GatorSC: Multi-Scale Cell and Gene Graphs with Mixture-of-Experts Fusion for Single-Cell Transcriptomics

Il paper presenta GatorSC, un framework di apprendimento rappresentazionale auto-supervisionato che integra grafi multi-scala di cellule e geni tramite un'architettura Mixture-of-Experts per generare embedding robusti al rumore, superando gli stati dell'arte in compiti di clustering, imputazione e annotazione su dataset di trascrittomica a cellula singola.

L'essenziale

Immagina di avere una biblioteca enorme piena di libri (i dati genetici delle cellule), ma molti libri sono stati rovinati dall'umidità (rumore tecnico), alcune pagine sono strappate (dati mancanti) e le etichette sui dorsi sono sbiadite (non sappiamo che tipo di cellula sia).

GatorSC è come un super-intelligente bibliotecario che non solo ripara i libri, ma capisce anche la storia complessa che legano tra loro. Ecco come fa, passo dopo passo:

1. Tre Lenti Magiche (I Grafi Gerarchici)

La maggior parte dei metodi precedenti guarda i dati con una sola lente, come se guardasse un dipinto da un solo angolo. GatorSC, invece, usa tre lenti diverse contemporaneamente per vedere la realtà completa:

• La Lente Globale delle Cellule (Il Vicinato): Guarda come le cellule si comportano in massa. È come guardare una folla da un aereo: vedi i gruppi grandi, chi sta insieme e chi no.
• La Lente Globale dei Geni (La Rete di Amicizia): Guarda come i geni si aiutano a vicenda in tutto il corpo umano, indipendentemente da dove si trovano. È come una mappa delle amicizie universali tra i geni.
• La Lente Locale dei Geni (Il Quartiere): Questa è la parte geniale. Guarda i geni solo in un piccolo "quartiere" specifico (un gruppo di cellule vicine). È come entrare in una casa specifica per vedere come i vicini parlano tra loro in quel momento esatto, catturando dettagli che la vista dall'aereo perderebbe.

2. Il Consiglio degli Esperti (Mixture-of-Experts)

Una volta che ha guardato attraverso queste tre lenti, GatorSC non si limita a fare una media noiosa (che spesso appiattisce le differenze). Usa un sistema chiamato "Mixture-of-Experts" (Miscela di Esperti).

Immagina di dover risolvere un caso difficile. Invece di affidarti a un solo detective, ne chiami tre:

1. Il detective esperto di grandi folle.
2. Il detective esperto di relazioni a distanza.
3. Il detective esperto di vicinato stretto.

GatorSC ha un capo intelligente (la "rete di controllo" o gating network) che ascolta il caso. Se il caso riguarda un gruppo enorme, il capo dice: "Ascolta di più il primo detective!". Se riguarda un dettaglio specifico di un quartiere, dice: "Ascolta di più il terzo!".
In pratica, il sistema decide dinamicamente quale "esperto" è più utile per ogni singola cellula, mescolando le loro opinioni per creare una risposta perfetta.

3. Imparare senza un Insegnante (Auto-supervisione)

Il bello è che questo bibliotecario super-intelligente non ha bisogno di un manuale di istruzioni (non servono etichette umane che dicano "questa è una cellula del fegato"). Impara da solo facendo due giochi:

• Il gioco del Ricordo: Cerca di ricostruire i libri strappati (i dati mancanti) basandosi su ciò che sa. Se riesce a indovinare cosa c'era sulla pagina strappata, significa che ha capito bene la storia.
• Il gioco del "Trova la Coppia": Prende due versioni leggermente diverse dello stesso libro (una originale e una un po' modificata) e impara a riconoscere che sono la stessa cosa, ignorando i piccoli rumori di fondo.

Cosa ha ottenuto GatorSC?

Grazie a questo metodo, GatorSC è stato testato su 19 diversi dataset (come testarlo su 19 biblioteche diverse) e ha vinto quasi sempre contro i suoi rivali:

• Raggruppa meglio le cellule: Separa le cellule simili da quelle diverse con una precisione incredibile, anche quando sono molto confuse.
• Ripara i dati: Riesce a indovinare i valori mancanti nei dati genetici meglio di chiunque altro, come se riempisse i buchi in un puzzle.
• Identifica le cellule: Sa dire esattamente che tipo di cellula sta guardando (es. "questa è una cellula neuronale") senza che nessuno glielo abbia detto prima.

L'esempio Reale: Il Cervello e l'Alzheimer

Per dimostrare che non è solo teoria, i ricercatori l'hanno usato su dati reali del cervello umano affetto da Alzheimer.
GatorSC è riuscito a:

1. Separare chiaramente i diversi tipi di cellule cerebrali (neuroni, microglia, ecc.).
2. Scoprire che, in caso di Alzheimer, certe cellule (gli oligodendrociti) hanno un "interruttore" (un percorso biologico chiamato MAPK) che si spegne, mentre in altre cellule rimane acceso. È come se il sistema avesse trovato un dettaglio nascosto che spiega perché certe cellule soffrono di più della malattia.

In sintesi

GatorSC è come un detective che usa tre occhiali diversi, ascolta tre esperti specializzati e impara da solo guardando i dati. Il risultato? Riesce a pulire il "rumore" dai dati genetici, a ricostruire la storia delle cellule e a scoprire segreti biologici che altri metodi avevano perso, tutto senza bisogno di un manuale di istruzioni umano. È un passo avanti enorme per capire come funzionano le nostre cellule e le malattie.

Sommario tecnico

1. Il Problema

L'analisi dei dati di sequenziamento dell'RNA a singola cellula (scRNA-seq) è fondamentale per caratterizzare l'eterogeneità cellulare, ma si scontra con sfide significative:

• Rumore tecnico e Sparsità: I dati sono ad alta dimensionalità e estremamente sparsi a causa del fenomeno del "dropout" (mancata rilevazione di geni espressi).
• Struttura Multi-Scala Inesplorata: I dati scRNA-seq contengono informazioni complementari a diverse scale: relazioni globali tra le cellule, dipendenze funzionali globali tra i geni e programmi genici specifici del contesto (locali) attivi solo in determinati vicinati cellulari.
• Limiti degli Approcci Esistenti:
  • Molti metodi modellano solo una o due viste (es. solo grafico cellula-cellula o solo bipartito cellula-gene).
  • Le strategie di fusione delle informazioni sono spesso rigide (es. concatenazione o media uniforme), incapaci di adattarsi all'importanza relativa di diverse viste strutturali tra diversi dataset o singole cellule.
  • Gli obiettivi di apprendimento auto-supervisionato tendono a privilegiare o la ricostruzione del rumore o l'accordo contrastivo, ma raramente entrambi, limitando la capacità di preservare la topologia del grafico, denoisare l'espressione e mantenere la coerenza semantica simultaneamente.

2. Metodologia: Il Framework GatorSC

GatorSC è un framework unificato di apprendimento delle rappresentazioni che integra la modellazione di grafi gerarchici con un'architettura di fusione "Mixture-of-Experts" (MoE) e un obiettivo di apprendimento auto-supervisionato duale.

A. Modellazione Gerarchica dei Grafi

Il framework costruisce tre grafi gerarchici distinti ma sinergici a partire dalla matrice di espressione genica $X$:

1. Grafo Globale Cellula-Cellula ($G^{(1)}$): Cattura l'organizzazione a livello di popolazione. Le similarità tra le cellule sono apprese tramite un meccanismo di Multi-Head Attention, generando una matrice di adiacenza che delinea la struttura globale del dataset.
2. Grafo Globale Gene-Gene ($G^{(2)}$): Modella le dipendenze funzionali tra i geni che attraversano diverse cellule. Utilizza la matrice trascritta $X^T$ e un meccanismo di attenzione simile per catturare associazioni geniche robuste e stabili.
3. Grafo Locale Gene-Gene ($G^{(3)}$): Deriva da sottografi specifici del vicinato. Per ogni nodo (cellula) nel grafo globale, viene estratto un sottografo dei suoi vicini $k$-hop. All'interno di questi sottografi, vengono ricalcolate le similarità geniche per catturare dipendenze specifiche al contesto cellulare.

B. Fusione Adattiva tramite Mixture-of-Experts (MoE)

Invece di fondere le rappresentazioni dei tre grafi in modo statico, GatorSC utilizza un'architettura MoE:

• Esperti: Ogni grafo ($G^{(1)}, G^{(2)}, G^{(3)}$) viene elaborato da una rete neurale specifica (composta da GCN e MLP) per produrre una rappresentazione latente $Z^{(i)}$.
• Gating Network: Una rete di controllo (gating network) analizza l'input e genera una distribuzione di probabilità per assegnare pesi dinamici agli output degli esperti.
• Fusione: La rappresentazione finale $\tilde{Z}$ è una combinazione pesata adattivamente delle uscite degli esperti, permettendo al modello di dare più importanza alla vista strutturale più informativa per un dato dataset o cellula.

C. Obiettivo Auto-Supervisionato Unificato

Per apprendere embedding robusti senza etichette, GatorSC combina due paradigmi:

1. Ricostruzione del Grafico (Generativo): Utilizza l'augmentation del grafico (rimozione e aggiunta di bordi tramite camminate casuali) per creare viste perturbate. L'obiettivo è ricostruire le connessioni originali e quelle aumentate, minimizzando la perdita di cross-entropy binaria (BCE). Questo aiuta a denoisare i dati e imputare valori mancanti.
2. Apprendimento Contrastivo del Grafico: Crea coppie positive (nodi connessi nel grafo originale e nella versione aumentata) e negative. L'obiettivo è massimizzare la similarità tra le viste positive e minimizzarla tra quelle negative, garantendo l'invarianza al rumore e la coerenza semantica.

• La perdita totale combina la ricostruzione e il contrasto su tutti i livelli gerarchici, bilanciando fedeltà strutturale e consistenza semantica.

3. Risultati Sperimentali

GatorSC è stato valutato su 19 dataset pubblici scRNA-seq (diversi tessuti, specie e piattaforme) e confrontato con metodi all'avanguardia (generativi, basati su grafi, contrastivi e algoritmi classici).

• Clustering Cellulare: GatorSC ha ottenuto prestazioni superiori o pari al meglio (misurate tramite ARI, NMI, ACC, Omogeneità) su 14 dataset di benchmark. Ha dimostrato particolare efficacia su dataset eterogenei con molti tipi cellulari (es. Pancreas, Global).
• Imputazione dell'Espressione Genica: Su 14 dataset con tassi di dropout simulati dal 10% al 50%, GatorSC ha mostrato coefficienti di correlazione di Pearson (PCC) più alti e errori L1 più bassi rispetto ai metodi concorrenti. Il vantaggio è diventato più marcato con tassi di dropout elevati, dimostrando una maggiore robustezza alla sparsità.
• Annotazione dei Tipi Cellulari: In compiti di classificazione supervisionata, GatorSC ha eguagliato o superato classificatori semi-supervisionati e basati su atlas (es. scANVI, CellTypist), indicando che le rappresentazioni apprese sono altamente trasferibili.
• Analisi Biologica:
  • Inferenza di Traiettoria: Su un dataset "binary tree 8", GatorSC ha ricostruito con successo la struttura di ramificazione dello sviluppo, allineando stati meta-cellulari e pseudotempo.
  • Analisi di Geni Marcatori: Nel dataset del diaframma (Quake), ha recuperato correttamente l'espressione di geni marcatori specifici per lignaggio (muscolo scheletrico, endotelio, macrofagi).
  • Studio di Caso (Alzheimer): Applicato a dati snRNA-seq del cervello umano, ha segregato le cellule in popolazioni cerebrali principali e ha rivelato alterazioni specifiche per tipo cellulare nei pathway legati alla malattia di Alzheimer (es. soppressione del pathway MAPK negli oligodendrociti).

4. Contributi Chiave

1. Modellazione Multi-Scala Integrata: È il primo framework a modellare congiuntamente la struttura globale cellula-cellula, la dipendenza globale gene-gene e le dipendenze gene-gene specifiche del contesto in un'unica rappresentazione.
2. Fusione Dinamica MoE: Introduce un meccanismo di fusione adattiva che supera le limitazioni delle strategie di fusione statiche, permettendo al modello di adattarsi alla variabilità dei dati biologici.
3. Obiettivo Ibrido Auto-Supervisionato: Combina efficacemente la ricostruzione del grafico e l'apprendimento contrastivo per apprendere embedding che sono sia robusti al rumore che biologicamente significativi, senza bisogno di etichette.
4. Prestazioni SOTA: Dimostra prestazioni state-of-the-art su una vasta gamma di task (clustering, imputazione, annotazione) e dataset.

5. Significato

GatorSC fornisce una base flessibile e potente per l'analisi trascrittomica a singola cellula. La sua capacità di integrare informazioni multi-scala e di adattarsi dinamicamente alle caratteristiche strutturali dei dati lo rende uno strumento superiore per:

• Decifrare l'eterogeneità cellulare in tessuti complessi.
• Recuperare segnali biologici in dati rumorosi o sparsi.
• Supportare analisi downstream avanzate come l'inferenza di traiettorie e la scoperta di pathway specifici per tipo cellulare in contesti patologici.
  Il framework è progettato per essere estendibile a modalità multi-omiche e spaziali, posizionandosi come un componente fondamentale per l'analisi dei dati biomedici di nuova generazione.