Multi-modal tissue-aware graph neural network for in silico genetic discovery

Dit artikel introduceert Mahi, een schaalbaar en interpreteerbaar grafisch neurale netwerkframework dat multi-modale weefsel-specifieke gegevens integreert om genfunctie en perturbatie-responsen nauwkeuriger te modelleren dan bestaande sequentie-gebaseerde modellen, waardoor het een krachtige basis vormt voor de ontdekking van nieuwe therapeutische doelen en precisiegeneeskunde.

De kern

De "Mahi": Een digitale bioloog die begrijpt waarom een gen in de ene weefselsoort belangrijk is, maar in de andere niet

Stel je voor dat je lichaam een enorme, complexe stad is. In deze stad wonen miljarden cellen, en elke cel heeft zijn eigen werk: sommige zijn bouwvakkers (spiercellen), andere zijn brandweermannen (immuniteit), en weer anderen zijn bibliothecarissen (zenuwcellen).

Elke cel heeft een instructieboekje (DNA) met duizenden regels. Soms moet je een regel uit dat boekje verwijderen (een "gen-knockout"). In een bouwvakker-cel zou het verwijderen van de regel "bouw muren" rampzalig zijn. Maar in een brandweerman-cel? Misschien maakt dat helemaal niet uit, of het heeft zelfs een heel ander effect.

Het probleem:
Tot nu toe hadden computers die dit soort dingen proberen te voorspellen, alleen het instructieboekje zelf. Ze keken naar de letters in het DNA (de volgorde van A, C, G, T) en probeerden daaruit te raden wat er gebeurt. Het is alsof je probeert te begrijpen waarom een auto crasht, alleen door naar de letters op de banden te kijken, zonder te kijken naar de weg, het weer of de bestuurder. Ze misten de context.

De oplossing: Mahi
De onderzoekers van dit paper hebben een nieuw systeem bedacht dat Mahi heet. Mahi is als een super-slimme, digitale bioloog die niet alleen naar het instructieboekje kijkt, maar ook naar de hele stad.

Mahi doet drie dingen tegelijk:

1. Hij leest de structuur: Hij kijkt naar de vorm van de eiwitten (de machines in de cel).
2. Hij leest de regels: Hij kijkt naar welke schakelaars in het DNA aan of uit staan (welke genen actief zijn).
3. Hij kijkt naar de buren: Hij begrijpt met welke andere genen een gen "vrienden" is in een specifieke weefselsoort. In de hersenen hebben genen andere vrienden dan in de lever.

Hoe werkt Mahi? (De Analogie van de Sociale Netwerkkaart)
Stel je voor dat elke gen een persoon is op een gigantisch sociaal netwerk.

• Een oude manier: Je zegt: "Dit persoon heet 'John'. Hij is een goede man." (Dit is alleen kijken naar de naam/sequentie).
• De Mahi-methode: Mahi zegt: "Dit is John. In de hersen-wijk is hij de beste vriend van de 'herinnering'-club. Maar in de lever-wijk is hij een eenzame wolf die niemand kent."

Mahi maakt voor elke van de 290 verschillende weefsels in je lichaam (huid, hart, lever, hersenen, etc.) een unieke kaart van wie met wie praat. Hij leert hierdoor dat een gen in het hart misschien cruciaal is voor de hartslag, maar in de huid totaal irrelevant is.

Wat heeft Mahi ontdekt?
De onderzoekers hebben Mahi getest op duizenden kankercellen. Ze lieten Mahi voorspellen: "Als we dit gen verwijderen, overleeft de cel?"

• Het resultaat: Mahi was veel beter dan alle andere systemen. Hij zag patronen die anderen misten.
• De "In-silico" experimenten: Mahi kan nu simulaties doen. Ze kunnen zeggen: "Wat gebeurt er als we het gen voor Cystic Fibrosis (een ziekte) uitschakelen?"
  • In de longen zag Mahi dat de luchtvochtigheid en de slijmvliezen in de war raken (wat we al wisten).
  • Maar verrassend genoeg zag Mahi ook dat dit gen in de testikels en de baarmoeder andere, subtiele problemen veroorzaakt die eerder onbekend waren. Het is alsof Mahi een nieuwe kaart tekent van hoe een ziekte zich door het hele lichaam verspreidt, per weefsel.

Waarom is dit belangrijk voor jou?
Dit is een doorbraak voor de precisiemedicijn.
Vroeger probeerden artsen medicijnen op iedereen, alsof iedereen dezelfde stad bewoont. Met Mahi kunnen artsen in de toekomst zeggen: "Voor jouw specifieke tumor in jouw lever, werkt dit medicijn niet, maar dat andere wel, omdat het precies die specifieke 'buren' in jouw lever weefsel raakt."

Kortom:
Mahi is een slimme computer die begrijpt dat biologie niet één groot boek is, maar duizenden verschillende verhalen die tegelijkertijd worden verteld, afhankelijk van waar je in het lichaam kijkt. Het helpt ons om medicijnen te vinden die precies op de juiste plek werken, zonder de rest van het lichaam te storen.

Technische samenvatting

Probleemstelling

Een fundamentele uitdaging in de biologie en precisiegeneeskunde is het begrijpen van de effecten van genetische verstoringen (zoals gen-knockouts) in een specifieke weefsel- of celcontext. Huidige computationele benaderingen focussen vaak op globale netwerken of op sequentie-afgeleide kenmerken, maar negeren context-afhankelijke afhankelijkheden.

• Beperkingen van bestaande modellen: Modellen zoals AlphaFold2 (voor eiwitstructuur) of DeepSEA/Enformer (voor genoomregulatie) leren representaties uit sequenties, maar behandelen deze als statische entiteiten zonder integratie van de fysiologische context (weefseltype, celtype).
• Noodzaak: Voor een accurate voorspelling van genetische verstoringen is het essentieel om diverse modaliteiten te integreren: transcriptie, post-transcriptie, structuur en interacties binnen hun specifieke biologische omgeving.

Methodologie: Het Mahi Framework

De auteurs stellen Mahi voor, een schaalbaar en interpreteerbaar framework op basis van Graph Neural Networks (GNN) dat genrepresentaties leert door multimodale data te integreren in weefsel-specifieke contexten.

1. Data-integratie en Netwerkbouw:

• Multigraph Constructie: Er wordt een multigraph opgebouwd voor 19.073 eiwitcoderende genen, gebaseerd op 35 kern-netwerken die representatief zijn voor 290 verschillende weefsels en celtypen. Deze netwerken zijn afgeleid van grootschalige genexpressie-data en eiwit-eiwit interacties (PPI).
• Multimodale Input:
  • Genomische embeddings: Afgeleid van DeepSEA, die chromatin-toegankelijkheid, transcriptiefactor-binding en histon-modificaties vastleggen (regulatoir potentieel).
  • Eiwit-embeddings: Afgeleid van ESM-C, die aminozuursamenstelling en structuur vastleggen (biochemische activiteit en stabiliteit).
  • Netwerk-topologie: De connectiviteit tussen genen in specifieke weefsels.

2. Trainingsproces:

• Pre-training (Zelftoezicht): Een attention-based GNN (met TransformerConv lagen) wordt voorgeprogrammeerd op de multigraph via een masked edge reconstruction taak. Hierbij worden 15% van de kanten gemaskeerd en moet het model deze voorspellen op basis van de resterende structuur. Dit leert generieke, cross-weefsel topologische embeddings.
• Context-afhankelijke verfijning: De voorgeprogrammeerde embeddings worden geïntegreerd met de genomische en eiwit-features. Vervolgens worden deze geüpdatet via iteratief neighbor message passing (gebaseerd op het APPNP-algoritme) over de specifieke netwerken van de 290 weefsels/celtypen. Dit zorgt ervoor dat de embeddings zowel moleculaire als netwerk-informatie bevatten die specifiek zijn voor dat weefsel.

3. Downstream Taken:

• Gen-essentialiteit voorspelling: Voorspellen of een gen essentieel is voor het overleven van een specifieke kankercellijn (gebaseerd op CRISPRi-data van DepMap).
• In silico knockout simulaties: Het verwijderen van een gen en zijn directe randen uit het netwerk en het opnieuw berekenen van embeddings om de verstoringssignalen te analyseren.

Belangrijkste Resultaten

1. Superioriteit in Gen-essentialiteit Voorspelling:

• Mahi werd getest op 1.183 menselijke kankercellijnen. Het model bereikte een hoge voorspellende nauwkeurigheid met een gemiddelde ROCAUC van 0,921 en PRAUC van 0,638.
• Vergelijking: Mahi presteerde significant beter dan bestaande sequentie-gebaseerde modellen (DeepSEA, ESM-C), expressie-modellen (Borzoi, scGPT) en pure graf-embeddings (node2vec). Dit onderstreept de meerwaarde van het integreren van moleculaire features met weefsel-specifieke netwerkontologie.
• Het model was vooral effectief bij het voorspellen van "context-essentiële" genen (genen die alleen in specifieke celtypen essentieel zijn), een taak waar andere modellen moeite mee hadden.

2. Biologische Interpretatie en Weefsel-Specificiteit:

• Clustering: PCA-analyses van de embeddings toonden duidelijke clustering van genen per weefsel. Genen met weefsel-specifieke functies (bijv. SYN1 in hersenen, ZAP70 in immuuncellen) vormden uitgesproken clusters, terwijl housekeeping-genen (bijv. ribosomale genen) compacte, universele clusters vormden.
• Dispersie: De ruimtelijke spreiding (convex hull area) van embeddings voor weefsel-geëxponeerde genen was significant groter dan voor housekeeping-genen, wat bevestigt dat Mahi contextuele diversiteit effectief codeert.

3. In Silico Verstoringssimulaties:

• Mahi kon de downstream-effecten van gen-knockouts modelleren.
  • ALPK3 (Hart): Een knockout resulteerde in verrijkte pathways voor bloedstolling en bloeddrukregulatie, consistent met cardiomyopathie.
  • DMD (Spier): Resulteerde in verrijkte immuun- en ontstekingsprocessen, passend bij Duchenne spierdystrofie.
  • CFTR (Long vs. Reproductie): In longweefsel werden iontransport- en epitheel-organiseringsprocessen geactiveerd. Opvallend genoeg toonde Mahi ook subtiele, weefsel-specifieke effecten in reproductieve weefsels (eierstok, zaadblaas), wat overeenkomt met bekende maar minder bekende rollen van CFTR bij vruchtbaarheid.

Bijdragen en Significantie

Technische Innovatie:
Mahi introduceert een nieuwe architectuur die multimodale data (sequenties, epigenetica, structuur) succesvol combineert met weefsel-specifieke netwerktopologie via een GNN. Dit overbrugt de kloof tussen statische sequentie-modellen en dynamische biologische context.

Wetenschappelijke Impact:

• Interpreteerbaarheid: Het framework biedt niet alleen voorspellingen, maar ook biologisch betekenisvolle embeddings die de functionele organisatie van genen in verschillende weefsels blootleggen.
• Geneesmiddelenontdekking: De mogelijkheid om in silico knockouts uit te voeren in specifieke weefselnetwerken maakt het mogelijk om ziekte-relevante pathways en therapeutische doelwitten te identificeren die context-afhankelijk zijn.
• Toekomstperspectief: Mahi dient als een fundamenteel platform voor precisiegeneeskunde, waarbij genetische kwetsbaarheden en therapeutische strategieën kunnen worden voorspeld op basis van de specifieke biologische context van de patiënt.

Beschikbaarheid:
Alle embeddings, het framework en de code zijn openbaar beschikbaar via GitHub (FunctionLab/mahi) om hergebruik en verdere ontwikkeling door de wetenschappelijke gemeenschap te faciliteren.