scGRIP: a graph-based explainable AI framework for single-cell multi-omics Gene Regulatory Inference with Prior Knowledge

Il paper presenta scGRIP, un framework di intelligenza artificiale spiegabile basato su grafi che integra conoscenze prioriche per inferire reti di regolazione genica a risoluzione singola cellula, migliorando l'interpretabilità e la scalabilità nell'analisi di dati multi-omici come quelli relativi alla malattia di Alzheimer.

L'essenziale

Immagina il tuo corpo come una città enorme e vivace.

• Le cellule sono i cittadini.
• I geni sono le istruzioni scritte nei loro quaderni (il DNA).
• I fattori di trascrizione (TF) sono i sindaci o i manager che decidono quali istruzioni leggere e quali ignorare.
• Gli elementi regolatori (RE) sono i semafori o i cartelli stradali che dicono ai manager quando fermarsi o procedere.

Il problema? In una città così grande, ogni cittadino ha un ruolo leggermente diverso e reagisce in modo diverso agli eventi. Se c'è un'epidemia (una malattia come l'Alzheimer), alcuni cittadini (cellule) vanno nel panico, altri restano calmi. Vogliamo capire esattamente chi sta dando quali ordini a chi, in tempo reale.

Fino a poco tempo fa, gli scienziati avevano due problemi:

1. Il rumore: I dati sono confusi e pieni di errori (come ascoltare una conversazione in una stanza piena di gente che urla).
2. La scatola nera: I computer facevano previsioni, ma non spiegavano perché avevano preso quella decisione.

Cos'è scGRIP?

scGRIP è un nuovo "super detective" digitale che risolve questi problemi. Il suo nome sta per single-cell Gene Regulatory Inference with Prior knowledge (Inferenza delle reti di regolazione genica a livello di singola cellula con conoscenza preliminare).

Ecco come funziona, usando tre metafore semplici:

1. La Mappa della Città (La Conoscenza Preliminare)

Prima di iniziare, scGRIP non parte da zero. Ha già una mappa della città (una "rete di conoscenza"). Sa che certi sindaci (TF) tendono a parlare con certi cartelli (RE) e che questi cartelli controllano certi edifici (Geni).

• L'analogia: È come se il detective avesse già l'elenco telefonico e la mappa dei collegamenti stradali. Non deve inventare tutto da zero, ma usa questa mappa per orientarsi meglio nel caos dei dati.

2. Il Traduttore Universale (Tokenizzazione)

Ogni cellula parla una "lingua" diversa. Alcune urlano, altre sussurrano. scGRIP usa un traduttore universale (un codice condiviso) per trasformare le voci delle cellule in un linguaggio comune che il computer può capire.

• L'analogia: Immagina di avere un traduttore che prende le diverse lingue parlate dai cittadini e le converte tutte in un unico codice a barre. In questo modo, il computer può confrontare un medico con un idraulico e capire esattamente cosa sta succedendo in quel preciso momento, cellula per cellula.

3. L'Interrogatorio Intelligente (Explainable AI)

Questa è la parte più magica. I vecchi computer dicevano: "C'è un problema qui". scGRIP dice: "C'è un problema qui, ed è colpa del Sindaco X che ha dato l'ordine al Cartello Y".

• L'analogia: Usa una tecnica chiamata GraphSHAP. Immagina di avere un gruppo di sospettati (i geni e i regolatori). scGRIP fa un esperimento mentale: "Cosa succederebbe se togliessimo il Sindaco X dalla stanza?". Se il caos nella cellula cambia, allora sappiamo che il Sindaco X era fondamentale. In questo modo, scGRIP non solo trova il colpevole, ma ti spiega esattamente quanto ha contribuito al disastro.

Perché è importante? (Il caso dell'Alzheimer)

Gli scienziati hanno usato scGRIP per studiare il morbo di Alzheimer.
Hanno guardato le cellule del cervello (in particolare i "microglia", che sono le cellule immunitarie del cervello) di persone sane e di persone malate.

• Cosa hanno scoperto? Hanno visto che nelle cellule malate, certi "sindaci" (come SPI1 e APOE) stavano dando ordini sbagliati. Stavano attivando un allarme per l'infiammazione e per la pulizia delle placche amiloidi, ma in modo esagerato e dannoso.
• Il risultato: scGRIP ha permesso di vedere questi cambiamenti prima che diventassero evidenti con i metodi vecchi, identificando esattamente quali percorsi di comunicazione si erano rotti.

In sintesi

scGRIP è come un detective che:

1. Ha una mappa della città (conoscenza biologica).
2. Traduce le voci confuse in un linguaggio chiaro (dati single-cell).
3. Interroga i sospettati uno per uno per capire chi ha fatto cosa (intelligenza artificiale spiegabile).

Grazie a questo strumento, possiamo finalmente capire non solo che una cellula sta male, ma perché sta male e quali sono i comandi specifici che hanno portato al disastro, aprendo la strada a cure più mirate.

Sommario tecnico

Riepilogo Tecnico: scGRIP – Un Framework di AI Spiegabile per l'Inferenza di Reti di Regolazione Genica a Risoluzione Singola Cellula

1. Il Problema

Le tecnologie di sequenziamento multi-omico a singola cellula (come scRNA-seq e scATAC-seq accoppiati) permettono di misurare simultaneamente l'espressione genica e l'accessibilità della cromatina. Questo offre la possibilità di inferire Reti di Regolazione Genica (GRN) a livello di singola cellula, svelando l'eterogeneità cellulare e i meccanismi di malattia con alta risoluzione.

Tuttavia, i metodi esistenti presentano limiti significativi:

• Mancanza di interpretabilità: Molti approcci basati sul deep learning agiscono come "scatole nere", rendendo difficile comprendere le basi biologiche delle previsioni.
• Scalabilità: I metodi attuali faticano a gestire la sparsità, il rumore e l'alta dimensionalità dei dati multi-omici su larga scala.
• Integrazione limitata delle conoscenze a priori: Spesso non sfruttano efficacemente le conoscenze biologiche preesistenti (come i siti di legame dei fattori di trascrizione) all'interno dell'architettura del modello, basandosi invece su database di motivi eterogenei che introducono variabilità.

2. Metodologia: scGRIP

scGRIP (single-cell Gene Regulatory Inference with Prior knowledge) è un framework basato su un Autoencoder Variazionale Grafico (Graph Variational Autoencoder) che integra tre componenti principali:

A. Rappresentazione Grafica con Conoscenza A Priori

Il paesaggio regolatorio viene formalizzato come un grafo eterogeneo:

• Nodi: Fattori di trascrizione (TF), Elementi Regolatori (RE, es. promotori/enhancer) e Geni Bersaglio (TG).
• Bordi: Interazioni potenziali TF-RE e RE-TG derivate da conoscenze biologiche a priori (es. database cisTarget per il legame dei TF e prossimità genomica per RE-TG).
• Questo grafo funge da "impalcatura" strutturale su cui il modello apprende.

B. Tokenizzazione e Incorporamento Dinamico

Per trasformare la struttura statica in un modello dinamico capace di catturare lo stato molecolare unico di ogni cellula:

• Viene utilizzata una tecnica di tokenizzazione (ispirata ai modelli fondazionali come xTrimoGene) con un codice condiviso (codebook).
• L'accessibilità della cromatina e l'espressione genica vengono mappate in vettori latenti specifici per cellula.
• Gli incorporamenti dei nodi combinano:
  1. Feature strutturali statiche: Ottenute tramite node2vec per catturare la connettività globale della rete.
  2. Feature dinamiche specifiche per cellula: Ottenute tramite l'encoder che processa i dati omici.
• Viene impiegata una strategia di aggregazione dei vicini ispirata a GraphSAGE per garantire scalabilità e memoria efficiente.

C. Inferenza Spiegabile tramite GraphSHAP

Per inferire le GRN a livello di singola cellula in modo interpretabile, scGRIP integra GraphSHAP (un'estensione di SHAP per le reti neurali grafiche):

• Il metodo calcola i valori di Shapley per attribuire l'importanza di ciascun nodo (TF e RE) alla previsione di un gene bersaglio (TG).
• Invece di trattare le interazioni come fisse, scGRIP quantifica il contributo di ogni regolatore in ogni singola cellula, permettendo di distinguere le interazioni attive da quelle silenti in base al contesto cellulare.

D. Decodificatore a Modello di Topic Incorporato (ETM)

Il decoder utilizza un modello lineare (Embedded Topic Model) per ricostruire i dati di input (espressione e accessibilità) partendo dalle distribuzioni di topic latenti. Questo garantisce che lo spazio latente sia linearmente separabile e biologicamente interpretabile, permettendo l'identificazione di "moduli regolatori" coerenti.

3. Contributi Chiave

1. Grafo di Conoscenza Cis-Regolatoria: Costruzione di un grafo eterogeneo che unisce TF, RE e TG, utilizzando conoscenze biologiche a priori per guidare l'apprendimento delle rappresentazioni.
2. Tokenizzazione Multi-omica: Uso di un codice condiviso per generare incorporamenti specifici per cellula che integrano dati di cromatina e trascrizione, arricchiti dal contesto di rete.
3. Attribuzione basata su GraphSHAP: Integrazione nativa di tecniche di spiegabilità (SHAP) nel framework di inferenza per quantificare l'importanza degli archi (interazioni) a risoluzione di singola cellula, superando l'approccio post-hoc.

4. Risultati Principali

A. Prestazioni nell'Inferenza TF-RE

• Dataset: PBMC multi-omico (10X Genomics).
• Metrica: Area Under the Precision-Recall Curve (AUPRC) confrontata con ChIP-Atlas (gold standard).
• Risultato: scGRIP ha superato gli stati dell'arte (LINGER, GLUE) e i baselines di correlazione, raggiungendo un AUPRC medio di 0.613 (vs 0.606 di GLUE e 0.599 di LINGER). Ha dimostrato una maggiore precisione nel recuperare siti di legame supportati da esperimenti ChIP-seq.

B. Predizione di Tipi Cellulari e Dinamiche Specifiche

• Utilizzando le GRN inferite come feature per un classificatore KNN, scGRIP ha ottenuto le migliori prestazioni (AUROC) nella classificazione dei tipi cellulari (es. astrociti, neuroni eccitatori, microglia) rispetto a varianti senza SHAP o metodi concorrenti.
• Esempio SPI1: Il modello ha identificato correttamente geni bersaglio specifici per la microglia (es. NOD2, P2RY12) e ha mostrato come l'attività regolatoria di TF come SOX5 possa variare in modo contestuale (attiva in neuroni inibitori, ma con target diversi in oligodendrociti), catturando stati funzionali oltre la semplice abbondanza trascrizionale.

C. Applicazione alla Malattia di Alzheimer (AD)

• Analisi Differenziale: Confronto tra campioni AD e controllo a livello di singola nuclei nella microglia.
• Scoperte: Identificazione di interazioni TF-TG specifiche per la malattia, tra cui:
  • Attivazione di pathway immunitari (degranulazione dei neutrofili, attivazione immunitaria innata).
  • Risposte correlate all'amiloide (formazione di fibre amiloidi).
  • Regolazione di geni chiave come APOE e SPI1.
• Validazione: Le interazioni inferite (es. RE-TG per APOE) sono state validate su dataset indipendenti (ROSMAP), mostrando un arricchimento ipergeometrico superiore rispetto a LINGER in diverse popolazioni cellulari.

D. Imputazione Cross-Modale

• scGRIP ha dimostrato capacità superiori nel prevedere l'espressione genica dall'accessibilità della cromatina (ATAC2RNA) e viceversa, superando modelli come BABEL e MultiVI, con correlazioni di Pearson medie di 0.73 e 0.57 rispettivamente.

5. Significato e Impatto

Il framework scGRIP rappresenta un avanzamento significativo nell'analisi dei dati multi-omici a singola cellula per diversi motivi:

• Scalabilità ed Efficienza: Grazie all'uso di GraphSAGE e strategie di campionamento, gestisce reti biologiche su larga scala con un consumo di memoria competitivo, superando approcci basati su attention (es. GAT).
• Interpretabilità Biologica: Non si limita a predire, ma fornisce una spiegazione causale delle interazioni regolatorie attraverso i valori di Shapley, permettendo ai ricercatori di identificare meccanismi specifici per tipo cellulare e condizione patologica.
• Integrazione di Conoscenza: Dimostra che l'integrazione esplicita di conoscenze a priori (grafi di regolazione) con l'apprendimento profondo dinamico migliora la fedeltà biologica e la capacità di discriminare stati cellulari complessi.
• Applicazione Clinica: Offre un potente strumento per decifrare i meccanismi di malattie complesse come l'Alzheimer, identificando programmi regolatori specifici della microglia che potrebbero essere bersagli terapeutici.

In sintesi, scGRIP fornisce un ponte tra l'analisi computazionale su larga scala e la biologia meccanicistica, permettendo di passare da una visione statica delle reti di regolazione a una dinamica e specifica per cellula.