技術要約: RAPTORGraph

問題提起
遺伝的摂動に対する細胞応答を予測するための現在の計算モデルは、因果発見と生物学的解釈性を妨げる2つの主要な限界に直面している：

1. 介入スプリルオーバー（Intervention Spillover）: DiscrepancyVAE (dVAE) や SENA といった既存の因果表現学習 (CRL) モデルは、多くの場合、高次元の観測空間における密なエンコーダ（例：MLP）に依存している。これらのアーキテクチャでは、単一遺伝子への疎な介入がネットワークを通じて伝播し、潜在空間において密なマルチノード信号を作り出してしまう。この「スプリルオーバー」は、原子的な単一ノード介入という理論的要件に違反しており、介入の潜在的なターゲットを一意に特定することを不可能にし、因果的識別性を不適当なものにしている。
2. 平均崩壊（Mean Collapse）: シングルセルRNAシーケンシング (scRNA-seq) は破壊的な手法であるため、摂動前後の同一細胞のペア観測が不可能である。既存の手法は、訓練のためにコントロール細胞と摂動細胞をランダムにペアリングすることに頼ることが多い。これは、モデルに任意のペアリングに対して誤差を最小化させることを強いるため、モデルが細胞の多様性を保持するのではなく、集団の平均的な応答を学習してしまう現象、すなわち「平均崩壊」を招く。
3. 確証バイアス（Confirmatory Bias）: 解釈性を高めるために精査された生物学的パスウェイを取り入れるモデル（例：SENA）は、しばしば確証バイアスの影響を受ける。これらは既知のパスウェイを通じてデータを説明するように制約されるため、既知のパスウェイの外側にある新しいシグナルを破棄してしまう可能性があり、パスウェイの特異性が変化する異なる細胞型間での汎用性に失敗する。

手法
著者らは、因果的識別性の理論的要件を満たしつつ、予測精度を維持するように設計された $\beta$-変分オートエンコーダ・フレームワークである RAPTORGraph (Response Analysis of Perturbed TranscriptOmes using InteRpretable Graph) を提案する。このアーキテクチャは、4つの主要コンポーネントで構成される：

1. 事前条件付けを備えたGraphPathwayエンコーダ:
   介入スプリルオーバーを解決するために、著者らは、摂動を受けた遺伝子と潜在変数との間の疎な一対一のマッピングを強制する新しいエンコーダ・アーキテクチャを導入している。

   • 事前条件付け (Preconditioning): 入力遺伝子ベクトルは、摂動を受けた遺伝子が最初に現れるようにソートされる。エンコーダの主要な重み行列は、左上部分行列 ($\Lambda_{11}$) が厳密に対角行列であるようなブロック行列として構造化されている。これにより、各 $k$ 個の摂動遺伝子が、正確に最初の $k$ 個の学習されたメタパスウェイのいずれか一つのみに影響を与えることが保証される。
   • ゼロブロック制約 (Zero-Block Constraint): ゼロブロックは、摂動を受けた遺伝子が残りの $(d-k)$ 個の潜在変数に影響を与えることを明示的に防ぎ、介入を単一のノードに隔離する。
   • 柔軟性: 残りの部分行列は密であり、摂動を受けていない遺伝子とすべての潜在パスウェイとの間の複雑な関係を学習することを可能にする。

2. DAGMA 因果グラフ学習:
   定義済みのパスウェイ注釈に頼るのではなく、RAPTORGraphは DAGMA (Differentiable Acyclicity via Graphical Matrix Algebra) フレームワークを用いて、潜在的なメタパスウェイ間の因果構造を学習する。

   • このモジュールは、疎なパスウェイ活動間の因果関係を表す有向非巡回グラフ (DAG) を学習する。
   • これは対数行列式関数に基づく連続的な非巡回制約を利用しており、恣意的な階層順序を強制することなく、グラフ構造のエンドツーエンドの最適化を可能にする。

3. 最適輸送 (OT) 前処理:
   平均崩壊に対処するため、モデルはコントロール細胞と摂動細胞をペアリングするためのオフラインの最適輸送ステップを採用している。

   • ランダムなペアリングとは異なり、OTは分布の類似性に基づいて細胞をグローバルにマッチングさせ、基礎となる集団構造と細胞の多様性を保持する。
   • これにより、コントロールサンプルと摂動サンプルの間の明確なマッピングが提供され、学習された潜在表現が安定化する。

4. 訓練目的関数:
   モデルは、4つの要素のバランスをとる複合損失関数 ($L_{total}$) を用いてエンドツーエンドで訓練される：

   • 再構成損失 ($L_{MSE}$): 基底状態（未摂動）の細胞状態を忠実に再構成する。
   • KLダイバージェンス ($L_{KL}$): 潜在空間を事前分布に適合させるよう正則化する。
   • 介入予測損失 ($L_{MMD}$): 最大平均偏差 (Maximum Mean Discrepancy) を使用して、摂動を受けた細胞の真の分布と予測された分布の間の距離を最小化する。
   • 因果グラフ損失 ($L_{DAGMA}$): 学習された因果グラフにおける非巡回性と疎性を強制する。

主な貢献

• アーキテクチャの革新: 事前条件付けされたGraphPathwayエンコーダの導入により、因果的識別性に必要な疎な単一ノード介入の要件を数学的に強制し、介入スプリルオーバーの問題を解決した。
• バイアスの軽減: 既知の生物学的パスウェイに直接依存するのではなく、データから直接因果的メタパスウェイを学習するフレームワークを提供することで、確証バイアスを回避し、新しい生物学的シグナルの発見を可能にした。
• 多様性の保持: 最適輸送前処理の統合により、平均崩壊を防ぎ、集団の平均へと回帰することなく細胞の多様性を保持することを保証した。

結果
著者らは、Norman et al. のPerturb-seqデータセットおよび Replogle et al. のCRISPRiデータセットを用いて、RAPTORGraphを最先端のモデル（SENA, scGPT, dVAE, GEARs）と比較ベンチマークした。

• 生成性能: RAPTORGraphは、再構成の忠実度 (MSE) と分布の正確性 (MMD) の間で強力なバランスを実現した。Normanデータセットにおいて、MMD $0.112 \pm 0.001$ および MSE $0.045 \pm 0.000$ を達成し、SENAやscGPTよりも優れたMMDを示しながら、競争力のあるMSEを維持した。
• 非加算的相互作用の予測: 複雑な遺伝的相互作用（シナジー、抑制、新奇性、冗長性、エピスタシス）の予測において、RAPTORGraphは、多くのベースラインと比較して、シナジー (Precision@10: $0.367$) および 新奇性 (Precision@10: $0.433$) の特定において優れた性能を示した。著者らは、OT前処理が冗長性とエピスタシスの予測における重要な推進力であったと述べている。
• 逆摂動解析: 観察された表現型の遺伝的原因を特定するタスク（リバースエンジニアリング）において、RAPTORGraphは関連遺伝子の特定（Gene Overlap Hit Rate）において競争力のある性能を示し、一貫してトップクラスのモデルにランクインしたが、完全一致のヒット率はすべてのモデルにおいて控えめなものであった。
• 生物学的解釈性: 学習された潜在因子に対する遺伝子セット濃縮解析 (GSEA) は、生物学的に正確なプログラムを明らかにした。例えば、EGR1 に関連する潜在因子は、分化誘導性の細胞周期停止（「E2F Targets」および「G2-M Checkpoint」に対する負の濃縮）を正しく特定し、JUN に関連する因子は、ストレス誘導性の増殖停止を特定した。

意義と主張
本論文は、RAPTORGraphが予測能力とメカニズム的洞察の間の溝を埋めるものであると主張している。介入スプリルオーバーと平均崩壊の問題を明示的に解決することで、このフレームワークは、偏りのある既存のパスウェイ注釈に依存することなく、識別可能な因果発見を可能にする。

著者らは、モデルは単一ノード介入アーキテクチャを強制しているものの、これは識別理論を満たすためのモデリング上の要件であり、生物学的摂動が「パスウェイのみ」に影響を与えるという主張ではないことを強調している。しかし、結果は、このアーキテクチャ上の制約が、明確で生物学的に正確な因果プログラムを明らかにできることを示唆している。この研究は、RAPTORGraphを、遺伝子がどのように共同して細胞の挙動を形成するかについての検証可能な仮説を生成し、特に非加算的遺伝的相互作用や創薬ターゲットの発見の文脈において、情報量の多い実験の選択を導くためのツールとして位置づけている。著者らは、一般化の証拠は現在Normanデータセットにおいて最も強力であること、および高次の組み合わせを正確に特定することは現在のすべてのモデルにとって依然として課題であることを認め、限界についても言及している。