Riepilogo Tecnico: Ricostruzione Spaziale a Singola Cella Generativa Basata sulla Geometria (GEARS)

1. Enunciato del Problema

Il sequenziamento dell'RNA a singola cellula (scRNA-seq) fornisce profili di espressione genica ad alta risoluzione per centinaia di migliaia di cellule, ma perde tutto il contesto spaziale durante la dissociazione tissutale. Al contrario, la Trascrittomica Spaziale (ST) preserva le coordinate spaziali ma opera a una risoluzione inferiore, catturando spesso segnali da più cellule per ogni "spot".

La sfida centrale affrontata è la ricostruzione spaziale a singola cellula: inferire posizioni spaziali 2D plausibili per le cellule scRNA-seq dissociate sfruttando le informazioni spaziali di un riferimento ST. Ciò è particolarmente difficile in setting non accoppiati, dove i dati scRNA-seq e ST provengono da campioni tissutali o individui diversi. I metodi esistenti affrontano limitazioni significative in questo contesto:

• Dipendenza dalle Coordinate: La maggior parte dei metodi forza le cellule nel sistema di coordinate specifico di una slide ST di riferimento, introducendo un bias sistematico quando l'organizzazione tissutale globale varia tra i campioni.
• Assunzioni di Assegnazione: Molti approcci si basano su mappature cellula-spot o deconvoluzione a livello di spot, che vincolano le ricostruzioni a una griglia fissa e assumono composizioni di tipi cellulari note.
• Shift di Dominio: Le differenze nei protocolli sperimentali, nella copertura genica e negli stati biologici tra dataset non accoppiati rendono il matching diretto inaffidabile.

L'articolo sostiene che la ricostruzione spaziale debba essere trattata come generazione di geometria—imparare un'organizzazione spaziale intrinseca e continua guidata dai dati ST ma non vincolata dalle sue coordinate assolute o da un reticolo fisso.

2. Metodologia: Il Framework GEARS

Gli autori propongono GEARS (GEometry-Aware Reconstruction of Single cells), un framework che ricostruisce la geometria spaziale intrinseca senza etichette di tipo cellulare, immagini istologiche o assegnazioni esplicite cellula-spot. La pipeline consta di tre fasi principali:

A. Embedding di Espressione Invarianti al Dominio

Per disaccoppiare il segnale biologico dagli artefatti tecnici e dalle coordinate specifiche della slide, GEARS addestra inizialmente un codificatore condiviso ($f_\theta$) per allineare gli spot ST e le cellule scRNA-seq dissociate in uno spazio di embedding comune.

• Tecnica: Il codificatore viene addestrato utilizzando VICReg (per preservare varianza e covarianza minimizzando al contempo l'invarianza rispetto ad aumentazioni come dropout genico e rumore) combinato con allineamento di dominio avversario tramite Gradient Reversal Layers (GRL).
• Obiettivo: Il discriminatore tenta di distinguere gli embedding ST da quelli scRNA-seq, mentre il codificatore impara a ingannare il discriminatore, garantendo che gli embedding risultanti siano invarianti alla modalità e agnostici al dominio.

B. Supervisione Geometrica Invariante alla Posizione e Generazione

Invece di prevedere coordinate assolute, GEARS impara a generare strutture geometriche intrinseche.

• Campionamento Miniset: Per affrontare la scarsità di dati nello ST (poche slide) rispetto alla fame di dati dei modelli di diffusione, il metodo campiona molte sottoinsiemi locali sovrapposti ("miniset") dalle slide ST.
• Obiettivi Invarianti alla Posizione: Le coordinate assolute vengono scartate a favore di matrici di Gram ($G = YY^\top$) derivate da coordinate centrate. Questa rappresentazione è invariante rispetto alle trasformazioni rigide (traslazione, rotazione, riflessione), assicurando che il modello impari la forma del tessuto piuttosto che la sua posizione sulla slide.
• Architettura:
  • Generatore Equivariante alla Permutazione: Utilizza un backbone Set Transformer per gestire insiemi non ordinati di cellule. Produce una proposta geometrica grezza ($V_{base}$) condizionata agli embedding di espressione.
  • Raffinatore di Diffusione Residuale: Un modello di diffusione precondizionato EDM (Elucidating the Design Space) affina la proposta grezza. Prevede correzioni residue ($\hat{R}_0$) sull'output del generatore. Questa "modalità residua" opera su target di magnitudine inferiore, migliorando la stabilità dell'addestramento e la calibrazione della scala.
• Obiettivi di Addestramento: Il modello viene addestrato per corrispondere alla geometria intrinseca (matrice di Gram) e alle strutture di vicinato locale (k-NN) dei miniset ST. Impone inoltre la coerenza di sovrapposizione, garantendo che le cellule condivise in miniset sovrapposti ricevano previsioni geometriche coerenti indipendentemente dal contesto.

C. Inferenza Basata sulla Distanza per Patch

Per scalare a grandi coorti scRNA-seq (che possono contenere molte più cellule di una singola slide ST), GEARS impiega una strategia di inferenza per patch:

1. Campionamento delle Patch: Vengono campionate patch sovrapposte di cellule dal dataset scRNA-seq basandosi su un grafo di località.
2. Generazione Locale: Il modello addestrato genera geometrie locali per ogni patch.
3. Aggregazione delle Distanze: Le geometrie locali vengono convertite in misurazioni di distanza pairwise. Queste distanze vengono aggregate tra le patch sovrapposte utilizzando una mediana pesata per l'affidabilità per gestire gli outlier.
4. Risoluzione Globale: Viene risolto un problema globale di distanza-geometria (utilizzando l'inizializzazione Landmark Isomap e l'ottimizzazione della perdita Huber pesata) per recuperare le coordinate 2D canoniche ($X$) e una matrice di distanza densa ($D$) per l'intera coorte.

3. Contributi Chiave

1. Formulazione Basata sulla Geometria: L'articolo ripropone la ricostruzione spaziale come generazione di geometria spaziale continua dall'espressione, evitando esplicitamente le assunzioni di assegnazione cellula-spot e di deconvoluzione.
2. Supervisione Invariante alla Posizione: Imparando da strutture geometriche intrinseche (matrici di Gram) piuttosto che da coordinate assolute, il metodo riduce la dipendenza dai frame specifici della slide e supporta la generalizzazione tra sezioni tissutali.
3. Generatore-Raffinatore Equivariante alla Permutazione: L'uso di un'architettura strutturata come insieme con un generatore grezzo e un raffinatore di diffusione residua precondizionato EDM migliora la coerenza globale e calibra la scala spaziale.
4. Inferenza Basata sulla Distanza per Patch: Il metodo scala a grandi coorti ricostruendo sottoinsiemi sovrapposti e unendoli tramite vincoli di distanza aggregati, evitando l'intrattabilità computazionale della generazione one-shot su dataset massivi.

4. Risultati Sperimentali

Gli autori hanno valutato GEARS su due dataset: un Mouse Atlas (pseudo-Visium derivato da seqFISH) e un dataset di Carcinoma a Cellule Squamose Umano (hSCC) (Visium multi-sezione). Hanno confrontato il metodo con nove baseline, inclusi metodi di mappatura (Tangram, novoSpaRc, STEM, SpaOTsc) e metodi di deconvoluzione/regressione (cell2location, scSpace, CytoSPACE, CeLEry, COME).

Prestazioni Quantitative:

• Geometria Globale: GEARS ha raggiunto il miglior accordo globale (correlazioni di Spearman/Pearson) sull'Atlas dei Topi e la migliore struttura globale sul compito di generalizzazione hSCC (addestramento su due slide, test su una terza trattenuta). Ha superato le baseline basate su mappatura nel preservare la struttura pairwise complessiva.
• Geometria Locale: GEARS ha dimostrato una superiore recupero dei bordi (Edge ROC-AUC) e una precisione bilanciata (bAP) sull'Atlas dei Topi. Su hSCC, ha ottenuto il miglior punteggio Shell-F1, indicando un migliorato mantenimento della struttura locale multi-scala.
• Qualità del Vicinato: GEARS ha ottenuto le prestazioni migliori nelle metriche di Affidabilità (Trustworthiness) e Continuità sull'Atlas dei Topi. Su hSCC, si è classificato secondo nella qualità del vicinato mantenendo al contempo un accordo superiore sulle distanze globali rispetto alle baseline di regressione delle coordinate.
• Corrispondenza delle Distribuzioni: GEARS ha mostrato la migliore distanza $W_1$ (distribuzione delle distanze dei vicini locali) su hSCC, indicando scale di lunghezza locali ben calibrate.

Ablazione e Diagnostica:

• Diffusione Residuale: Rimuovere il raffinatore di diffusione ha degradato significativamente le prestazioni (ad esempio, lo Stress-1 è aumentato di circa il 34% sull'Atlas dei Topi), confermando il ruolo del raffinatore nel calibrare le magnitudini delle distanze globali e nel correggere distorsioni meso-scala.
• Sensibilità alla Patch: La pipeline di inferenza è stata robusta rispetto alle scelte delle dimensioni delle patch; le metriche di ricostruzione sono rimaste stabili su un'ampia gamma di dimensioni delle patch, mentre la coerenza di unione è migliorata con patch più grandi.
• Validazione Biologica: Su hSCC, la geometria ricostruita ha rivelato domini spaziali coerenti (ad esempio, regioni arricchite di cellule immunitarie vs. regioni tumorali) consistenti con le annotazioni dei tipi cellulari. Inoltre, i geni marcatore per le cellule dendritiche plasmacitoidi (pDC) hanno mostrato un'espressione significativamente più alta nelle regioni spazialmente prossimali del layout ricostruito, validando la rilevanza biologica della geometria inferita.

5. Significato e Affermazioni

L'articolo afferma che GEARS rappresenta un passaggio dal matching di coordinate all'apprendimento della geometria. Trattando l'organizzazione spaziale come una struttura latente guidata ma non vincolata dai dati di riferimento, GEARS affronta le limitazioni fondamentali della ricostruzione spaziale non accoppiata.

• Robustezza allo Shift di Dominio: Il framework è progettato per essere robusto in setting non accoppiati dove i campioni esibiscono diverse organizzazioni globali, evitando il bias sistematico introdotto dal forzare l'allineamento a una griglia di riferimento fissa.
• Scalabilità: L'inferenza basata sulla distanza per patch permette al metodo di gestire coorti a singola cellula su larga scala che superano la capacità di una singola slide ST.
• Generalizzazione: Il metodo trasferisce con successo principi geometrici intrinseci tra diverse sezioni tissutali (generalizzazione cross-section) senza richiedere misurazioni accoppiate dallo stesso individuo.

Gli autori notano modestamente che l'affidabilità potrebbe diminuire in caso di shift di dominio molto forti, gravi disallineamenti nella composizione cellulare, o quando la risoluzione ST fornisce solo una supervisione geometrica debole. Identificano la generalizzazione della geometria tra pazienti e tra coorti come una direzione chiave per il lavoro futuro.