💻 bio-informatica

RAPTORGraph: graph-based pathway modeling for causal discovery in single-cell perturbations

RAPTORGraph is een innovatieve graafgebaseerde variationele autoencoder die gecureerde biologische pathways integreert met optimal-transport alignment om interventie-spillover te elimineren en identificeerbare causale ontdekking mogelijk te maken, waardoor de voorspelling van ongeziene perturbaties en niet-additieve interacties in single-cell experimenten wordt verbeterd.

Oorspronkelijke auteurs: Adhisantoso, Y. G., Schröder, S. K., Gress, M., Hernaez, M., Voges, J.

Gepubliceerd 2026-11-04

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Adhisantoso, Y. G., Schröder, S. K., Gress, M., Hernaez, M., Voges, J.

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Cellen zijn de fundamentele eenheden van het leven, waarbij elke cel een complexe set instructies draagt, geschreven in genen die bepalen hoe een organisme groeit, functioneert en reageert op zijn omgeving. Wetenschappers proberen al lang te begrijpen hoe deze genen met elkaar interageren, vergelijkbaar met het proberen uit te zoeken hoe het omzetten van een enkele schakelaar in een enorm, donker gebouw de lichten in andere kamers beïnvloedt. Om dit te doen, gebruiken onderzoekers krachtige instrumenten om specifieke genen doelbewust te verstoren, een proces dat perturbatie wordt genoemd, en vervolgens te observeren hoe het gedrag van de cel verandert. Deze aanpak staat centraal in de moderne biologie en medicijnontwikkeling, en biedt een manier om de verborgen machinerie van het leven in kaart te brengen. Omdat er echter duizenden genen zijn en een bijna oneindig aantal manieren waarop ze gecombineerd kunnen worden, is het onmogelijk om elk scenario in een laboratorium te testen. Deze beperking heeft wetenschappers ertoe aangezet om computermodellen te bouwen die kunnen voorspellen hoe cellen zullen reageren op genetische veranderingen die ze nog nooit eerder hebben gezien. De uitdaging is geweest om modellen te creëren die niet alleen accuraat zijn, maar ook transparant, waardoor onderzoekers het "waarom" achter een voorspelling kunnen begrijpen, in plaats van simpelweg een "black box"-antwoord te accepteren.

Een nieuwe studie introduceert een geavanceerd computerkader genaamd RAPTORGraph, ontworpen om twee grote problemen op te lossen die eerdere pogingen tot deze taak hebben gehinderd. Het eerste probleem is een fenomeen dat de onderzoekers "interventie-spillover" noemen. In veel bestaande modellen, wanneer een wetenschapper de computer vertelt om één specifiek gen te veranderen, raakt de interne logica van het model in de war, waardoor de verandering over veel verschillende verborgen variabelen wordt verspreid in plaats van deze te isoleren tot een enkele oorzaak. Het is alsof het omschakelen van een enkele lichtschakelaar ervoor zorgt dat de bedrading van het hele gebouw onvoorspelbaar knippert, waardoor het onmogelijk wordt om het effect terug te herleiden naar de bron. Het tweede probleem staat bekend als "mean collapse". Omdat het onmogelijk is om exact dezelfde cel voor en na een genetische verandering te observeren, moeten onderzoekers vaak verschillende cellen aan elkaar koppelen om hun modellen te trainen. Als deze koppelingen willekeurig worden gedaan, heeft het model de neiging om alleen het gemiddelde gedrag van de hele groep te leren, waardoor de unieke en diverse reacties van individuele cellen worden afgevlakt. Dit wist de biologische variëteit die wetenschappers juist proberen te begrijpen.

Om deze problemen op te lossen, bouwde het team een model dat een duidelijke, één-op-één verbinding afdwingt tussen een doelgericht gen en het effect ervan binnen de interne representatie van de computer. Ze bereikten dit door het leerproces van het model zo te structureren dat een verandering in een specifiek gen slechts via één specifieke, toegewezen pad de system kan binnenkomen. Dit ontwerp zorgt ervoor dat het model de impact van een enkele genetische verandering kan isoleren, waardoor het signaal schoon en interpreteerbaar blijft. Zodra een dergelijk schoon signaal is vastgesteld, gebruikt het model een aparte leerstap om te achterhalen hoe deze geïsoleerde veranderingen door het netwerk van biologische processen rimpelen. Dit stelt het systeem in staat om de complexe, echte relaties tussen genen te leren zonder de verwarring die wordt veroorzaakt door de initiële "spillover". Bovendien, om het verlies van cellulaire diversiteit te voorkomen, gebruikten de onderzoekers een wiskundige techniek om controlecellen zorgvuldig te matchen met geperturbeerde cellen op basis van hun algemene gelijkenis, in plaats van ze willekeurig te koppelen. Dit zorgt ervoor dat het model de rijke variëteit van individuele cellulaire reacties behoudt, in plaats van te vervallen in een generiek gemiddelde.

Bij tests op echte data van experimenten met menselijke leukemiecellen bleek het nieuwe kader zeer effectief. Het voorspelde succesvol hoe cellen zouden reageren op genetische veranderingen die het nog nooit eerder was tegengekomen, inclusief complexe scenario's waarbij twee genen tegelijkertijd werden aangepast. In deze gevallen kon het model niet-additieve interacties identificeren, waarbij het gecombineerde effect van twee veranderingen anders is dan simpelweg het optellen van hun individuele effecten. Bijvoorbeeld, het model identificeerde correct dat bepaalde gencombinaties kunnen leiden tot een volledige stopzetting van de celdeling, een proces dat bekend staat als celcyclusarrest, gedreven door specifieke biologische programma's. De onderzoekers demonstreerden ook dat het model in omgekeerde richting kon werken: gegeven een specifieke cellulaire uitkomst, kon het suggereren welke genetische veranderingen waarschijnlijk verantwoordelijk waren. Deze capaciteit is cruciaal voor het genereren van nieuwe hypothesen en het sturen van toekomstige experimenten.

De studie bevestigt dat door de regels van causale logica te respecteren — door ervoor te zorgen dat oorzaken worden geïsoleerd en effecten nauwkeurig worden getraceerd — computermodellen krachtige instrumenten voor ontdekking kunnen worden. De onderzoekers ontdekten dat hun aanpak niet alleen overeenkwam met de voorspellende nauwkeurigheid van de beste bestaande methoden, maar ook een helder venster bood op de biologische mechanismen die aan die voorspellingen ten grondslag liggen. Door de valkuilen van verstrengelde signalen en gemiddelde data te vermijden, biedt RAPTORGraph een manier om het uitgestrekte landschap van genetische interacties met grotere helderheid te verkennen. Het werk suggereert dat met de juiste architecturale beperkingen, computers wetenschappers kunnen helpen om verder te gaan dan alleen het voorspellen van uitkomsten en echt de causale ketens te begrijpen die het leven vormgeven, wat potentieel de zoektocht naar nieuwe behandelingen en diepere biologische inzichten kan versnellen.

Technische Samenvatting: RAPTORGraph

Probleemstelling
Huidige computationele modellen voor het voorspellen van cellulaire reacties op genetische perturbaties kampen met twee primaire beperkingen die causale ontdekking en biologische interpreteerbaarheid in de weg staan:

Interventie-spillover (Intervention Spillover): Bestaande modellen voor causale representatie-leren (CRL), zoals DiscrepancyVAE (dVAE) en SENA, vertrouwen vaak op dichte encoders (bijv. MLPs). In deze architecturen verspreidt een ijle (sparse) interventie op een enkel gen in de hoogdimensionale observatieruimte zich door het netwerk om een dicht, multi-node signaal in de latente ruimte te creëren. Deze "spillover" schendt de theoretische vereiste voor atomaire, single-node interventies, waardoor het onmogelijk wordt om het latente doelwit van een interventie uniek te identificeren, wat de causale identificeerbaarheid problematisch maakt.
Gemiddelde Collaps (Mean Collapse): Single-cell RNA-sequencing (scRNA-seq) is destructief, waardoor gepaarde observaties van dezelfde cel vóór en na perturbatie worden voorkomen. Bestaande methoden grijpen vaak naar het willekeurig paren van controle- en geperturbeerde cellen voor training. Dit dwingt modellen om de fout te minimaliseren over willekeurige paren, waardoor ze de gemiddelde populatiereactie leren in plaats van cellulaire diversiteit te behouden, een fenomeen dat "mean collapse" wordt genoemd.
Bevestigingsbias (Confirmatory Bias): Modellen die gecureerde biologische pathways integreren (bijv. SENA) om de interpreteerbaarheid te verbeteren, lijden vaak aan bevestigingsbias. Ze zijn beperkt tot het verklaren van data via bestaande annotaties, waardoor ze potentieel nieuwe signalen die buiten bekende pathways liggen, mogelijk negeren en niet goed kunnen generaliseren over verschillende celtypen waar pathway-specificiteit varieert.

Methodologie
De auteurs stellen RAPTORGraph voor (Response Analysis of Perturbed TranscriptOmes using InteRpretable Graph), een $\beta$ -variational autoencoder framework dat is ontworpen om te voldoen aan de theoretische vereisten voor causale identificeerbaarheid terwijl de voorspellende nauwkeurigheid behouden blijft. De architectuur bestaat uit vier kerncomponenten:

GraphPathway Encoder met Preconditioning:
Om interventie-spillover op te lossen, introduceren de auteurs een nieuwe encoder-architectuur die een ijle, één-op-één mapping tussen geperturbeerde genen en latente variabelen afdwingt.
- Preconditioning: De input-genvector wordt gesorteerd zodat geperturbeerde genen eerst verschijnen. De primaire gewichtsmatrix van de encoder is gestructureerd als een blokmatrix waarbij de linksboven submatrix ( $\Lambda_{11}$ strikt diagonaal is. Dit zorgt ervoor dat elk van de $k$ geperturbeerde genen precies één van de eerste $k$ geleerde meta-pathways beïnvloedt.
- Zero-Block Constraint: Een zero-block voorkomt expliciet dat geperturbeerde genen de resterende $(d-k)$ latente variabelen beïnvloeden, waardoor de interventie wordt geïsoleerd tot een enkele node.
- Flexibiliteit: De overige submatrices zijn dicht, waardoor het model complexe relaties tussen ongeperturbeerde genen en alle latente pathways kan leren.
DAGMA Causal Graph Learning:
In plaats van te vertrouwen op vooraf gedefinieerde pathway-annotaties, leert RAPTORGraph de causale structuur van de latente meta-pathways met behulp van het DAGMA (Differentiable Acyclicity via Graphical Matrix Algebra) framework.
- Deze module leert een Directed Acyclic Graph (DAG) die de causale relaties tussen de ijle pathway-activiteiten vertegenwoordigt.
- Het maakt gebruik van een continue acycliciteitsrestrictie gebaseerd op een log-determinant functie, wat end-to-end optimalisatie van de grafische structuur mogelijk maakt zonder arbitraire hiërarchische ordeningen op te leggen.
Optimal Transport (OT) Preprocessing:
Om mean collapse aan te pakken, gebruikt het model een offline optimal transport stap om controle- en geperturbeerde cellen te paren.
- In tegenstelling tot willekeurige pairing, koppelt OT cellen globaal op basis van hun distributionele gelijkenis, waardoor de onderliggende populatiestructuur en cellulaire heterogeniteit behouden blijven.
- Dit biedt een goed gedefinieerde mapping tussen controle- en geperturbeerde monsters, wat de geleerde latente representaties stabiliseert.
Trainingsdoelstelling (Training Objective):
Het model wordt end-to-end getraind met een samengestelde verliesfunctie ( $L_{total}$ ) die vier componenten balanceert:
- Reconstructie Verlies ( $L_{MSE}$ ): Reconstrueert getrouw de basale (ongeperturbeerde) cellulaire toestanden.
- KL Divergentie ( $L_{KL}$ ): Regulariseert de latente ruimte om te voldoen aan een prior distributie.
- Interventionele Voorspellingsverlies ( $L_{MMD}$ ): Gebruikt Maximum Mean Discrepancy om de afstand tussen voorspelde en ware distributies van geperturbeerde cellen te minimaliseren.
- Causale Graaf Verlies ( $L_{DAGMA}$ ): Dwingt acycliciteit en ijleheid af in de geleerde causale graaf.

Belangrijkste Bijdragen

Architecturale Innovatie: De introductie van de gepreconditioneerde GraphPathway encoder, die wiskundig de ijle, single-node interventievereiste afdwingt die noodzakelijk is voor causale identificeerbaarheid, waardoor het probleem van interventie-spillover wordt opgelost.
Bias Mitigatie: Een framework dat causale meta-pathways direct uit data leert in plaats van te vertrouwen op gecureerde biologische pathways, waardoor bevestigingsbias wordt vermeden en de ontdekking van nieuwe biologische signalen mogelijk wordt.
Preservering van Diversiteit: De integratie van Optimal Transport preprocessing om mean collapse te voorkomen, waardoor het model cellulaire diversiteit behoudt in plaats van te regrederen naar populatiegemiddelden.

Resultaten
De auteurs hebben RAPTORGraph getest tegen state-of-the-art modellen (SENA, scGPT, dVAE en GEARS) op de Norman et al. Perturb-seq dataset en de Replogle et al. CRISPRi dataset.

Generatieve Prestaties: RAPTORGraph bereikte een sterke balans tussen reconstructiefaillibiliteit (MSE) en distributionele nauwkeurigheid (MMD). Op de Norman dataset behaalde het een MMD van $0.112 \pm 0.001$ en een MSE van $0.045 \pm 0.000$ , waarmee het SENA en scGPT overtrof in MMD terwijl het een concurrerende MSE behield.
Voorspelling van Niet-Additieve Interacties: Bij het voorspellen van complexe genetische interacties (synergie, suppressie, neomorfisme, redundantie, epistase) demonstreerde RAPTORGraph superieure prestaties in het identificeren van Synergie ($0.367$ Precision@10) en Neomorfisme ($0.433$ Precision@10) vergeleken met de meeste baselines. De auteurs merken op dat OT-preprocessing een belangrijke drijfveer was voor het voorspellen van redundantie en epistase.
Reverse Perturbation Analyse: Bij de taak om de genetische oorzaak van een geobserveerd fenotype te identificeren (reverse engineering), liet RAPTORGraph concurrerende prestaties zien bij het identificeren van relevante genen (Gene Overlap Hit Rate), waarbij het consistent tot de topmodellen behoorde, hoewel de exacte-match hit rates voor alle modellen bescheiden bleven.
Biologische Interpreteerbaarheid: Gene Set Enrichment Analysis (GSEA) op de geleerde latente factoren onthulde biologisch accurate programma's. Zo identificeerde de latente factor gekoppeld aan EGR1 correct differentiatie-geïnduceerde celcyclusarrest (negatieve verrijking voor "E2F Targets" en "G2-M Checkpoint"), en de factor gekoppeld aan JUN identificeerde stress-geïnduceerd groeiarrest.

Betekenis en Claims
Het artikel claimt dat RAPTORGraph de kloof overbrugt tussen voorspellende kracht en mechanisch inzicht in single-cell perturbatie modellering. Door de problemen van interventie-spillover en mean collapse expliciet op te lossen, stelt het framework in staat tot identificeerbare causale ontdekking zonder te vertrouwen op potentieel bevooroordeelde, vooraf bestaande pathway-annotaties.

De auteurs benadrukken dat hoewel het model een single-node interventie-architectuur afdwingt, dit een modelleringsvereiste is om aan de identificeerbaarheidstheorie te voldoen, en geen bewering dat biologische perturbaties alleen één pathway beïnvloeden. De resultaten suggereren echter dat deze architecturale beperking het model in staat stelt om onderscheidende, biologisch accurate causale programma's te ontdekken. Het werk positioneert RAPTORGraph als een instrument voor het genereren van toetsbare hypothesen over hoe genen gezamenlijk celgedrag vormgeven en voor het sturen van de selectie van informatieve experimenten, met name in de context van niet-additieve genetische interacties en drug target discovery. De auteurs erkennen beperkingen en merken op dat de bewijslast voor generaliseerbaarheid momenteel het sterkst is op de Norman dataset, en dat het nauwkeurig aanwijzen van hogere-orde combinaties een uitdaging blijft voor alle huidige modellen.

Meer zoals dit