The projection basis determines the information ceiling for perturbation prediction

技術的要約：投影基底が摂動予測の情報天井を決定する

問題提起
近年のベンチマークによれば、単一細胞の摂動予測（GEARS、CPA、scGenなど）のためのディープラーニングモデルは、主成分分析（PCA）空間上で動作する単純な線形ベースラインを凌駕できないことが多い。先行研究では、この原因をモデルの容量不足や適切な帰納バイアスの欠如に求めてきたが、本論文は、主要な限界はモデルのアーキテクチャではなく、**投影基底（projection basis）**自体にあると主張している。著者らは、遺伝子発現を固定された低次元の座標系に削減するいかなる手法も、予測の前に信号を線形ボトルネックに通しており、それがダウンストリームのモデルがいかに複雑になろうとも克服できない情報理論的な天井を作り出していると論じている。

手法およびフレームワーク
本研究では、投影基底の影響を分離するために、ワディントン・エピジェネティック・ランドスケープに着想を得た**ワディントン・ポテンシャル・ネットワーク（WPN）**フレーム構想を採用している。このフレームワークでは、細胞速度は学習されたスカラー・ポテンシャルの勾配（$v = -\nabla U$）としてパラメータ化される。モデルは遺伝子発現を$k$次元の基底$\Phi$に投影し、これらの座標上でポテンシャルを学習し、自動微分を通じて速度を導出する。極めて重要な点は、著者らがすべてのハイパーパラメータとアーキテクチャを一定に保ち、投影基底のみを変化させることで、観察された性能の差が基底の選択のみに起因することを保証している点である。

核となる理論的貢献は、情報理論から導出された**投影境界（projection bound）**である：
$$r^2 \leq VE(\Phi) := \frac{\text{Var}(\Phi\Phi^\top \delta)}{\text{Var}(\delta)}$$
ここで、$r^2$は予測と真値の間の相関係数の二乗であり、$VE(\Phi)$は基底によって説明されるタスクに関連する分散（薬物応答のデルタ$\delta$）の割合である。この境界は、もし基底が信号を破棄してしまう場合（低$VE$）、いかなるモデルもそれを回復できないことを確立している。著者らは、情報の可用性（Information Availability）（基底によって保持される分散、$VE$）と、情報の活用（Information Exploitation）（利用可能な信号をどの程度うまく利用できるか、$r^2/VE$）を区別している。

実験設計
著者らは、複数のデータセット（sciPlex3、LINCS L1000、Norman et al. 2019 CRISPRa）および細胞株（K562、A549、MCF7）にわたる3つの補完的なテストを通じて、このフレームワークを検証している：

1. 化学的摂動（Test 1）: 低分散の基底（遺伝子関連ネットワークの固有基底）が、PCAと比較してチャンスレベルを超える予測をサポートできるかどうかを評価する。
2. スペクトル回復（Test 2）: 同一のネットワーク・トポロジー上で、高周波モード（グラフ・ウェーブレット経由）を含むように基底を拡張することで、失われた信号を回復できるかをテストする。
3. 遺伝的摂動（Test 3）: 応答がスペクトル的に拡散したものではなく、ネットワーク幾何学に沿っている可能性があるCRISPRa遺伝的摂動において、ランキングが逆転するかを調査する。

メカニズムの制御として、次数保存ネットワークの置換、合成グランドトゥルース・ネットワーク、および未処理のコントロール細胞のみに適合させたPCAを用い、循環性や次数分布のアーティファクトを排除している。

主な結果

• 化学的摂動（SciPlex3 & LINCS L1000）:

  • 複合的な遺伝子関連ネットワーク（GRN）の固有基底は、薬物応答の分散のわずか**10–12%しか説明できないが、PCAは90–99%**を説明する。
  • GRN固有基底を用いたモデルは、チャンスレベルまたはそれ以下（$r \approx 0$）の性能にとどまる一方、PCAベースのモデルは有意な精度を達成する。
  • この失敗は、薬物応答の**スペクトル的な拡散性（spectral diffuseness）**に起因する。化学的摂動は、疎で散在したターゲットに影響を与える「インパルスノイズ」として作用し、グラフ上で高周波信号を生成するが、ローパスなネットワーク固有基底はこれを破棄してしまう。
  • ウェーブレットによる救済（Wavelet Rescue）: 同様のネットワーク・トポロジーを使用し、全スペクトルにアクセス可能なグラフ・ウェーブレット（バンドパスまたは拡散）を用いた場合、説明される分散は**~88%**まで上昇し、予測性能はPCAと同等のレベルまで回復する。これにより、失敗の原因はトポロジーの失敗ではなく、スペクトル範囲の制限であったことが確認された。

• 遺伝的摂動（CRISPRa）:

  • 単一遺伝子のCRISPRa活性化については、ランキングが逆転する。ここでは、GRN固有基底（分散の約19%を説明）が、PCAが100%の分散を説明しているにもかかわらず、パラメータ化されたモデル（WPNおよびMLP）においてPCAを上回る。
  • これは、遺伝的摂動が調節カスケードに沿って伝播し、ネットワーク基底によって捉えられる低周波で経路にコヒーレントなモードに整合していることを示唆している。ネットワーク幾何学は、パラメータ化されたモデルが活用できる、情報豊富な帰納バイアスとして機能する。

• アーキテクチャへの独立性:

  • パフォーマンスの差は、WPN、単純な残差MLP、および変分オートエンコーダを含むアーキテクチャ間で一貫している。ゼロパラメータの平均予測器ですら $r^2 \leq VE$ の境界に従っており、天井がモデルではなく投影によって設定されていることが確認された。

意義と主張
本論文は、なぜ生物学的に動機付けられたネットワーク基底が、薬物摂動タスクにおいて単純なPCAベースラインよりも性能が低くなるのかというパラドックスを解決すると主張している。著者らは以下の通り断言している：

1. 基底の選択が主要なボトルネックである: 固定された線形ボトルネックを持つ手法にとって、投影基底は、達成可能な最大精度を規定する硬い情報天井（$VE$）を設定する。
2. モダリティ依存性: 最適な基底は、摂動のモダリティに依存する。PCAは、薬物応答を駆動する分散（スペクトル的に拡散したもの）を捉え、ネットワーク基底は、遺伝的応答を駆動するカスケード構造（スペクトル的にコヒーレントなもの）を捉える。
3. スペクトル被覆が極めて重要である: 標準的なネットワーク固有基底は、高周波の薬物信号を破棄するローパスフィルタとして機能する。全グラフスペクトルを網羅するグラフ・ウェーブレットのような手法は、分散の損失なしに生物学的構造を取り込むことができる。
4. ベンチマークの再定義: 著者らは、将来のベンチマークにおいて、タスクに関連する変動に対する内部表現の**説明分散（VE）**を報告し、「可用性（基ityの質）」と「活用（モデルの能力）」を分離すべきであると提案している。また、全遺伝子モデル（GEARSなど）の改善がPCAベースラインに対して限定的である理由は、可用性の限界ではなく、現在のサンプルサイズにおける活用（exploitation）の限界にある可能性があると示唆している。

結論として、基底の選択はモダリティに依存する設計上の意思決定であり、証明可能な天井を持つものであり、グラフ・ウェーブレットは、標準的なローパス固有基底に内在する分散の損失なしに生物学的構造を取り入れるための具体的な道筋を提供するものである。