Learning gene interactions from tabular gene expression data using Graph Neural Networks

Dit paper introduceert REGEN, een op Graph Neural Networks gebaseerd raamwerk dat simultaan latente geninteractienetwerken leert uit bulk-transcriptoomdata en patiëntoverleving voorspelt, terwijl het tevens praktische richtlijnen biedt voor het toepassen van GNN's op dergelijke tabulaire gegevens.

De kern

Het Grote Genen-Netwerk: Een Reis door de Cellen

Stel je voor dat je lichaam een enorme, drukke stad is. In deze stad wonen miljarden cellen. Elke cel heeft een eigen bibliotheek met instructies, genaamd genen. Normaal gesproken werken deze genen niet alleen; ze praten met elkaar, sturen berichten en werken samen in teams. Dit noemen we genen-interacties.

Soms gaat er iets mis in deze stad, bijvoorbeeld bij kanker. De communicatie tussen de genen raakt verstoord. Sommige genen beginnen te schreeuwen, andere houden zich stil, en de verkeerde teams gaan samenwerken. Om dit te begrijpen, kijken wetenschappers naar bulk transcriptomics. Dat is een beetje alsof je een enorme, wazige foto maakt van de hele stad op één moment, in plaats van naar één huisje te kijken. Je ziet wel dat er chaos is, maar je ziet niet precies wie met wie praat.

Het Probleem: De Kaart Ontbreekt

Tot nu toe hadden wetenschappers twee manieren om te kijken naar deze genen:

1. De oude manier: Kijken naar individuele genen, alsof je kijkt naar één persoon in de stad zonder te weten wie zijn vrienden zijn.
2. De "GNN"-manier (Graph Neural Networks): Dit is een slimme computer die netwerken kan leren. Maar hier was een probleem: om deze computer te laten werken, moesten we eerst een kaart van de stad tekenen. We gebruikten oude, statische kaarten (zoals een stadsplaatje uit 1950) die niet altijd kloppen voor de specifieke ziekte of patiënt. Het was alsof je een GPS gebruikt die alleen wegen kent die er misschien niet meer zijn.

De Oplossing: REGEN (De Slimme Architect)

De auteurs van dit papier hebben een nieuw systeem bedacht, genaamd REGEN. Je kunt je REGEN voorstellen als een slimme architect die niet alleen de stad bekijkt, maar ook direct de wegen tekent terwijl hij de stad inspecteert.

In plaats van een oude kaart te gebruiken, leert REGEN de wegen (de interacties tussen genen) terwijl het probeert een diagnose te stellen (bijvoorbeeld: "Is deze patiënt ziek of gezond?").

Hoe werkt het? (De Analogie van de Dansvloer)
Stel je voor dat je een dansfeest hebt met duizenden gasten (de genen).

• De oude methode: Je gaf iedereen een vaste lijst met wie ze moesten dansen, gebaseerd op een oude gastenlijst.
• De REGEN-methode: REGEN kijkt naar de gasten. Als twee gasten heel veel op elkaar lijken (bijvoorbeeld ze dragen dezelfde kleding of bewegen in hetzelfde ritme), laat REGEN ze bij elkaar dansen. Als ze totaal verschillend zijn, houden ze afstand.
• REGEN bouwt deze danspartnerschappen (het netwerk) dynamisch op, puur op basis van wat er op dat moment gebeurt in de cel.

Wat hebben ze ontdekt?

De onderzoekers hebben REGEN getest op data van zeven verschillende soorten kanker (zoals borstkanker, longkanker en nierkanker).

1. Het werkt beter: REGEN was slimmer dan de oude methoden. Het kon de patiënten beter indelen in "ziek" of "gezond" omdat het de juiste connecties tussen de genen vond.
2. Het leert nieuwe dingen: Omdat REGEN zelf de wegen tekent, ontdekte het verborgen groepjes genen die we eerder niet zagen.
   • Voorbeeld: Bij nierkanker zag REGEN een groepje genen die samenwerken aan immuunverdediging (alsof een speciale politiemacht de stad bewaakt). Een ander groepje werkte aan energieproductie (de centrale elektriciteitscentrale).
3. Het is betrouwbaar: De wegen die REGEN tekende, bleken vaak overeen te komen met wat we al wisten over biologie, maar ook met nieuwe, interessante combinaties die nog niet eerder waren beschreven.

Waarom is dit belangrijk?

Vroeger moesten wetenschappers raden welke genen met elkaar praten. Met REGEN kunnen ze leren welke genen samenwerken, puur op basis van de data.

• Voor artsen: Dit kan helpen om betere diagnoses te stellen en te voorspellen hoe een patiënt zal reageren op een behandeling.
• Voor onderzoekers: Het geeft een nieuwe kaart van de stad, waardoor ze kunnen zien welke "straten" (wegen) er echt zijn en welke gebouwen (genen) belangrijk zijn voor de ziekte.

Samenvattend

Dit papier introduceert REGEN, een slimme computer die niet alleen kijkt naar wie er ziek is, maar ook leert hoe de cellen onderling communiceren. Het is alsof we van een statische landkaart overstappen op een live, interactieve navigatiesysteem dat de verkeersdrukte in de cellen in real-time volgt. Hierdoor krijgen we een veel duidelijker beeld van hoe kanker werkt en hoe we het kunnen bestrijden.

Technische samenvatting

Titel: Leren van geninteracties uit tabulaire genexpressiedata met behulp van Graph Neural Networks (GNN's)

Auteurs: Maria Boulougouri, Mohan Vamsi Nallapareddy en Pierre Vandergheynst (EPFL)

---

1. Het Probleem

Bulk RNA-sequencing (bulk transcriptomics) is een veelgebruikte methode om ziektegevoeligheid en therapeutische respons te bestuderen. Traditionele methoden, zoals differentieel expressie-analyse, focussen op individuele genen, terwijl netwerkbased methoden (zoals WGCNA) zoeken naar gecoördineerde patronen.
Echter, het toepassen van Graph Neural Networks (GNN's) op bulk transcriptomische data stuit op een fundamenteel probleem:

• Gebrek aan richtlijnen voor grafconstructie: GNN's vereisen een adjacentiematrix (een graf) om te werken. Bestaande methoden gebruiken vaak statische, vooraf gedefinieerde netwerken gebaseerd op prior kennis (zoals PPI-netwerken of signaling pathways). Deze netwerken zijn echter niet context-specifiek (ze zijn niet ziekte- of weefselspecifiek) en missen vaak regulatoire relaties die specifiek zijn voor de onderzochte conditie.
• Onzekerheid over data-gedreven benaderingen: Er is geen duidelijke consensus over hoe men de beste adjacentiematrix moet kiezen voor transcriptomische GNN's. Bestaande data-gedreven methoden (zoals matrixfactorisatie) hebben vaak schaalbaarheidsproblemen of vereisen een initiële interactiematrix die vaak ontbreekt of zeer schaars is.

2. Methodologie: Het REGEN Framework

De auteurs introduceren REGEN (REconstruction of GEne Networks), een GNN-gebaseerd framework dat twee doelen simultaan bereikt: het leren van een latente gen-interactienetwerk en het voorspellen van de vitale status van patiënten.

Architectuur en Werkingsprincipe:
REGEN bestaat uit drie hoofdcomponenten (zie Figuur 1 in het artikel):

1. Embedding Module: De input (genexpressiewaarden per patiënt) wordt verwerkt door een enkele lineaire laag om gen-embeddings te genereren.
2. Graph Generation Module: Dit is het kerninnovatiepunt. In plaats van een statische graf te gebruiken, leert het model de grafstructuur dynamisch tijdens het trainingsproces.
   • Het gebruikt een k-Nearest Neighbor (kNN) algoritme gebaseerd op de gen-embeddings. Genen met vergelijkbare embeddings worden verbonden via randen (edges).
   • Dit creëert een nieuwe adjacentiematrix bij elke forward pass, waardoor het model de interacties direct uit de data leert.
   • Augmentatie: De kNN-graf kan optioneel worden verrijkt met randgewichten afgeleid van externe bronnen (Pearson/Spearman correlatie, PPI-netwerken zoals STRING, of pathway-informatie zoals CPDB) om het leerproces te sturen.
3. Graph Classification Module: Een GNN-module verwerkt de gegenereerde graf om de patiëntstatus (levend/overleden) te voorspellen. Het model wordt end-to-end getraind.

Experimenteel Ontwerp:

• Synthetische Data: Twee experimenten (Exp 1 en 2) met bekende ground truth-clusters om te testen of REGEN latent clusters kan detecteren op basis van ruimtelijke of probabilistische connectiviteit.
• Real-world Data: Toepassing op zeven TCGA kankerdatasets (BRCA, KIPAN, GBMLGG, STES, HNSC, LUAD, COADREAD).
• Benchmarks: Vergelijking met:
  • Structure-agnostisch: Een Multi-Layer Perceptron (MLP).
  • Structure-bewust: Vier varianten van Graph Convolutional Networks (GCN) met statische adjacentiematrices (gebaseerd op Pearson, Spearman, PPI, en CPDB).

3. Belangrijkste Bijdragen

• Eerste framework voor bulk transcriptomics: REGEN is, voor zover bekend, het eerste framework dat geninteracties leert direct uit tabulaire bulk transcriptomische data zonder afhankelijkheid van een volledig vooraf gedefinieerd netwerk.
• Praktische richtlijnen: Door systematisch verschillende initialisatiestrategieën voor de adjacentiematrix te vergelijken, bieden de auteurs richtlijnen voor het toepassen van GNN's op transcriptomische data.
• Interpreteerbaarheid: Het model produceert een leerbaar gen-netwerk dat biologisch zinvol is, wat inzicht geeft in ziektemechanismen.

4. Resultaten

Prestaties op Synthetische Data:

• REGEN kon clusters nauwkeurig identificeren, zowel op basis van afstand in de latente ruimte als op basis van grafconnectiviteit.
• De prestaties waren voornamelijk afhankelijk van de "signaalsterkte" (signal strength) en niet van het aantal clusters.

Prestaties op Real-world Kankerdata:

• Superieure Voorspellingskracht: REGEN presteerde beter dan de baselines in 5 van de 7 kankersoorten ten opzichte van de MLP, en in 6 van de 7 ten opzichte van de GCN-varianten.
• Beperkingen van Statische GCN's: Statistische GCN's (met vooraf gedefinieerde matrices) presteerden vaak slechter dan de structure-agnostische MLP. Dit suggereert dat statische netwerken de functionele genrelaties die nodig zijn voor deze specifieke voorspellings taken niet goed vastleggen.
• Rol van Prior Knowledge: Hoewel statische GCN's vaak faalden, bleek dat prior knowledge (PPI/CPDB) wel waardevol was als randgewichten in het dynamische REGEN-model. Dit leidde tot de beste prestaties in 4 van de 7 taken.

Biologische Interpretatie (KIPAN Case Study):

• Gen-importentie: Gebruik van Integrated Gradients toonde aan dat de door REGEN geïdentificeerde "top genen" sterk voorspellend waren voor de kankerfenotype.
• Netwerk-analyse: De geleerde graf voor nierkanker (KIPAN) werd geclusterd (Leiden algoritme). De clusters correleerden sterk met biologisch zinvolle paden:
  • Cluster 15: Verrijkt voor metabolisme, Hedgehog-signaleren en Epithelial-to-Mesenchymal Transition (EMT).
  • Cluster 22: Verrijkt voor immuunsystemen (adaptief en aangeboren) en NK-cel cytotoxiciteit.
  • Cluster 16: Verrijkt voor vesikel-transport en autophagie.
• Biomarkers: Het model identificeerde 20 genen die consistent in alle 5 de folden voorkwamen. Veel hiervan (zoals GSG1, THRSP, RAB25) zijn bekende prognostische markers of hebben een bewezen link met nierkanker.

5. Betekenis en Conclusie

Dit onderzoek bewijst dat het leren van de grafstructuur direct uit de data (in plaats van deze statisch voor te schrijven) essentieel is voor het succes van GNN's in de transcriptomica.

• Methodologische doorbraak: REGEN overwint de beperkingen van statische netwerken door een efficiënte kNN-gebaseerde leerstrategie te gebruiken die zowel voorspellende kracht als biologische interpretatie biedt.
• Biologische relevantie: Het model onthult niet alleen patiëntsubgroepen, maar ontdekt ook nieuwe, biologisch onderbouwde geninteracties en paden die relevant zijn voor kankerprogressie.
• Toekomstperspectief: De studie biedt een principieel kader voor het toepassen van GNN's op bulk RNA-seq data, wat leidt tot betere fenotypevoorspellingen en dieper inzicht in de onderliggende genregulerende netwerken van ziekten.

De code en data-analyse scripts zijn beschikbaar via de GitHub-repository van de auteurs.