Graph-Regularised Multi-Omics Autoencoders Improve Stability and Clinical Coherence of Breast Cancer Patient Embeddings

Sintesi Tecnica: Autoencoder Multi-omici Regolarizzati tramite Grafi per l'Embedding di Pazienti con Carcinoma Mammario

Problematica
La stratificazione non supervisionata dei pazienti utilizzando dati multi-omici del cancro richiede rappresentazioni apprese che siano simultaneamente stabili tra diverse esecuzioni di addestramento indipendenti, geometricamente organizzate e clinicamente informative. I tipici framework di autoencoder trattano gli input molecolari come vettori piatti non strutturati, scartando la ricca topologia di interazione codificata nelle reti di interazione proteina-proteina (PPI). Sebbene esistano approcci basati su grafi, essi spesso confondono i priori strutturali con obiettivi supervisionati o complessità architettonica, rendendo difficile isolare il contributo specifico del bias strutturale. Questo studio affronta il vuoto nella comprensione di come un bias induttivo biologicamente motivato, introdotto sia attraverso l'obiettivo di addestramento che attraverso un design architettonico specifico, influenzi la stabilità, la geometria e la rilevanza clinica degli embedding multi-omici non supervisionati.

Metodologia
Gli autori hanno condotto un confronto controllato di tre varianti di autoencoder addestrate sul coorte TCGA-BRCA (941 pazienti, 13.001 geni, quattro modalità omiche: RNA-seq, variazione del numero di copie, metilazione del DNA e mutazioni somatiche). Tutti i modelli sono stati accoppiati per dimensionalità latente ($d=64$) e hanno seguito una selezione rigorosa di iperparametri non supervisionata.

1. Baseline Autoencoder (BAE): Un autoencoder standard senza corruzione dell'input e senza prior biologico, che tratta tutte le caratteristiche geniche come indipendenti. Utilizza un MLP a livello di paziente appiattito.
2. Denoising Autoencoder (DAE): Condivide l'architettura del BAE (MLP a livello di paziente appiattito), ma introduce una corruzione stocastica dell'input (rumore Gaussiano, $\sigma=0.3$) per migliorare la robustezza statistica senza espliciti prior strutturali.
3. Graph-Regularised Denoising Autoencoder (GR-DAE): Questo modello introduce la struttura PPI attraverso sia un'architettura modificata che la funzione di perdita.
   • Architettura: A differenza del BAE e del DAE che utilizzano un MLP appiattito a livello di paziente, il GR-DAE utilizza un encoder MLP per gene con pesi condivisi che elabora indipendentemente il vettore omico a 4 dimensioni di ogni gene, producendo rappresentazioni latenti a livello di gene ($Y \in \mathbb{R}^{G \times 64}$). Gli embedding dei pazienti sono derivati tramite pooling della media sulle rappresentazioni geniche.
   • Funzione di Perdita: L'obiettivo di addestramento aumenta l'errore quadratico medio (MSE) di ricostruzione per gene con una penalità di regolarizzazione della fluidità del Laplaciano:
     $$L_{GR-DAE} = L_{recon} + \lambda \text{Tr}(Y^\top L_{sym} Y)$$
     dove $L_{sym}$ è il Laplaciano simmetrico normalizzato del grafo PPI (derivato da STRING v11, confidenza $\ge 0.85$). Questo termine penalizza la dissimilarità latente tra i geni connessi nella rete PPI, imponendo che i geni che interagiscono occupino posizioni simili nello spazio latente.
   • Selezione degli Iperparametri: La forza di regolarizzazione $\lambda$ è stata selezionata tramite una ricerca a griglia basata puramente su criteri di stabilità non supervisionata (stabilità del clustering tra i restart e preservazione della geometria), senza utilizzare etichette cliniche. Il valore ottimale trovato è stato $\lambda = 10^{-6}$.

Contributi Chiave

• Isolamento del Bias Induttivo: Lo studio progetta un framework sperimentale che isola l'effetto di un regolarizzatore Laplaciano basato su PPI dal denoising e dagli obiettivi guidati da etichette. Sebbene il framework includa una variante non regolarizzata a livello di gene ($\lambda=0$) per tenere conto parzialmente dei cambiamenti architettonici, gli autori notano esplicitamente che il completo disaccoppiamento dei contributi dell'architettura per gene rispetto al prior esplicito del grafo rimane una direzione aperta per il lavoro futuro.
• Quantificazione della Stabilità: Dimostra che anche una regolarizzazione Laplaciana molto debole ($\lambda = 10^{-6}$), combinata con l'architettura per gene, migliora sostanzialmente la stabilità tra i restart e la preservazione della geometria latente rispetto ai baseline non strutturati sotto un protocollo privo di etichette.
• Analisi della Codifica Clinica: Quantifica come la struttura informata dalla PPI rimodelli l'informazione clinica codificata nello spazio latente, evidenziando in particolare l'emergere dello stato metastatico come fattore organizzativo dominante.
• Complementarità con PAM50: Caratterizza la relazione tra gli embedding informati dalla PPI e i sottotipi molecolari PAM50 stabiliti, mostrando un'organizzazione complementare piuttosto che ridondante.

Risultati

• Stabilità della Rappresentazione: Il GR-DAE ha superato significativamente il DAE nella stabilità tra i restart. L'Indice di Rand Corretto (ARI) per il clustering tra 5 seed di addestramento indipendenti è aumentato da 0.861 (DAE) a 0.980 (GR-DAE). Allo stesso modo, la preservazione della geometria latente (correlazione di Spearman delle matrici di distanza a coppie) è migliorata da 0.915 a 0.997.
• Geometria Latente: L'introduzione del termine Laplaciano ha causato un "collasso dimensionale". Mentre il DAE richiedeva 13 componenti principali per spiegare il 90% della varianza, il GR-DAE ne richiedeva solo 3. La prima componente principale spiegava il 59.5% della varianza nel GR-DAE rispetto al 24.6% nel DAE, indicando uno spazio latente più organizzato e anisotropo.
• Associazione Clinica:
  • Livello di Cluster: I cluster non supervisionati del GR-DAE hanno mostrato un'associazione altamente significativa con lo stato metastatico (classificazione M, $p = 9.5 \times 10^{-8}$), mentre il DAE non mostrava associazioni significative con alcuna variabile clinica.
  • Livello di Dimensione: Nel GR-DAE, il 60.9% delle 64 dimensioni latenti codificava lo stato metastatico dopo la correzione FDR, rispetto allo 0% del DAE.
• Allineamento PAM50: Sebbene l'accordo a livello di partizione (ARI/NMI) tra i cluster GR-DAE e i sottotipi PAM50 sia vicino allo zero (come previsto per metodi non supervisionati vs supervisionati), un test chi-quadrato ha rivelato una dipendenza statistica altamente significativa ($\chi^2 = 108.7, p = 7.9 \times 10^{-16}$). Ciò indica che i sottotipi PAM50 sono distribuiti in modo non casuale attraverso i cluster informati dalla PPI, suggerendo che gli embedding catturano strutture molecolari complementari.

Significatività e Rivendicazioni
Il paper sostiene che un singolo termine di regolarizzazione biologicamente motivato, quando combinato con un design architettonico per gene, può rimodellare sostanzialmente la geometria latente e la codifica clinica degli embedding multi-omici non supervisionati. Gli autori postulano che la topologia PPI agisca come un "leggero stimolo strutturale" che restringe lo spazio delle ipotesi, riducendo la diversità dei minimi locali e portando a una stratificazione dei pazienti più riproducibile.

Lo studio conclude che la regolarizzazione Laplaciana basata su PPI dovrebbe essere considerata una componente a basso costo e alto impatto nelle pipeline di apprendimento di rappresentazioni non supervisionate. Inoltre, gli autori sostengono che la stabilità della rappresentazione tra esecuzioni di addestramento indipendenti debba essere adottata come un criterio di valutazione obbligatorio per le rappresentazioni cliniche non supervisionate, poiché gli embedding instabili possono portare a conclusioni cliniche incoerenti anche se i modelli a valle sembrano performanti. Le scoperte sono presentate come specifiche per coorte e generatrici di ipotesi, destinate a motivare ulteriori validazioni su dataset indipendenti.