Riepilogo Tecnico: scGTN - Deep Siamese Graph Transformer Network per il Clustering di Sequenziamento di RNA a Singola Cellula

1. Definizione del Problema

Il sequenziamento dell'RNA a singola cellula (scRNA-seq) è una tecnologia fondamentale per profilare l'espressione genica a livello cellulare, consentendo l'identificazione dei tipi cellulari e la comprensità dell'eterogeneità cellulare. Un compito centrale in questo dominio è il clustering cellulare, che organizza le cellule in gruppi biologicamente significativi basati sui pattern di espressione.

Nonostante i progressi, i metodi esistenti affrontano due sfide primarie:

1. Sparsità e Rumore: I dati scRNA-seq soffrono di estesi effetti di dropout e rumore di misurazione, risultando in matrici ad alta dimensionalità e sparse. Ciò complica la costruzione affidabile delle relazioni cellulari, portando spesso a grafi altamente sparsi e rumorosi.
2. Limitata Sfruttamento Strutturale: Gli approcci attuali basati su Graph Neural Network (GNN) si concentrano principalmente sull'aggregazione dei vicini locali. Essi spesso trascurano indizi strutturali più ricchi incorporati nel grafo cellulare, come i cammini minimi (shortest paths) e le distanze nodo-specifiche. Di conseguenza, non riescono a sfruttare appieno l'informazione inerente al grafo, portando a somiglianze cellulari altamente omogenee e difficili da distinguere.

2. Metodologia: Framework scGTN

Gli autori propongono scGTN (Deep Siamese Graph Transformer Network), un framework che integra esplicitamente i profili di espressione genica e le dipendenze strutturali intercellulari. L'architettura è composta da tre moduli principali:

2.1 Modulo di Doppia Augmentation

Per mitigare la sparsità e il rumore, il metodo genera due viste complementari dei dati:

• Perturbazione dell'Espressione Genica: Viene aggiunto rumore gaussiano ai profili di espressione genica ($X$) per simulare la variabilità naturale. Questo è formulato come $\tilde{X} = \{x_i \odot m\}$, dove $m$ è una maschera casuale da una distribuzione gaussiana.
• Augmentation della Struttura del Grafo Intercellulare: Due viste distinte del grafo sono costruite a partire dal grafo iniziale dei $k$-vicini più prossimi (kNN):
  • Vista 1 (Raffinamento): Gli archi spurii vengono rimossi sulla base della similarità del coseno a coppie per preservare le connessioni biologicamente rilevanti.
  • Vista 2 (Diffusione): La diffusione del grafo viene applicata per propagare l'informazione attraverso il grafo, rafforzando le connessioni significative.

2.2 Fusione tramite Siamese Graph Transformer Network

Un'architettura Siamese con encoder a condivisione di pesi elabora le due viste aumentate. A differenza delle GNN standard, questo modulo incorpora esplicitamente l'informazione strutturale:

• Embedding dell'Espressione Genica: Un encoder di grafo Siamese elabora le matrici geniche perturbate ($\tilde{X}$) e le matrici di adiacenza ($\tilde{A}$) per produrre gli embedding iniziali.
• Embedding Strutturale Esplicito: Per catturare relazioni complesse, il modello integra:
  • Embedding di Posizione: Basati sull'intimità dei vicini rispetto al nodo centrale.
  • Embedding del Cammino Minimo (Shortest Path): Modellazione esplicita della struttura di connessione tra i nodi.
• Raffinamento Transformer: Questi embedding (Gene + Posizione + Shortest Path) vengono fusi ed elaborati attraverso un meccanismo di auto-attenzione multi-testa con reti feed-forward (FFN) e connessioni residue.
• Perdita di Correlazione: Viene introdotta una specifica perdita ($L_{cor}$) per prevenire il collasso delle caratteristiche e la ridondanza tra le due viste, massimizzando la correlazione degli elementi diagonali e minimizzando le correlazioni off-diagonal.

2.3 Clustering tramite Optimal Transport

Il compito di clustering è formulato come un problema di allineamento di distribuzioni utilizzando una strategia auto-supervisionata:

• Assegnazione del Cluster: La similarità tra gli embedding cellulari e i centri dei cluster è modellata utilizzando una distribuzione t di Student.
• Distribuzione Target: Le probabilità di assegnazione vengono rese più nitide (sharpened) per creare una distribuzione target.
• Optimal Transport: Una strategia di trasporto ottimale allinea la distribuzione dei cluster prevista con le proporzioni di miscelazione per garantire un clustering robusto e prevenire soluzioni degenerate (ad esempio, tutte le cellule mappate su un unico label). Questo è ottimizzato utilizzando il metodo della distanza di Sinkhorn con un vincolo di entropia.

2.4 Ottimizzazione Complessiva

La funzione obiettivo finale combina quattro componenti:
$$L = L_{clu} + \alpha L_{cor} + \beta L_{rec} + \gamma L_{ZINB}$$
Dove $L_{clu}$ è la perdita di clustering, $L_{cor}$ è la perdita di correlazione, $L_{rec}$ è la perdita di ricostruzione (MSE) per preservare la struttura del grafo, e $L_{ZINB}$ è la perdita Zero-Inflated Negative Binomial per modellare la sparsità dei dati e la sovradispersione.

3. Contributi Chiave

L'articolo delinea tre contributi primari:

1. Nuova Prospettiva: Lo studio affronta il clustering scRNA-seq considerando congiuntamente i profili di espressione genica e le strutture del grafo cellulare, sfruttando informazioni intercellulari complementari oltre le semplici somiglianze a livello di feature.
2. Metodologia Innovativa: L'introduzione di scGTN, un framework che utilizza una Siamese Graph Transformer Network. Questa incorpora esplicitamente informazioni strutturali più ricche, specificamente i cammini minimi e le distanze nodo-specifiche, per apprendere rappresentazioni cellulari discriminanti.
3. Esperimenti Estesi: Una valutazione completa su molteplici dataset di benchmark dimostra le prestazioni superiori del framework rispetto ai metodi esistenti.

4. Risultati Sperimentali

Gli autori hanno valutato scGTN su sette dataset benchmark pubblici (che coprono cellule di pancreas, fegato e immunitarie di uomo e topo) contro dieci baseline, inclusi metodi tradizionali (k-means, gerarchico), metodi di deep learning (DEC, scDeepCluster) e metodi basati su grafi (scGNN, scDSC).

• Prestazioni Quantitative: scGTN ha ottenuto le migliori prestazioni in tutti e tre i parametri (Accuratezza, NMI e ARI) su tutti i sette dataset. In media, ha superato il secondo miglior metodo del 3,00% in ACC, del 2,42% in NMI e del 2,30% in ARI.
• Visualizzazione: Le visualizzazioni UMAP sul dataset Human Liver hanno mostrato che scGTN ha prodotto cluster altamente compatti con confini chiari, mentre i metodi baseline presentavano un mixing di sottotipi o distribuzioni diffuse.
• Validazione Biologica:
  • Espressione Genica Differenziale (DEG): I cluster generati da scGTN hanno mostrato un'alta sovrapposizione (>90%) con i tipi cellulari reali basata sui top-100 DEG. I top-5 geni marker identificati da scGTN (ad esempio, PPY per le cellule PP pancreatiche) hanno corrisposto precisamente alle classificazioni standard.
  • Arricchimento dei Pathway KEGG: Il metodo ha identificato con successo sottopopolazioni funzionali distinte, come i pathway di "secrezione dell'insulina" per le cellule $\beta$ e i pathway del "ribosoma" per le cellule acinarie, confermando l'interpretabilità biologica.

5. Significato e Rivendicazioni

L'articolo afferma che scGTN affronta i limiti critici degli attuali metodi andando oltre l'aggregazione dei vicini locali per catturare le dipendenze strutturali globali. Integrando esplicitamente le informazioni del cammino minimo e le distanze nodo-specifiche tramite una Siamese Graph Transformer, il modello apprende embedding più discriminanti e robusti. Gli autori asseriscono che questo approccio gestisce efficacementamente la sparsità e il rumore intrinseci dei dati scRNA-seq, fornendo uno strumento più accurato per l'identificazione del tipo cellulare e l'interpretazione biologica rispetto agli esistenti framework di clustering basati su grafi e deep learning.