Prior-Guided Multi-Omic Transformers for Single-Cell Gene Regulatory Network Inference

Sintesi Tecnica: EpiAwareNet – Trasformatori Multi-omici Guidati da Prior per l'Inferenza di Reti di Regolazione Genica Single-Cell

Definizione del Problema
Ricostruire le Reti di Regolazione Genica (GRN) a partire da dati accoppiati di trascrittomica a singola cella (scRNA-seq) e accessibilità della cromatina (scATAC-seq) è una sfida critica nella biologia computazionale. Sebbene l'integrazione di queste modalità offra prove complementari, gli attuali metodi affrontano ostacoli significativi:

1. Scarsità e Rumore dei Dati: I dati scATAC-seq sono estremamente sparsi e rumorosi, il che rende difficile distinguere i segnali regolatori genuini dalle fluttuazioni stocastiche.
2. Associazione Ambigua: Collegare i picchi di accessibilità della cromatina ai loro geni bersaglio è fondamentalmente ambiguo. Gli approcci esistenti spesso si affidano a mappature picco-gene fisse ed euristiche (ad esempio, basate sulla distanza genomica), che possono assegnare l'evidenza di accessibilità a target errati e non riescono a catturare le interazioni enhancer-promotore specifiche per il contesto.
3. Scarsità di Etichette: Un'inferenza accurata delle GRN richiede l'apprendimento di relazioni regolatorie dirette da dati osservazionali con limitate etichette di verità fondamentale (ground-truth) affidabili.

Metodologia: EpiAwareNet
Gli autori propongono EpiAwareNet, un framework Transformer multi-omico guidato da prior per la ricostruzione di GRN utilizzando solo prior biologici leggeri. Il framework opera in due fasi distinte:

Fase 1: Apprendimento delle Rappresentazioni Guidato da Prior
Questa fase si concentra sull'apprendimento di rappresentazioni congiunte gene-picco senza assegnazioni picco-gene predefinite.

• Architettura: Un backbone basato su Transformer elabora i dati scRNA-seq e scATAC-seq accoppiati.
• Cross-Attention Vincolata dai Candidati: Inveve di mappature fisse, il modello definisce un insieme di candidati di picchi ATAC ($C_g$) per ogni gene $g$ utilizzando la prossimità genomica come un prior leggero. Impiega un meccanismo di cross-attention gene-picco sparsa in cui i token genici prestano attenzione solo ai picchi all'interno del proprio insieme di candidati. Ciò consente un'aggregazione data-driven e "soft" dei segnali di accessibilità, permettendo al modello di apprendere quali picchi candidati spiegano meglio la variazione dell'espressione genica.
• Attenzione Gene-Gene Sparsa: Per gestire la complessità computazionale, l'auto-attenzione gene-gene è limitata ai $k$-vicini più prossimi nello spazio latente.
• Obiettivo di Pretraining: Il backbone è preaddestrato tramite un compito di ricostruzione genica mascherata utilizzando una perdita Binomiale Negativa (NB), che modella meglio la natura sovradispersa dei dati scRNA-seq.

Fase 2: Raffinamento della GRN tramite Supervisione Debole
Questa fase introduce direzionalità e punteggi degli archi (edge scoring) tramite supervisione debole.

• Weak Priors: Il modello incorpora una GRN derivata da dati bulk come un insieme di archi "positivi rumorosi" ($P_{bulk}$). Questi archi non sono trattati come verità fondamentale, ma come guide morbide.
• Apprendimento Positive-Unlabeled (PU): Le restanti coppie regolatore-target sono trattate come non etichettate (unlabeled). Il modello è addestrato per distinguere i positivi rumorosi dall'insieme non etichettato.
• Obiettivi: Gli autori valutano due obiettivi:
  1. Binary Cross-Entropy (BCE): Tratta le coppie non etichettate campionate come negative, ottimizzando la qualità del ranking globale.
  2. Non-negative PU (nnPU): Tiene esplicitamente conto dei positivi nascosti tra le coppie non etichettate, risultando in una funzione di punteggio più conservativa che concentra la massa di probabilità su un set più piccolo di archi ad alta confidenza, ottimizzando la precisione nel recupero precoce (early retrieval precision).
• Predizione: Un head di predizione leggero assegna punteggi alle coppie regolatore-target ordinate basandosi sulle rappresentazioni aggregate a livello di cellula derivate dal backbone congelato della Fase 1.

Contributi Chiave

1. Apprendimento di Rappresentazione Cross-Modale Guidato da Prior: Il lavoro formula l'inferenza GRN come un problema di apprendimento di rappresentazione che utilizza l'attenzione cross-modale gene-picco sparsa all'interno di set di candidati genomici deboli, evitando regole di mappatura rigide picco-gene.
2. Raffinamento GRN con Supervisione Debole e Prior Rumorosi: Introduce una formulazione in cui gli archi derivati dal bulk servono come positivi rumorosi in un contesto di apprendimento PU. Gli autori analizzano il compromesso tra il ranking globale (BCE) e la precisione dei primissimi elementi (nnPU).
3. Valutazione Comprensiva: Il framework è valutato su sistemi mammiferi (PBMC umani, cervello di topo) e vegetali (radice di pomodoro), dimostrando una maggiore robustezza della ricostruzione e plausibilità biologica rispetto ai baseline.

Risultati Sperimentali
Gli autori hanno valutato EpiAwareNet su quattro dataset multi-omici accoppiati contro metodi classici basati solo su RNA (GRNBoost2, WGCNA), baseline di rappresentazione profonda (scGPT, scGLUE con head corrispondenti) e recenti pipeline multi-omiche (SCENIC+, Pando).

• Ranking Globale: EpiAwaremente ha costantemente ottenuto punteggi AUPRC e AUROC superiori rispetto ai baseline. Ad esempio, sul dataset mN del pomodoro, ha migliorato l'AUPRC da 0.045 (GRNBoost2) a 0.08458.
• Recupero Precoce: La variante EpiAwareNet-nnPU ha dimostrato prestazioni superiori nelle metriche di "early retrieval" (Precision@K, Hit@K) sui dataset vegetali, ottenendo una precisione più elevata negli archi con il ranking più alto rispetto alla variante standard BCE e agli altri baseline.
• Studi di Ablazione:
  • La rimozione dei dati ATAC (RNA-only) ha generalmente degradato le prestazioni, confermando il valore dell'accessibilità della cromatina come evidenza complementare, sebbene il beneficio dipendesse dal dataset.
  • La randomizzazione dei set di candidati gene-picco ha degradato significativamente le prestazioni, validando l'importanza del meccanismo di attenzione vincolato dai candidati.
• Robustezza: Il modello ha mostrato robustezza al rumore del prior derivato dal bulk; le prestazioni si sono stabilizzate piuttosto che crollare quando una frazione significativa di archi del prior veniva rimossa, suggerendo che il modello apprenda il segnale oltre la semplice riproduzione del prior.

Significatività e Rivendicazioni
Il paper sostiene che EpiAwareNet affronti efficacemente le sfide dei dati multi-omici sparsi e rumorosi combinando l'apprendimento di rappresentazioni cross-modali adattive con la supervisione biologica debole. Gli autori sostengono che:

• I prior biologici leggeri derivati dai dati bulk possono guidare efficacemente l'inferenza GRN single-cell se accoppiati con Transformer adattivi.
• Il passaggio da euristiche fisse picco-gene verso un'attenzione basata su candidati e guidata dai dati migliora la robustezza e la plausibilità biologica delle reti inferite.
• Il framework offre un compromesso flessibile tra la qualità del ranking globale e il recupero ad alta precisione dei primi elementi, a seconda dell'obiettivo scelto (BCE vs nnPU).

Il lavoro si posiziona non come una rivendicazione di novità assoluta per ogni singolo componente, ma come una formulazione specifica ed efficace per il raffinamento delle GRN da dati accoppiati scRNA-seq/scATAC-seq in condizioni di scarsità di etichette e scarsità di dati.