GOTFlow: Learning Directed Population Transitions from Cross-Sectional Biomedical Data with Optimal Transport

Il paper presenta GOTFlow, un framework basato sul trasporto ottimo vincolato su grafi che apprende transizioni di popolazione dirette da dati biomedici trasversali, integrando l'apprendimento di rappresentazioni latenti e il trasporto ottimo sbilanciato per modellare dinamiche non lineari e identificare i driver molecolari in contesti come il rimodellamento endometriale, la progressione del cancro al seno e le malattie da prioni.

L'essenziale

🧬 GOTFlow: La Macchina del Tempo per le Popolazioni Cellulari

Immagina di voler capire come una folla di persone cambia mentre attraversa una città. Di solito, i ricercatori fanno una cosa molto semplice: scattano una fotografia istantanea (un "cattura-momento") di gruppi diversi di persone in luoghi diversi.

• Foto A: Un gruppo al parco (Stato 1).
• Foto B: Un gruppo al mercato (Stato 2).
• Foto C: Un gruppo a casa (Stato 3).

Il problema? Nessuno ha filmato il movimento. Non sappiamo chi è andato dal parco al mercato, né come sono cambiati lungo il percorso. Sappiamo solo che esistono questi gruppi.

GOTFlow è un nuovo strumento intelligente che riesce a ricostruire il "film" partendo solo da queste "fotografie".

---

🚀 L'Analogia del "Flusso di Acqua"

Per capire come funziona, immagina che ogni cellula o paziente sia una goccia d'acqua.

• In un corpo sano, le gocce fluiscono dolcemente da uno stato all'altro (es. da una cellula giovane a una matura).
• In una malattia, il flusso si inceppa, si blocca o cambia direzione.

Il problema è che le gocce non sono tutte uguali: alcune evaporano (muoiono), altre ne nascono di nuove (si dividono). Le vecchie mappe matematiche (chiamate "trasporto ottimo") cercavano di collegare ogni goccia a un'altra esatta, come se fosse un gioco di abbinamento perfetto. Ma nella biologia reale, questo non funziona perché le popolazioni cambiano dimensione.

GOTFlow è come un sistema idraulico intelligente che capisce che:

1. Le gocce possono apparire o scomparire (trasporto "sbilanciato").
2. Non serve guardare le gocce una per una, ma capire come si muove l'intera "fiumana".

🗺️ Come funziona? (Il Viaggio in Tre Fasi)

1. La Mappa Segreta (Lo Spazio Nascosto)

Immagina che le tue foto abbiano milioni di dettagli (geni, proteine). È troppo confuso. GOTFlow prende tutte queste informazioni e le comprime in una mappa semplificata (uno spazio nascosto), come ridurre una mappa stradale complessa a un semplice schema della metropolitana. In questa mappa, le cellule simili stanno vicine.

2. Le Regole del Gioco (Il Grafo Diretto)

Prima di iniziare, tu (il ricercatore) disegni una mappa delle regole: "Le cellule possono andare dallo Stato A allo Stato B, ma non possono saltare direttamente allo Stato C". È come dire: "Per andare da Milano a Roma, devi passare per Firenze". GOTFlow rispetta queste regole mentre cerca il percorso più efficiente per spostare le "gocce" da uno stato all'altro.

3. La Freccia del Tempo (Il Vettore di Deriva)

Una volta calcolato il percorso, GOTFlow disegna delle frecce rosse che mostrano:

• Dove sta andando la popolazione.
• Quanto velocemente si sta muovendo.
• Cosa cambia lungo il viaggio (es. quali geni si accendono o spengono).

---

🌍 Tre Esempi Reali (Cosa ha scoperto?)

Gli autori hanno usato GOTFlow su tre casi di studio molto diversi:

1. L'Utero e la Gravidanza (Endometrio):

   • Il problema: Perché alcune donne hanno aborti spontanei?
   • La scoperta: GOTFlow ha visto che nelle donne con aborti, il "flusso" delle cellule uterine che dovrebbero prepararsi per accogliere un bambino era più lento e debole. Era come se il traffico in autostrada fosse bloccato: le cellule non riuscivano a "maturare" in tempo per l'impianto dell'embrione.

2. Il Rischio di Cancro al Seno:

   • Il problema: Come evolve un tumore da basso a alto rischio?
   • La scoperta: Hanno creato una mappa del rischio. GOTFlow ha mostrato quali geni si accendono man mano che il rischio aumenta. Ha identificato i "cattivi" (geni che spingono il tumore a diventare aggressivo) e i "buoni" (geni che proteggono), tracciando il percorso esatto della malattia.

3. La Malattia da Prioni (Neurodegenerazione):

   • Il problema: Come il cervello si degrada nel tempo?
   • La scoperta: Analizzando i topi infetti, GOTFlow ha visto che all'inizio la malattia è silenziosa (poco movimento), ma poi esplode in una tempesta di cambiamenti infiammatori. Ha identificato esattamente quali cellule del cervello (le "sentinelle" immunitarie) si attivano per cercare di fermare il danno, ma finiscono per peggiorare la situazione.

---

💡 Perché è importante?

Fino ad oggi, per capire come le malattie progrediscono, servivano dati longitudinali (seguire gli stessi pazienti per anni), che sono costosi e difficili da ottenere.

GOTFlow è rivoluzionario perché:

• Funziona con dati "istantanei": Puoi usare dati raccolti in un solo momento da gruppi diversi.
• È flessibile: Si adatta a situazioni dove le popolazioni crescono o diminuiscono (come nelle malattie).
• È interpretabile: Non è una "scatola nera". Ti dice quali geni o proteine sono responsabili del cambiamento, aiutando i medici a trovare nuovi bersagli per le cure.

In sintesi, GOTFlow è come un detective che, guardando solo le foto di scena di un crimine (i dati statici), riesce a ricostruire l'intero film del movimento, spiegandoci non solo cosa è successo, ma come e perché è successo.

Sommario tecnico

Titolo

GOTFlow: Apprendimento di transizioni di popolazione dirette da dati biomedici trasversali mediante Trasporto Ottimale

1. Il Problema

Molti processi biologici e clinici sono intrinsecamente dinamici (es. progressione di malattie, rimodellamento tissutale), ma la maggior parte dei dataset biomedici disponibili è trasversale (cross-sectional). Questi dataset catturano popolazioni in stati discreti in un singolo momento, senza tracciare gli stessi individui nel tempo.
Le sfide principali includono:

• Mancanza di dati longitudinali: Difficoltà nel quantificare come le popolazioni cambiano tra condizioni diverse senza il tracciamento temporale esplicito.
• Limitazioni dei metodi esistenti: Le tecniche attuali di inferenza di traiettoria o basate sul trasporto ottimo (OT) spesso si basano su spazi di feature fissi (es. PCA), assumono progressioni lineari o sono ottimizzate per dati temporali di trascrittomica a cellula singola.
• Eterogeneità: Difficoltà nel modellare transizioni non bilanciate (dove la massa della popolazione cambia a causa di proliferazione o morte cellulare) e geometrie non lineari in diverse modalità biomediche.

È necessario un metodo flessibile che possa inferire cambiamenti diretti a livello di popolazione da dati trasversali, mantenendo l'interpretabilità biologica.

2. Metodologia: GOTFlow

GOTFlow è un framework che combina apprendimento di rappresentazione (representation learning) e trasporto ottimo non bilanciato (Unbalanced Optimal Transport - UOT) in uno spazio latente appreso.

Formulazione del Problema

• Dati: Un insieme di $N$ osservazioni con feature $x_i$ e etichette di stato discreto $s_i$ (es. stadi di malattia, fasi temporali).
• Grafo Diretto: Le transizioni ammissibili sono definite da un grafo diretto pesato $G$ specificato dall'utente. Questo grafo codifica le ipotesi sulle relazioni biologiche (es. controllo $\to$ trattamento, stadio precoce $\to$ tardivo).
• Obiettivo: Imparare una rappresentazione latente $\phi_\theta$ in cui la geometria riflette la struttura di transizione definita dal grafo, minimizzando il costo di trasporto tra stati collegati e massimizzando il costo per transizioni non supportate.

Componenti Chiave

1. Apprendimento della Rappresentazione e Whitening:

   • Un encoder parametrico mappa i dati originali in uno spazio latente.
   • Per evitare soluzioni degeneri (collasso delle rappresentazioni) e gestire l'anisotropia, viene applicato un whitening globale (standardizzazione basata su media e covarianza) alle embedding latenti prima del calcolo del trasporto.

2. Trasporto Ottimale Non Bilanciato (UOT):

   • A differenza dell'OT classico che preserva la massa, GOTFlow utilizza UOT per permettere la creazione o la distruzione di massa tra stati. Questo è cruciale per modellare sistemi biologici dove le dimensioni delle popolazioni cambiano (es. apoptosi, proliferazione).
   • Viene minimizzata una funzione di energia che include: costo di trasporto, regolarizzazione entropica (per stabilità numerica) e penalità KL per rilassare il vincolo di conservazione della massa.

3. Funzione di Obiettivo di Addestramento:

   • L'addestramento è strutturato su due livelli: un problema interno di OT calcola l'energia di transizione, mentre un problema esterno aggiorna i parametri dell'encoder.
   • Viene utilizzata una loss di contrasto (InfoNCE): per ogni transizione positiva (arco del grafo), l'energia di trasporto viene confrontata con quella di transizioni negative (coppie di stati non collegati o incompatibili). Questo forza il modello a imparare una geometria in cui le transizioni ipotizzate siano efficienti.

4. Interpretabilità:

   • Dopo l'addestramento, GOTFlow calcola vettori di deriva (drift vectors) barycentrici che descrivono la direzione e l'intensità del cambiamento di popolazione.
   • Proiettando questi vettori nello spazio delle feature originali, si ottiene una attribuzione a livello di feature, identificando quali geni o molecole guidano la transizione.

3. Contributi Chiave

1. Framework Generalizzato: Introduzione di GOTFlow come metodo per modellare transizioni dirette tra popolazioni biologiche eterogenee da dati trasversali, superando i limiti dei metodi basati su embedding fissi.
2. Grafo Vincolato: Capacità di incorporare ipotesi biologiche a priori tramite un grafo diretto, permettendo di modellare strutture ramificate, dipendenti dal contesto e transizioni sbilanciate.
3. Sintesi Interpretativa: Generazione di vettori di deriva e riassunti a livello di feature che quantificano la dinamica di transizione, evidenziando i driver molecolari specifici.
4. Validazione Estesa: Applicazione e validazione su dati sintetici e tre studi biologici reali.

4. Risultati Sperimentali

Il framework è stato valutato su tre applicazioni biologiche distinte:

• Dati Sintetici: GOTFlow ha recuperato con successo strutture di transizione note (traiettorie biforcanti e convergenti), mostrando un'alta concordanza (cosine similarity media di 0.72) tra i vettori di deriva inferiti e quelli reali (ground truth).
• Rimodellamento Endometriale (Fase Luteale):
  • Analizzando 664 biopsie endometriali, GOTFlow ha ricostruito la progressione trascrizionale attraverso le fasi luteali.
  • Risultato Clinico: I campioni di pazienti con aborti spontanei hanno mostrato una minore magnitudine di deriva rispetto ai controlli, indicando un ritardo o un'alterazione nella maturazione endometriale (decollo della decidualizzazione).
  • Driver Genetici: Ha identificato cambiamenti specifici in geni come PLA2G2A/DIO2, IGFBP1 e TIMP3, coerenti con la letteratura sulla perdita della gravidanza.
• Progressione del Rischio nel Cancro al Seno (TCGA-BRCA):
  • Applicato a 1061 tumori, ha modellato la transizione da stati a basso rischio ad alto rischio.
  • Ha identificato programmi trascrizionali coerenti: geni associati a biologia tumorale aggressiva (es. TCP1, GARS1) mostravano un aumento di espressione lungo la traiettoria di rischio, mentre geni con prognosi favorevole (es. SUSD3) diminuivano.
• Malattia da Prioni (Topo):
  • Analizzando dati di espressione genica cerebrale durante l'incubazione della malattia.
  • Ha rilevato shift trascrizionali progressivi, con deriva quasi nulla nelle fasi asintomatiche e aumentata nelle fasi terminali.
  • Ha identificato geni specifici per l'infezione (es. C1qa, Cd44, Gfap) legati all'infiammazione neurogena e all'attivazione gliale, confermando la capacità di catturare la dinamica neurodegenerativa.

5. Significato e Conclusioni

GOTFlow rappresenta un avanzamento significativo nell'analisi di dati biomedici trasversali.

• Generalità: Non richiede dati temporali longitudinali, rendendolo applicabile a vasti dataset clinici esistenti.
• Flessibilità: Gestisce nativamente la non conservazione della massa (cambiamenti nella composizione della popolazione) e geometrie complesse.
• Interpretabilità: Fornisce non solo una mappa di transizione, ma anche una spiegazione biologica dei driver molecolari alla base delle dinamiche di popolazione.
• Impatto: Il framework permette di trasformare dati statici in modelli dinamici di progressione di malattia, offrendo nuovi spunti per la comprensione di meccanismi come l'infertilità, la carcinogenesi e le malattie neurodegenerative.

Il codice è disponibile pubblicamente su GitHub, facilitando l'adozione del metodo nella comunità di bioinformatica.