Sintesi Tecnica: Interrogare Controfatuali su Grafi di Tessuto con Disgiunzione Supervisionata

Definizione del Problema

La biologia a singola cella mira a prevedere le risposte cellulari alle perturbazioni. Tuttavia, i metodi esistenti si basano tipicamente su due assunzioni che i tessuti violano: (i) le perturbazioni agiscono come stimoli condivisi applicati uniformemente, e (ii) le cellule sono condizionalmente indipendenti (i.i.d.). Nei tessuti viventi, lo stato trascrizionale di una cellula è plasmato dal suo vicinato locale, che varia in modo unico per ogni cella.

Gli autori formalizzano i controfatuali di grafi tissutali come una classe di interventi spaziali che chiedono: Cosa esprimerebbe una cellula se il suo contesto di vicinato venisse alterato mantenendo fissa la sua identità intrinseca? Questi interventi prendono di mira due componenti mutabili del grafo tissutale:

1. Perturbazione dei Bordi (Edge Perturbation): Riconfigurare le connessioni del vicinato di una cella (sostituendo i vicini).
2. Perturbazione dei Nodi (Node Perturbation): Modificare le caratteristiche di espressione genica dei vicini esistenti preservando la topologia del grafo.

Gli attuali metodi mancano di un framework unificato per gestire queste interrogazioni, trattando spesso le cellule come i.i.d. o mirando a tipi specifici di intervento senza separare l'identità cellulare intrinseca dall'influenza microambientale estrinseca.

Metodologia: Cellina

Il documento introduce Cellina, un Variational Autoencoder (VAE) su grafi progettato per rendere trattabili i controfatuali di grafi tissutali attraverso la disgiunzione supervisionata (supervised disentanglement).

Architettura del Modello

Cellina decompone l'espressione genica $x$ di una cella in due componenti latenti:

• Rappresentazione Intrinseca ($z$): Codifica l'identità cellulare (tipo cellulare), indipendente dal contesto spaziale.
• Rappresentazione Estrinseca ($s$): Codifica l'effetto del microambiente spaziale (vicinato).

Il modello generativo assume prior normali standard per $z$ e $s$, con la verosimiglianza $p(x|z, s)$ modellata come una distribuzione Binomiale Negativa parametrizzata da un decoder $Dec([z; s])$.

Varianti di Inferenza

Vengono proposte due varianti per codificare la rappresentazione spaziale $s$:

1. Cellina (Base): Utilizza un'aggregazione normalizzata per grado della log-espressione dei vicini $\phi(v)$, codificata tramite un MLP.
2. Cellina-GAT: Sostituisce l'aggregatore fisso con una rete di attenzione su grafo multi-strato (GATv2) operante sul sottografo locale. Questa variante esclude i self-loop per garantire che l'espressione della cella focale sia catturata esclusivamente da $z$.

Disgiunzione Supervisionata

La disgiunzione puramente non supervisionata non è identificabile senza bias induttivi. Cellina inietta una supervisione biologica per ancorare $z$ all'identità del tipo cellulare e indirizzare la variazione spaziale verso $s$:

• Classificatore del Tipo Cellulare ($L_{clf}$): Ancora $z$ alle etichette note dei tipi cellulari.
• Discriminatore di Dominio Avversario ($L_{adv}$): Un'ottimizzazione alternata in due fasi in cui un discriminatore tenta di prevedere il dominio spaziale da $z$. L'encoder è addestrato per minimizzare questa previsione (massimizzare l'entropia), rimuovendo efficacemente l'informazione del dominio spaziale da $z$ e forzandola in $s$.
• Perdita Contrastiva ($L_{spatial}$): Applicata solo in Cellina-GAT, questa perdita incoraggia la somiglianza in $s$ per i vicini spaziali pur separando i distinti domini regionali, agendo come un bias induttivo biologicamente fondato.

L'obiettivo totale di addestramento è:
$$\mathcal{L} = \mathcal{L}_{VAE} + \alpha_{clf} \mathcal{L}_{clf} + \alpha_{spatial} \mathcal{L}_{spatial} - \alpha_{adv} \mathcal{L}_{adv}$$

Simulazione Controfatuale

• Perturbazione dei Bordi: I vicini di una cella focale vengono scambiati con cellule di un dominio target (ad esempio, sostituendo i vicini sani con vicini tumorali), escludendo il tipo della cella focale stessa per garantire una valutazione conservativa.
• Perturbazione dei Nodi: La topologia del grafo rimane fissa, ma i vettori di espressione genica dei vicini vengono modificati tramite una trasformazione specifica per gene (ad esempio, scalatura moltiplicativa basata sui log-fold changes tra i domini).

Contributi Chiave

1. Formalizzazione: Gli autori definiscono i controfatuali di grafi tissutali come una classe unificata di interventi spaziali che comprendono sia perturbazioni di bordo (topologia) che di nodo (caratteristiche).
2. Framework Cellina: Introducono un VAE su grafi con doppio encoder e disgiunzione supervisionata che separa l'identità intrinseca dal contesto spaziale.
3. Prestazioni: Cellina supera i baseline spazialmente informati e non spaziali (inclusi scGen, CPA, MintFlow e SpatialProp) in termini di previsione controfatuale, disgiunzione e scalabilità su dataset contenenti oltre 2,5 milioni di cellule.
4. Scoperta Biologica: Il framework consente l'identificazione non supervisionata di subdomini tumorali biologicamente distinti e facilita simulazioni mirate di perturbazione del vicinato specifiche per pathway.

Risultati Sperimentali

Il modello è stato valutato su due dataset di trascrittomica spaziale su larga scala:

1. Cancro Colorettale (CRC): ~2,4 milioni di cellule attraverso sei slide. Il compito consisteva nel prevedere l'espressione delle cellule del colon sane (REF) se collocate in una regione tumorale (CRC).

   • Risultati: Le varianti di Cellina hanno superato significativamente tutti i baseline. La versione base di Cellina ha migliorato la correlazione di Pearson di +0,14 e la Precisione Firmata di +0,17 rispetto al più forte baseline non-Cellina. Cellina-GAT ha ottenuto il punteggio di Pearson più alto (0,85) e il RMSE più basso (1,14).
   • Ablazione: Anche la variante "Cellina (ablatata)" (senza supervisione) ha superato i baseline non spaziali, ma la disgiunzione supervisionata ha fornito ulteriori guadagni (+0,12 in Pearson), confermando l'efficacia della strategia di separazione.

2. Cervello di topo intero: ~146K cellule attraverso tre slide (MERFISH). Il compito consisteva nel trasferire le previsioni tra domini spaziali (Talamo verso Isocorte/Fibre).

   • Risultati: Le varianti di Cellina hanno nuovamente guidato i risultati in tre di quattro metriche, dimostrando generalizzazione attraverso tessuti e specie.

Approfondimenti Biologici

• Scoperta di Subdomini: Il clustering della rappresentazione spaziale latente $s$ ha rivelato distinti subdomini di CRC (CRC1 e CRC2) con profili di segnalazione differenti (dominante TGF$\beta$ vs. dominante NF$\kappa$B/MAPK) senza supervisione diretta.
• Perturbazione dei Pathway: La simulazione delle perturbazioni dei nodi utilizzando i pesi del pathway PROGENy ha ricapitolato con successo le risposte biologiche di questi subdomini, identificando geni chiave (es. FN1, MMP3) coerenti con i programmi dei fibroblasti noti.

Significato e Rivendicazioni

Il documento afferma che Cellina fornisce un framework rigoroso per studiare le risposte cellulari guidate dal vicinato, andando oltre l'assunzione di cellule indipendenti. Disgiungendo esplicitamente lo stato intrinseco dall'influenza estrinseca, il modello permette:

• Previsione Contestuale: Prevedere il comportamento cellulare non in isolamento, ma all'interno di specifici contesti spaziali.
• Riduzione dello Spazio di Ricerca Sperimentale: Generare risposte cellulari "virtuali" a vicinati alterati per guidare la validazione in laboratorio (wet-lab).
• Scalabilità: Il modello base di Cellina scala efficientemente (tempo di addestramento comparabile a scVI non spaziale) disaccoppiando la costruzione del vicinato dall'addestramento, a differenza dei competitor basati su attenzione su grafi che richiedono costosi passaggi di messaggi.

Gli autori osservano che, sebbene i controfatuali siano attualmente ipotesi generative che richiedono validazione sperimentale, l'interpretazione operativa di queste simulazioni offre una via promettente per interrogare le risposte cellulari virtuali in complessi ambienti tissutali. Riconoscono i limiti riguardanti la dipendenza da annotazioni predefinite di tipo cellulare e dominio, nonché il potenziale errore di segmentazione nei dati spaziali, suggerendo che il lavoro futuro potrebbe integrare segnali di imaging grezzi per denoisare questi input.