Predicting Unseen Gene Perturbation Response Using Graph Neural Networks with Biological Priors

In dit artikel wordt PerturbGraph, een op biologische priors gebaseerd graf-neuraal netwerk, geïntroduceerd dat interactienetwerken en functionele annotaties integreert om de transcriptiereacties op onbekende gen-perturbaties nauwkeuriger te voorspellen dan bestaande methoden.

De kern

Stel je voor dat je een enorme bibliotheek hebt met miljoenen boeken, maar je hebt geen tijd om ze allemaal te lezen. Je wilt weten wat er gebeurt als je één specifiek woord in een boek verwijdert of verandert. In de biologie is dit precies wat wetenschappers proberen te doen met genen. Genen zijn als de instructieboeken in onze cellen. Als je een gen "perturbeert" (verandert of uitschakelt), verandert dat hoe de cel zich gedraagt.

Het probleem? Er zijn duizenden genen. Het is onmogelijk om in een laboratorium elke mogelijke combinatie van genveranderingen uit te testen. Het zou te duur en te lang duren.

Hier komt PerturbGraph om de hoek kijken, een slim computerprogramma bedacht door onderzoekers die dit paper hebben geschreven. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Grote Netwerk (De Stadsplattegrond)

Stel je voor dat elke gen in je lichaam een gebouw is in een enorme stad. Deze gebouwen zijn niet geïsoleerd; ze hebben wegen en bruggen naar elkaar toe. Sommige gebouwen werken nauw samen (zoals een fabriek en een magazijn), andere hebben een losser contact.

In de biologie noemen we dit een interactienetwerk (vaak gebaseerd op de STRING-database). De onderzoekers gebruiken dit netwerk als een soort "stadsplattegrond". Als je een gebouw (een gen) aanpast, heeft dat invloed op de gebouwen die er direct naast staan, en die weer op de volgende, en zo verder.

2. Het Leerproces (Van Proefjes naar Patronen)

De wetenschappers hebben al een aantal "proefjes" gedaan in het lab (met CRISPR-technologie). Ze hebben gekeken wat er gebeurde met de cellen toen ze 1.800 specifieke genen veranderden.

• Het probleem: Ze hebben niet gekeken naar de andere 15.000+ genen.
• De oplossing: In plaats van te raden, leert het computerprogramma de patronen van de gebouwen die ze wel hebben getest.

Ze gebruiken een techniek die Graph Neural Networks (GNN) heet. Dit is als een super-slimme detective die door de stadsplattegrond loopt. Als de detective ziet dat "Gen A" (een fabriek) en "Gen B" (een magazijn) dicht bij elkaar liggen en vaak samenwerken, en hij weet wat er gebeurt als je Gen A verandert, dan kan hij een heel goed idee krijgen van wat er zou gebeuren als je Gen B verandert, zelfs als hij Gen B nooit eerder heeft gezien.

3. De Biologische "Gids" (De Context)

Het programma is niet alleen slim, het is ook biologisch onderlegd. Het kijkt niet alleen naar de wegen in de stad, maar ook naar:

• Wat doet het gebouw? (Genetische functies, zoals "maakt eiwitten").
• Hoe ziet het eruit? (Hoeveel "verkeer" is er normaal gesproken in dit gen?).
• Wat zeggen de buren? (Hoe reageren de directe buren op veranderingen?).

Dit is alsof de detective niet alleen de kaart heeft, maar ook een gids die zegt: "Ah, dit gebouw is een ziekenhuis, dus als je hier iets verandert, zal het effect anders zijn dan in een schoolgebouw."

4. Het Resultaat: Voorspellen zonder Te Meten

Het doel van PerturbGraph is om te voorspellen wat er gebeurt bij onbekende genveranderingen.

• Hoe goed werkt het? Ze hebben het getest tegen andere methoden. Het bleek veel beter te zijn dan oude statistische methoden (zoals simpele lijntjes trekken) en zelfs beter dan andere geavanceerde AI-modellen.
• De winst: Het kon de reactie van de cellen voorspellen met een nauwkeurigheid die tot 6% beter was dan de beste concurrenten. Het kon zelfs beter voorspellen welke genen "oplichten" (meer actief worden) en welke "uitgaan" (minder actief worden).

Waarom is dit belangrijk?

Stel je voor dat je een medicijn wilt ontwerpen om kanker te bestrijden. Je wilt weten welk gen je moet uitschakelen om de kankercel te stoppen zonder de gezonde cellen te raken.
Vroeger moesten wetenschappers duizenden experimenten doen om dit te vinden. Met PerturbGraph kunnen ze nu virtueel (in de computer) duizenden scenario's doornemen en de meest veelbelovende kandidaten selecteren. Dit bespaart jaren aan tijd en geld, en versnelt de ontdekking van nieuwe behandelingen.

Kort samengevat:
PerturbGraph is een slimme computer die de "sociale kaart" van onze genen leest. Door te kijken naar hoe genen met elkaar praten en samenwerken, kan het voorspellen wat er gebeurt als je een gen verandert, zelfs als dat gen nog nooit eerder in een lab is getest. Het is alsof je de uitkomst van een spel kunt voorspellen door alleen te kijken naar de regels en de positie van de spelers, zonder het spel zelf te hoeven spelen.

Technische samenvatting

Probleemstelling

Het voorspellen van transcriptiereacties op genetische verstoringen (perturbaties) is een centraal probleem in de functionele genomics. Hoewel experimenten zoals CRISPR Perturb-seq het mogelijk maken om genexpressie-veranderingen te meten na gerichte verstoringen, is het onhaalbaar om experimenteel alle mogelijke combinaties van genverstoringen te testen vanwege kosten en experimentele beperkingen.

Bestaande computationele modellen kampen met twee belangrijke beperkingen:

1. Ze focussen vaak op het genereren van cel-niveau expressieprofielen in plaats van het leren van stabiele, gen-niveau verstoringprogramma's.
2. Ze benutten de complexe biologische interactie-netwerken (zoals eiwit-eiwit interacties) en functionele annotaties onvoldoende om reacties te voorspellen voor verstoringen die tijdens het trainen nooit zijn waargenomen (unseen perturbations).

Het doel is daarom om een model te ontwikkelen dat de transcriptiereactie kan voorspellen voor genen die niet in de trainingsset zijn gebruikt, puur op basis van hun biologische context en netwerkrelaties.

Methodologie: PerturbGraph

De auteurs introduceren PerturbGraph, een biologisch geïnformeerd graf-leerframework. De kern van de methode is het modelleren van verstoringseffecten als stabiele transcriptieve verschuivingen die zich voortplanten door moleculaire interactie-netwerken.

1. Data Voorbereiding en Signatuurconstructie:

• Data: Het model wordt getraind op grote CRISPR Perturb-seq datasets (Replogle en Norman), waarbij single-cell RNA-sequencing data wordt gebruikt.
• Signaturen: Voor elke verstoring wordt een "perturbation signature" gemaakt door de gemiddelde expressie van verstoord cellen te vergelijken met controlecellen ($\Delta_i = x^{pert}_i - x^{ctrl}$).
• Latente Ruimte: Vanwege de hoge dimensie en ruis in transcriptoomdata, worden deze signatures geprojecteerd naar een compacte, lage-dimensionale latente ruimte met behulp van afgeknotte Singular Value Decomposition (SVD). Dit resulteert in "latent perturbation programs".

2. Biologische Representatie van Genen:
Elk gen in het netwerk wordt vertegenwoordigd door een feature-vector die meerdere biologische prioren integreert:

• Netwerkstructuur: Embeddings verkregen via Node2Vec op het STRING eiwit-eiwit interactie netwerk.
• Topologie: Statistieken van de netwerkstructuur.
• Baseline Expressie: Transcriptiestatistieken uit controlecellen.
• Functionele Annotatie: Gene Ontology (GO) embeddings.

3. Graf Neuronale Netwerk (GNN) Architectuur:

• Het model gebruikt een Graph Convolutional Network (GCN) om informatie te verspreiden over het interactie-netwerk via "message passing".
• De GCN leert een representatie voor elk gen door informatie van zijn buren in het biologische netwerk te aggregeren.
• De uiteindelijke node-representatie wordt gedecodeerd om de voorspelde latente verstoringprogramma's te reconstrueren, en vervolgens teruggeprojecteerd naar de voorspelde transcriptieve verschuivingen.

4. Evaluatie Protocol:
Het model wordt getest onder een strikt "unseen-perturbation" scenario: genen in de testset zijn volledig gescheiden van de trainingsset. Het model moet dus generaliseren naar genen die het nooit eerder heeft gezien, uitsluitend gebaseerd op hun positie in het interactie-netwerk en hun features.

Belangrijkste Bijdragen

1. PerturbGraph Framework: Een nieuw graf-gebaseerd framework dat stabiele verstoringprogramma's leert uit single-cell data om reacties op onwaargenomen genverstoringen te voorspellen.
2. Biologisch Verrijkte Representatie: Een innovatieve integratie van netwerkstructuur (STRING), graf-embeddings (Node2Vec), expressiestatistieken en GO-annotaties in één model.
3. Netwerk-gebaseerde Propagatie: Het aantonen dat het verspreiden van verstoringinformatie via biologische interactie-netwerken de voorspellende nauwkeurigheid significant verbetert voor onwaargenomen genen.
4. Uitgebreide Benchmark: Een comprehensieve vergelijking tegen klassieke machine learning modellen, specifieke deep learning modellen (zoals scGen en CPA) en andere GNN-architecturen (GraphSAGE, GAT).

Resultaten

PerturbGraph presteert consequent beter dan alle baselines op meerdere datasets en metrieken:

• Vergelijking met Baselines:

  • Op de Replogle dataset behaalde PerturbGraph een cosine similarity van 0,592 en een Spearman correlatie van 0,340.
  • Dit is een verbetering van ongeveer 6% in cosine similarity ten opzichte van de sterkste feature-only baseline (Random Forest, 0,557) en meer dan 20% ten opzichte van lineaire modellen.
  • Het overtreft ook gespecialiseerde deep learning modellen zoals scGen en CPA, die geen expliciete gebruik maken van de netwerkstructuur.

• Generalisatie (Norman Dataset):

  • Op de kleinere Norman dataset behaalde PerturbGraph een cosine similarity van 0,940 (tegenover 0,901 voor Ridge regressie) en een Spearman correlatie van 0,815.
  • Het model toonde stabiele convergentie over verschillende random seeds.

• Impact van Componenten:

  • Netwerk vs. Features: Een model dat alleen gebruikmaakte van de grafstructuur presteerde al redelijk, maar het toevoegen van biologische statistieken en GO-embeddings leverde aanzienlijke verbeteringen op.
  • Architectuur: De GCN-architectuur presteerde beter dan GraphSAGE en GAT, waarschijnlijk omdat de genormaliseerde convolutie in GCN informatie soepeler verspreidt over het netwerk, wat beter past bij de gedistribueerde aard van transcriptieregulatie.

• Biologische Interpretatie:

  • Het model slaagt erin om niet alleen numerieke expressieverschuivingen te voorspellen, maar ook biologisch zinvolle signalen. Voor goed voorspelde gevallen (bijv. RPL23) werden de juiste pathways (zoals translatie en rRNA-verwerking) geïdentificeerd.
  • De voorspellingsnauwkeurigheid correleerde met de netwerkstructuur: genen dichter bij trainingsgenen in het netwerk of met meer waargenomen buren, werden beter voorspeld.

Significantie

De studie demonstreert dat het integreren van biologische interactie-netwerken met graf-representatie learning een sterke inductieve bias biedt voor het modelleren van transcriptiereacties op genetische verstoringen.

• Scalabiliteit: PerturbGraph maakt in silico screening mogelijk van kandidaat-verstoringen, wat experimentele kosten verlaagt en het ontwerpen van experimenten versnelt.
• Biologisch Inzicht: Door gebruik te maken van bestaande kennis over eiwit-eiwit interacties en functionele annotaties, kan het model mechanistische inzichten bieden over hoe verstoringen zich door celnetwerken voortplanten.
• Toekomstperspectief: Hoewel het huidige model focust op verstoring-niveau programma's en niet volledig op celpopulatie-heterogeniteit, biedt het een solide basis voor toekomstige werken die cell-type-specifieke netwerken of generatieve single-cell modellen kunnen integreren.

Kortom, PerturbGraph bewijst dat het benutten van de onderliggende biologische connectiviteit essentieel is voor het succesvol voorspellen van de gevolgen van genetische manipulaties die nog niet experimenteel zijn getest.