Graph-Regularised Multi-Omics Autoencoders Improve Stability and Clinical Coherence of Breast Cancer Patient Embeddings

Technische Samenvatting: Grafiek-geregulariseerde Multi-omics Autoencoders voor Breast Cancer Patiënt-embeddings

Probleemstelling
Ongesuperviseerde patiëntstratificatie met behulp van multi-omics kankerdata vereist geleerde representaties die tegelijkertijd stabiel zijn over onafhankelijke trainingsruns, geometrisch georganiseerd en klinisch informatief. Standaard autoencoder-frameworks behandelen moleculaire inputs doorgaans als ongestructureerde platte vectoren, waarbij de rijke interactietopologie die in proteïne-proteïne interactie-netwerken (PPI) is gecodeerd, wordt genegeerd. Hoewel er bestaande grafiekgebaseerde benaderingen zijn, verwarren deze vaak structurele priors met gesuperviseerde doelstellingen of architecturale complexiteit, wat het moeilijk maakt om de specifieke bijdrage van structurele bias te isoleren. Bovendien wordt de stabiliteit van geleerde embeddings over verschillende willekeurige initialisaties zelden geëvalueerd als een primair criterium. Deze studie adresseert de kloof in het begrip van hoe een biologisch gemotiveerde inductieve bias, geïntroduceerd via zowel de trainingsdoelstelling als een specifieke architecturale vormgeving, de stabiliteit, geometrie en klinische relevantie van ongesuperviseerde multi-omics embeddings beïnvloedt.

Methodologie
De auteurs voerden een gecontroleerde vergelijking uit van drie autoencoder-varianten getraind op de TCGA-BRCA cohort (941 patiënten, 13.001 genen, vier omics-modaliteiten: RNA-seq, Copy Number Variation, DNA Methylation en Somatic Mutation). Alle modellen zijn gematcht op latente dimensionaliteit ($d=64$) en maken strikt gebruik van ongesuperviseerde hyperparameterselectie.

1. Baseline Autoencoder (BAE): Een standaard autoencoder zonder inputcorruptie en zonder biologische prior, die alle genfeatures als onafhankelijk behandelt. Deze maakt gebruik van een afgeplatte patiënt-niveau MLP.
2. Denoising Autoencoder (DAE): Deelt de BAE-architectuur (afgeplatte patiënt-niveau MLP), maar introduceert stochastische inputcorruptie (Gaussische ruis, $\sigma=0.3$) om de statistische robuustheid te verbeteren zonder expliciete structurele priors.
3. Graph-Regulated Denoising Autoencoder (GR-DAE): Dit model introduceert PPI-structuur via zowel een aangepaste architectuur als de verliesfunctie.
   • Architectuur: In tegenstelling tot de afgeplatte patiënt-niveau MLP van de baselines, gebruikt de GR-DAE een gedeelde-gewicht, gen-specifieke MLP-encoder die elk gen's 4-dimensionale omics-vector onafhankelijk verwerkt, wat resulteert in gen-niveau latente representaties ($Y \in \mathbb{R}^{G \times 64}$). Patiënt-embeddings worden afgeleid via mean pooling over deze gen-representaties.
   • Verliesfunctie: De trainingsdoelstelling voegt een Laplacian smoothness penalty toe aan de per-gen reconstructie Mean Squared Error (MSE):
     $$L_{GR-DAE} = L_{recon} + \lambda \text{Tr}(Y^\top L_{sym} Y)$$
     waarbij $L_{sym}$ de symmetrische genormaliseerde Laplacian is van de PPI-grafiek (afgeleid van STRING v11, confidence $\ge 0.85$). Deze term bestraft latente dissimilariteit tussen genen die verbonden zijn in het PPI-netwerk, waardoor wordt afgedwongen dat interagerende genen een vergelijkbare positie in de latente ruimte innemen.
   • Hyperparameterselectie: De regularisatiesterkte $\lambda$ werd geselecteerd via een grid search gebaseerd op puur ongesuperviseerde stabiliteitscriteria (clustering-stabiliteit over herstarts en geometrie-behoud), zonder klinische labels te gebruiken. De optimale waarde werd gevonden op $\lambda = 10^{-6}$.

Belangrijkste Bijdragen

• Isolatie van Inductieve Bias: De studie ontwerpt een experimenteel framework dat het effect van een PPI-gebaseerde Laplacian-regularisator isoleert van denoising en label-gestuurde doelstellingen. Hoewel het framework een ongeregulariseerde gen-specifieke variant ($\lambda=0$) bevat om deels rekening te houden met architecturale verschuivingen, merken de auteurs expliciet op dat het volledig ontrafelen van de bijdragen van de gen-specifieke architectuur versus de expliciete grafiek-prior een openstaande richting voor toekomstig werk blijft.
• Kwantificering van Stabiliteit: Het toont aan dat zelfs zeer zwakke Laplacian-regularisatie ($\lambda = 10^{-6}$), gecombineerd met de gen-specifieke architectuur, de stabiliteit over herstarts en het behoud van de latente geometrie aanzienlijk verbetert ten opzichte van ongestructureerde baselines onder een label-vrij protocol.
• Analyse van Klinische Codering: Het kwantificeert hoe de PPI-geïnformeerde structuur de klinische informatie die in de latente ruimte is gecodeerd, hervormt, waarbij specifiek wordt gewezen op de opkomst van metastatische status als een dominante organiserende factor.
• Complementariteit met PAM50: Het karakteriseert de relatie tussen PPI-geïnformeerde embeddings en gevestigde PAM50 moleculaire subtypes, waarbij een complementaire in plaats van een redundante organisatie wordt aangetoond.

Resultaten

• Representatie-stabiliteit: De GR-DAE presteerde aanzienlijk beter dan de DAE wat betreft stabiliteit over herstarts. De Adjusted Rand Index (ARI) voor clustering over 5 onafhankelijke trainings-seeds steeg van 0.861 (DAE) naar 0.980 (GR-DAE). Vergelijkbaar daarmee verbeterde de behoud van de latente geometrie (Spearman correlatie van paarwijze afstandmatrices) van 0.915 naar 0.997.
• Latente Geometrie: De introductie van de Laplacian-term veroorzaakte een "dimensionaliteitsinstorting". Terwijl de DAE 13 hoofdcomponenten nodig had om 90% van de variantie te verklaren, had de GR-DAE er slechts 3 nodig. De eerste hoofdcomponent verklaarde 59,5% van de variantie in GR-DAE vergeleken met 24,6% in de DAE, wat wijst op een meer georganiseerde en anisotrope latente ruimte.
• Klinische Associatie:
  • Cluster Niveau: Ongesuperviseerde clusters van de GR-DAE vertoonden een zeer significante associatie met metastatische status (M classificatie, $p = 9,5 \times 10^{-8}$), terwijl de DAE geen significante associaties vertoonde met enige klinische variabelen.
  • Dimensie Niveau: In de GR-DAE codeerde 60,9% van de 64 latente dimensies de metastatische status na FDR-correctie, vergeleken met 0% in de DAE.
• PAM50 Uitlijning: Hoewel de overeenkomst op partitie-niveau (ARI/NMI) tussen GR-DAE clusters en PAM50 subtypes nabij nul lag (zoals verwacht voor ongesuperviseerde versus gesuperviseerde methoden), toonde een chi-kwadraat test een zeer significante statistische afhankelijkheid aan ($\chi^2 = 108,7, p = 7,9 \times 10^{-16}$). Dit geeft aan dat PAM50 subtypes niet willekeurig verdeeld zijn over de PPI-geïnformeerde clusters, wat suggereert dat de embeddings complementaire moleculaire structuren vastleggen.

Significantie en Claims
Het artikel claimt dat een enkele, biologisch gemotiveerde regularisatieterm, wanneer gecombineerd met een gen-specifiek architecturaal ontwerp, de latente geometrie en de klinische codering van ongesuperviseerde multi-omics embeddings substantieel kan hervormen. De auteurs stellen dat de PPI-topologie fungeert als een "zachte structurele duw" die de hypotheseruimte vernauwt, het aantal diverse lokale minima vermindert en leidt tot meer reproduceerbare patiëntstratificatie.

De studie concludeert dat PPI-gebaseerde Laplacian-regularisatie moet worden beschouwd als een laag-kosten, hoog-impact component voor ongesuperviseerde representatie-leer pipelines. Bovendien betogen de auteurs dat representatie-stabiliteit over onafhankelijke trainingsruns als een verplicht evaluatiecriterium voor ongesuperviseerde klinische representaties moet worden geadopteerd, aangezien instabiele embeddings kunnen leiden tot inconsistente klinische conclusies, zelfs als downstream modellen goed presteren. De bevindingen worden gepresenteerd als cohort-specifiek en hypothese-genererend, bedoeld om verdere validatie op onafhankelijke datasets te stimuleren.