Coding agents author interpretable single-cell embedding models from the literature

Sintesi Tecnica: Agenti di Codifica che Redigono Modelli di Embedding per Singola Cellula Interpretabili

Problema
L'analisi del sequenziamento dell'RNA a singola cella (scRNA-seq) si affida alla riduzione di profili di espressione ad alta dimensionalità in embedding a bassa dimensionalità per visualizzare, raggruppare (clustering) e ordinare le cellule. I metodi convenzionali apprendono queste rappresentazioni de novo dalla matrice di espressione, producendo spazi latenti densi in cui le dimensioni sono funzioni complesse di molti geni. Questi richiedono un'interpretazione post-hoc e passaggi dedicati di correzione del batch per gestire la variazione tecnica. Sebbene la letteratura scientifica codifichi una rappresentazione complementare, sparsa e composizionale degli stati cellulari sotto forma di programmi di geni marcatori validati, questa conoscenza è dispersa tra articoli e database. I metodi interpretabili esistenti (ad es., UCell, expiMap) si affidano a database di set genici fissi e curati dall'uomo, che non possono essere dinamicamente composti in assi strutturati o adattati a scenari biologici specifici senza addestramento. Inoltre, i modelli di fondazione spesso non riescono a superare i baseline più semplici senza fine-tuning e rimangono scatole nere.

Metodologia
Gli autori propongono un framework in cui un agente di codifica redige modelli di embedding per singola cellula interpretabili direttamente dalla letteratura scientifica, ricevendo solo una descrizione di uno scenario biologico (specie, tessuto e note opzionali). L'agente non vede mai i dati di espressione, non richiede addestramento e non utilizza un database di set genici preesistente.

Il flusso di lavoro consiste in due fasi:

1. Redazione (Fase A): L'agente riceve una configurazione dello scenario e un template Python fisso. Esso modifica una singola funzione build_blueprint() per curare programmi genici nominati e citati in letteratura e comporli in assi di embedding. L'agente seleziona geni e programmi rilevanti per lo scenario, citando risorse sottoposte a revisione paritaria (articoli, atlanti o database).
2. Raffinamento (Fase B, Opzionale): Un agente discriminatore critica la copertura biologica del blueprint, e un agente generatore revisiona il blueprint per affrontare le scoperte, garantendo una solida base bibliografica.

Il blueprint risultante è uno script Python dichiarativo breve (10–40 KB) piuttosto che un modello addestrato. Esso definisce tre tipi di assi:

• Assi semplici (Plain axes): Leggono un singolo programma genico.
• Assi di contrasto (Contrast axes): Oppongono due programmi per separare le popolazioni.
• Assi a gate (Gated axes): Limitano un programma a una classe genitrice, permettendo l'aggancio dei gate per codificare strutture gerarchiche (ad es., alberi di sviluppo).

La costruzione dell'embedding è un passaggio deterministico, basato solo su CPU, dove ogni cellula viene punteggiata sui geni marcatori curati di ciascun asse. L'output è una tabella cella-asse. L'agente è vincolato da un'API fissa per garantire che l'output sia standardizzato, verificabile e riproducibile.

Contributi Chiave

• Autore di Modelli Autonomo: Dimostrare che gli agenti di codifica possono sintetizzare modelli di embedding interpretabili dalla letteratura non strutturata senza accesso ai dati o addestramento.
• Curatela Dinamica: A differenza dei metodi con database fissi, l'agente cura dinamicamente programmi genici specifici per lo scenario biologico, consentendo la scoperta di stati cellulari fini (ad es., sottoclassi corticali) spesso assenti nei database standard.
• Interpretabilità e Verificabilità Intrinseche: Ogni dimensione è un asse nominato composto da moduli genici citati. Il modello è verificabile fino ai singoli geni, programmi e citazioni.
• Topologia Sterzabile: L'agente può ricevere l'istruzione di disporre gli assi in topologie specifiche, come un albero di sviluppo ordinato nel tempo, dove la profondità riflette lo stadio embrionale.
• Robustezza al Batch per Costruzione: Poiché l'embedding punteggia le cellule solo su geni marcatori curati e validati in letteratura, è intrinsecamente robusto agli effetti batch senza necessità di correzioni esplicite o variabili di batch.

Risultati
L'approccio è stato validato attraverso tessuti di topo e uomo (isocorteccia di topo, pancreas umano, sistema immunitario umano e gastrulazione di topo).

• Qualità Biologica: I blueprint zero-shot sono competitivi con i baseline convenzionali (PCA, scVI), i modelli di fondazione (scVI-census, UCE) e quelli informati da programmi (UCell, expiMap). Sull'isocorteccia di topo, il blueprint ha superato i metodi con database fissi nella risoluzione di sottoclassi fini (scIB Total 0.63–0.64 vs. 0.49–0.60) curando circa 23 assi di sottoclasse nominati non presenti nei database standard.
• Robustezza al Batch: Il blueprint ottiene punteggi di correzione del batch comparabili ai metodi addestrati (scVI, expiMap) e significativamente superiori ai metodi privi di prior. Questa invarianza è strutturale: il modello manca di canali attraverso i quali la variazione tecnica possa caricarsi.
• Riproducibilità: In 10 sessioni di ri-redazione, la geometria dell'embedding ha mostrato un'alta riproducibilità (media CKA pairwise ~0.85), nonostante l'agente selezionasse geni parzialmente diversi ogni volta. Il nucleo del vocabolario biologico (geni, moduli, assi) è rimasto stabile.
• Albero di Sviluppo: Nell'atlante della gastrulazione di topo, una singola istruzione in linguaggio naturale ha guidato l'agente nell'organizzare gli assi in un albero dove la profondità correlava con il tempo embrionale (Spearman $\rho \approx 0.98$ per lignaggio). Questa struttura è stata progettata ex-ante, a differenza degli strumenti di inferenza di traiettoria che recuperano grafi post-hoc dalla geometria dei dati.
• Efficienza: La redazione richiede pochi minuti (2–7 min) e produce script di scala kilobyte, in contrasto con l'impronta da megabyte a gigabyte e i tempi di addestramento più lunghi dei metodi convenzionali.

Significato
Il documento sostiene di fornire un nuovo paradigma per l'apprendimento di rappresentazioni interpretabili nella genomica a singola cella. Colma il divario tra la conoscenza qualitativa nella letteratura scientifica e i modelli quantitativi e verificabili. Trattando la letteratura come un modello latente degli stati cellulari, l'approccio offre una "lente letteraria" che è complementare alle visioni guidate dai dati. Gli autori sottolineano che questo metodo offre una combinazione unica di proprietà: interpretabilità, robustezza al batch, adattabilità dinamica agli scenari specifici e sterzabilità in topologie strutturate, proprietà che nessun altro approccio fornisce simultaneamente. Il lavoro è presentato come un passo verso la conversione della conoscenza del dominio, spesso sparsa e qualitativa, in modelli quantitativi e verificabili, a condizione che l'output dell'agente sia disciplinato da un'API strutturata. Gli autori segnalano limitazioni, tra cui la dipendenza dalla qualità della letteratura e dal pre-addestramento del modello linguistico, suggerendo direzioni future come la combinazione di questi prior con modelli appresi leggeri per catturare la struttura biologica residua.