche, circuiti regolatori) che sono naturalmente rappresentabili come grafi. Tuttavia, i modelli standard di intelligenza artificiale biomedica trattano tipicamente i dati genomici come tabelle piatte e non strutturate, richiedendo la compressione della conoscenza biologica in vettori a bassa dimensionalità. Questa compressione comporta spesso una perdita di informazioni, in particolare riguardo alle interazioni gene-gene e alla topologia delle vie metaboliche. Tale limitazione è esacerbata in contesti clinici caratterizzati da dimensioni campionarie ridotte, dove i modelli faticano a imparare rappresentazioni robuste senza sovradattamento o senza riuscire a catturare segnali biologicamente significativi. Gli approcci basati su grafi esistenti si affidano spesso a un'unica rete globale condivisa tra tutti i campioni o riducono i pazienti a vettori di caratteristiche, non permettendo alla topologia delle vie metaboliche e all'espressione specifica del paziente di interagire dinamicamente durante il passaggio dei messaggi.

Metodologia: Il Framework Graph-in-Graph (GiG)
Gli autori propongono Graph-in-Graph (GiG), un framework in cui ogni paziente è rappresentato come un grafo autonomo e modulare. Questo design integra la conoscenza biologica curata direttamente nella struttura del grafo di ogni singolo campione.

1. Pipeline di Costruzione del Grafo:

   • Selezione dei Geni: Per ogni paziente, vengono selezionati dal profilo trascrittomico geni ad alta variabilità (HVG) o geni con disregolazione trascrizionale significativa (basata sui punteggi z assoluti).
   • Mappatura delle Vie Metaboliche: I geni selezionati vengono mappati su vie metaboliche biologiche curate provenienti da WikiPathways.
   • Assemblaggio del Grafo Specifico per Paziente: Per ogni paziente, i grafi di interazione delle vie metaboliche pertinenti vengono fusi.
     • Nodi: Rappresentano i geni del profilo di espressione del paziente.
     • Archi: Codificano la topologia delle vie metaboliche biologiche curate (interazioni non dirette).
     • Caratteristiche dei Nodi: Per ogni nodo viene costruito un vettore di caratteristiche a due canali:
       1. Espressione specifica del paziente: Valore di espressione normalizzato rispetto al campione.
       2. Co-espressione a livello di coorte: La media della correlazione di Pearson assoluta con i 50 geni più correlati al gene in esame in tutta la coorte.
   • Identità del Gene: Viene assegnato un embedding apprendibile a ciascun gene per ancorarne il ruolo molecolare attraverso la coorte, indipendentemente dalla specifica topologia del grafo.

2. Architettura del Modello:

   • I grafi specifici per paziente costruiti servono come input a una Rete Neurale su Grafo (GNN).
   • Il framework è agnostico rispetto all'architettura di base, supportando GCN, GraphSAGE, GIN e GAT.
   • L'architettura impiega livelli di passaggio dei messaggi per propagare le informazioni lungo gli archi delle vie metaboliche, seguiti da una media globale (global mean pooling) per generare una rappresentazione a livello di grafo per la classificazione a valle (ad esempio, rilevamento di malattie, classificazione di sottotipi).

3. Strategia di Addestramento:

   • I modelli sono addestrati utilizzando split stratificati con una funzione di perdita di entropia incrociata ponderata per le classi per affrontare lo squilibrio delle classi.
   • L'ottimizzazione viene eseguita utilizzando AdamW con specifici iperparametri (tasso di apprendimento $10^{-3}$, decadimento dei pesi $10^{-4}$).

Contributi Chiave

• Rappresentazione Innovativa: GiG introduce una formulazione "grafo-in-grafo" in cui la struttura di livello inferiore delle vie metaboliche è intrinseca al grafo a livello di paziente, piuttosto che essere un prior esterno. Ciò permette al modello di imparare rappresentazioni della malattia che preservano informazioni biologicamente significative come le interazioni gene-gene e la topologia delle vie metaboliche.
• Efficienza dei Dati: Il framework è specificamente progettato per l'apprendimento efficiente dei dati in contesti con campioni limitati, un vincolo comune negli studi clinici.
• Ablazione e Validazione: Gli autori validano rigorosamente che i guadagni di performance derivino dalla struttura biologica delle vie metaboliche e non semplicemente dalla modellazione su grafo, confrontando i risultati con topologie di grafi casuali (Erdős–Rényi e grafi casuali che preservano il grado).

Risultati
Il framework è stato valutato su quasi 9.700 pazienti attraverso cinque compiti clinici che coinvolgono tre coorti distinte:

1. RARE-Seq (Biopsia Liquida): Un dataset a basso segnale e alto rumore per il rilevamento del cancro, la classificazione dei sottotipi e dello stadio.

   • GiG ha raggiunto un'accuratezza dell'89% e un macro-F1 dell'88% per il rilevamento binario del cancro, superando la baseline più forte (GCN) di oltre il 15% in accuratezza e il 14% in macro-F1.
   • Ha dimostrato sensibilità e specificità superiori, in particolare nelle regioni a basso tasso di falsi positivi della curva ROC, indicando robustezza nel distinguere segnali deboli e distribuiti dal rumore.
   • L'analisi di attribuzione (Integrated Gradients) ha confermato che il modello ha dato priorità a marcatori tumorali biologicamente plausibili (ad esempio, FOLR1, ELF3, KRT19).

2. Carcinoma Prostatico (basato su tessuto): Un dataset a segnale più elevato che distingue la malattia localizzata da quella metastatica.

   • GiG ha raggiunto prestazioni quasi perfette (~98% di accuratezza e macro-F1), superando significativamente le baselines a livello di nodo che mostravano alta varianza e sensibilità inferiore.
   • Il modello ha dato priorità correttamente ai geni centrali nelle vie metaboliche note del carcinoma prostatico (PI3K/AKT, MAPK, Wnt), come AKT1, MAPK1 e CTNNB1.

3. Pan-Cancro (TCGA): Un compito di classificazione multi-omica a 32 classi, sfidante, con alto squilibrio di classe ed eterogeneità.

   • GiG ha raggiunto un'accuratezza del 92% e un macro-F1 dell'88%, rispetto al 63% di accuratezza e al 39% di macro-F1 della migliore baseline.
   • Questo rappresenta un guadagno di fino a 49 punti percentuali in macro-F1, dimostrando la capacità del framework di scalare verso problemi complessi e ad alta dimensionalità.

Significato e Affermazioni
Il paper afferma che GiG fornisce un framework principiato per integrare grafi di conoscenza biologica nella modellazione predittiva, andando oltre l'assunzione di una rete globale condivisa.

• Fonte del Miglioramento: Esperimenti di controllo che sostituivano le vie metaboliche reali con topologie casuali hanno confermato che i guadagni di performance derivano dalla struttura fondata sulla biologia dei grafi di conoscenza. In contesti a basso segnale (cfRNA) e ad alta eterogeneità (Pan-Cancro), la perturbazione della topologia delle vie metaboliche ha causato cali significativi delle prestazioni (ad esempio, una perdita di accuratezza del 16–21% in RARE-Seq, del 24% in Pan-Cancro).
• Dipendenza dal Contesto: Il contributo della topologia varia in base al compito. Nel dataset ad alto segnale del carcinoma prostatico, le caratteristiche dei nodi da sole erano altamente separabili, rendendo il modello meno sensibile alla topologia esatta (piccoli cali di performance con la casualizzazione). Tuttavia, in contesti difficili (basso segnale, alta eterogeneità), la topologia delle vie metaboliche agisce come un pregiudizio induttivo cruciale.
• Impatto Clinico: Trattando l'organizzazione della biologia come un componente strutturale del modello piuttosto che come un ripensamento, GiG migliora la robustezza, l'interpretabilità e l'efficienza campionaria. Permette il recupero di segnali deboli ma biologicamente significativi in dati clinici rumorosi, offrendo una base pratica per applicazioni di medicina di precisione in cui le dimensioni campionarie sono limitate.