📊 statistics

Conformal inference for cell type annotation with graph-structured constraints

Este artigo apresenta um novo framework de inferência conformal implementado no pacote R `scConform` que aproveita ontologias de células estruturadas em grafos e controle de risco para aumentar a interpretabilidade e a coerência das anotações de tipos celulares em transcriptômica de célula única, ao mesmo tempo em que aborda mudanças de distribuição entre os dados de treinamento e de teste.

Autores originais: Daniela Corbetta, Livio Finos, Ludwig Geistlinger, Davide Risso

Publicado 2026-06-09

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Daniela Corbetta, Livio Finos, Ludwig Geistlinger, Davide Risso

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

A Visão Geral: Adivinhação com uma Rede de Segurança

Imagine que você é um detetive tentando identificar um suspeito em uma fila de 15 pessoas diferentes. Um modelo de computador padrão age como um detetive que aponta para uma pessoa e diz: "É essa!". Mas, às vezes, o detetive não tem 100% de certeza. Talvez o suspeito se pareça um pouco com a Pessoa A, mas também um pouco com a Pessoa B.

Se o detetive apenas escolher a Pessoa A, ele pode estar errado. Se ele escolher tanto a A quanto a B, ele estará mais seguro, mas se A e B forem completos estranhos entre si (como um padeiro e um piloto), a lista não fará muito sentido.

Este artigo apresenta uma nova maneira para os computadores fazerem essas adivinhações. Em vez de apenas apontar para uma pessoa, ele fornece uma lista de possibilidades que garante incluir a resposta real na maioria das vezes. Melhor ainda, ele garante que as pessoas na lista estejam relacionadas entre si, como uma árvore genealógica, para que a lista faça sentido lógico.

O Problema: A "Árvore Genealógica" das Células

Na biologia, cientistas estudam blocos de construção minúsculos chamados células. Existem muitos tipos de células (como células T, células B, células musculares) e elas estão relacionadas entre si em uma hierarquia específica, muito parecida com uma árvore genealógica.

A Árvore: Todas as "células T" são filhas dos "Linfócitos". "Células T CD4+" e "Células T CD8+" são primas.
O Problema: Métodos de computador antigos poderiam dizer que uma célula é ou uma "Célula T CD4+" OU uma "Célula Muscular". Estas duas estão muito distantes na árvore genealógica. Se o computador estiver confuso, dar a você uma lista com essas duas opções não relacionadas é confuso e não é muito útil.

A Solução: Uma "Rede de Segurança Inteligente"

Os autores desenvolveram um método chamado Inferência Conformal. Pense nisso como uma "rede de segurança" para as previsões.

A Garantia: O método promete: "Se você usar minha lista de palpites, eu garanto que a resposta real estará dentro dessa lista 90% das vezes". Não importa o quão bom ou ruim seja o modelo de computador original; a rede de segurança se ajusta para manter essa promessa.
A Restrição de Grafo: Esta é a reviravolta especial do artigo. Em vez de apenas pegar palpites aleatórios, o método olha para a "Árvore Genealógica" (o grafo).
- Se o computador estiver muito seguro, ele lhe dá uma folha específica da árvore (ex: "Célula T CD4+").
- Se o computador estiver inseguro, em vez de te dar uma mistura aleatória de parentes distantes, ele sobe na árvore genealógica até um ancestral comum.
- Analogia: Se você não tem certeza se o suspeito é uma "Célula T CD4+" ou uma "Célula T CD8+", o método não lista ambas. Em vez disso, ele diz: "É definitivamente uma Célula T". Esta é uma resposta única e clara que cobre ambas as possibilidades sem ser confusa.

Lidando com o Problema das "Diferentes Salas" (Mudança de Distribuição)

Imagine que você treinou seu detetive usando fotos de pessoas de Nova York, mas agora você está tentando identificar pessoas de Tóquio. A iluminação, as roupas e as características médias podem ser diferentes. Isso é chamado de "mudança de distribuição" (distribution shift).

O Problema: Se o computador foi treinado em um conjunto de dados com principalmente "Células Musculares" e você o testa em um conjunto de dados com principalmente "Células Sanguíneas", a rede de segurança pode quebrar porque o computador está confuso com essa nova mistura.
A Correção: Os autores criaram um truque de "reamostragem". Antes de fazer a rede de segurança final, eles fingem embaralhar as fotos de treinamento para que a mistura de pessoas na sala de treinamento pareça exatamente com a mistura de pessoas na sala de teste. Isso ajuda a rede de segurança a funcionar corretamente mesmo quando os dados vêm de fontes diferentes (como hospitais ou pacientes diferentes).

Testes do Mundo Real

Os autores testaram esta ideia de duas maneiras:

O Teste do Intestino de Camundongo: Eles usaram dados de intestinos de camundongos. Descobriram que seu novo método produzia listas que eram mais lógicas. Quando o computador estava inseguro, ele agrupava células relacionadas (como dizer "Célula T" em vez de misturar "CD4" e "Célula B"). Eles também mostraram que, quando o computador estava verdadeiramente confuso (como com um tipo de célula que nunca tinha visto antes), o método diria: "Eu não sei, pode ser qualquer uma destas", o que é uma resposta honesta e útil.
O Teste da COVID-19: Eles analisaram células sanguíneas de pacientes com COVID-19. Eles simularam um cenário onde teriam que prever tipos de células para um novo paciente com base em dados antigos. O método deles lidou com sucesso com as diferenças nas contagens de células entre os dados antigos e novos, fornecendo grupos de palpites confiáveis que respeitam a árvore genealógica biológica.

A Conclusão

Este artigo oferece aos cientistas uma ferramenta para tornar as previsões de células:

Honestas: Elas admitem quando não têm certeza, fornecendo uma lista mais ampla e segura.
Lógicas: As listas respeitam a árvore genealógica biológica, para que as respostas façam sentido.
Confiáveis: Elas possuem uma garantia matemática de que a resposta correta geralmente estará na lista.
Adaptáveis: Elas podem lidar com situações em que os novos dados parecem diferentes dos dados de treinamento originais.

Os autores disponibilizaram esta ferramenta como um pacote de software gratuito chamado scConform para que outros cientistas possam usá-la para tornar suas próprias previsões de células mais confiáveis.

Resumo Técnico: Inferência Conformal para Anotação de Tipos Celulares com Restrições Estruturadas em Grafos

Definição do Problema
A transcriptômica de célula única enfrenta desafios significativos na predição de tipos celulares, particularmente no que diz respeito à quantificação da incerteza. As abordagens tradicionais baseadas em referência frequentemente dependem de predições pontuais (atribuindo um único rótulo com a maior probabilidade), o que falha em capturar a incerteza inerente do modelo, especialmente quando múltiplos tipos celulares possuem probabilidades comparáveis. Embora a predição conformal ofereça um arcabouço para gerar conjuntos de predição com garantias de amostra finita, sua aplicação em genômica de célula única permanece subexplorada. Além disso, métodos conformais padrão frequentemente produzem conjuntos de predição contendo rótulos semanticamente distantes ou não relacionados dentro da hierarquia biológica (por exemplo, predizer tanto um tipo específico de célula T quanto uma célula estromal), complicando a interpretação. Adicionalmente, aplicações do mundo real frequentemente sofrem com mudanças de distribuição, especificamente o desvio de rótulo (label shift), onde a composição de tipos celulares difere entre o conjunto de referência (treinamento/calibração) e os conjuntos de teste, violando a suposição de permutabilidade exigida pela inferência conformal padrão.

Metodologia
Os autores propõem um novo arcabouço que integra o controle de risco conformal com as restrições estruturadas em grafos da Ontologia Celular.

Controle de Risco Conformal Estruturado em Grafo:
- Integração da Ontologia: O método utiliza a Ontologia Celular como um Grafo Acíclico Dirigido (DAG), onde os nós folha representam tipos celulares específicos e os nós internos representam categorias mais amplas.
- Construção de Pontuação: Para uma classe prevista $\hat{y}(x)$ , o algoritmo calcula pontuações $g(v, x)$ para nós ancestrais $v$ , definidas como a soma das probabilidades previstas de todos os descendentes folha de $v$ .
- Construção do Conjunto de Predição: Em vez de retornar nós folha dispersos, o algoritmo identifica o ancestral mais específico $v$ da classe prevista cuja pontuação cumulativa excede um limiar $\lambda$ . O conjunto de predição $C_\lambda(x)$ consiste em todos os descendentes folha deste ancestral, mais os descendentes folha de quaisquer outros ancestrais com pontuações estritamente abaixo de $\lambda$ (para garantir a propriedade de aninhamento necessária para o controle de risco).
- Função de Perda: O método emprega uma função de perda de erro de cobertura (miscoverage loss), garantindo que a probabilidade de o rótulo verdadeiro estar fora do conjunto de predição seja limitada por uma taxa de erro $\alpha$ especificada pelo usuário.
Abordagem do Desvio de Distribuição (Desvio de Rótulo):
- Reconhecendo que as composições de tipos celulares frequentemente diferem entre os conjuntos de dados de referência e de teste, os autores propõem uma abordagem de duas etapas. Primeiro, assumem que os desvios de covariáveis técnicos e biológicos são mitigados via métodos de integração existentes (ex: Harmony, LIGER).
- Segundo, para abordar o desvio de rótulo (diferenças nas frequências de tipos celulares), eles introduzem uma estratégia de reamostragem. O dado de teste é dividido em dois subconjuntos ( $S_1, S_2$ ). Um modelo é treinado nos dados de referência e as probabilidades são estimadas em $S_1$ . O conjunto de calibração é então reamostrado de acordo com essas probabilidades estimadas para corresponder à distribuição de teste. Este conjunto reamostrado é usado para calibrar os conjuntos de predição para $S_2$ . O processo é repetido com a inversão de papéis. Esta estratégia aproxima a expectativa ponderada pela importância necessária para uma cobertura válida sob desvio de rótulo, sem exigir conhecimento prévio da distribuição de teste.

Principais Contribuições

Conjuntos de Predição com Restrição de Grafo: O artigo introduz um algoritmo conformal que aproveita a estrutura hierárquica das ontologias celulares para gerar conjuntos de predição semanticamente coerentes. Em vez de rótulos disjuntos, o método retorna conjuntos correspondentes a ancestrais específicos na ontologia, fornecendo um rótulo único (ou seus descendentes) que resume a incerteza.
Correção de Desvio de Rótulo: Os autores fornecem uma técnica de reamostragem prática para corrigir o desvio de rótulo na anotação de célula única, restaurando garantias de cobertura válidas quando os conjuntos de dados de referência e de teste possuem composições de tipos celulares diferentes.
Implementação: O método é implementado no pacote R de código aberto scConform (disponível via Bioconductor), tornando a abordagem acessível à comunidade de genômica.

Resultados
Os autores avaliaram seu método usando dois conjuntos de dados:

Dataset Merfish Mouse Ileum:
- Comparado à inferência conformal de divisão (split conformal) padrão, o método estruturado em grafo produziu conjuntos de predição com menores distâncias intra-conjunto (distância média de 1.148 vs. 1.616), indicando maior coerência semântica.
- Embora os conjuntos baseados em grafos fossem ligeiramente maiores em média, eles frequentemente produziam predições de rótulo único quando a confiança era alta.
- Crucialmente, para células pertencentes a categorias não presentes na referência (ex: "Myenteric Plexus"), o método baseado em grafo produziu corretamente conjuntos "inconclusivos" (contendo todos os 15 rótulos), enquanto a inferência conformal padrão atribuiu incorretamente rótulos específicos de referência, falhando em sinalizar a natureza fora da distribuição (out-of-distribution) dos dados.
Dataset de Pacientes COVID-19:
- Em um cenário clínico realista com distribuições de tipos celulares desbalanceadas, a estratégia de reamostragem proposta corrigiu com sucesso os problemas de subcobertura.
- Sem a reamostragem, a cobertura empírica excedeu o nível nominal (sobrecobertura). Com a correção por reamostragem (tanto oracle quanto estimada), a cobertura convergiu mais próximo do alvo de 0.9.
- O método consolidou com sucesso predições finas em ancestrais biologicamente significativos (ex: agrupando subtipos de plasmócitos sob "célula secretora de anticorpos"), demonstrando melhor interpretabilidade.

Significância e Alegações
O artigo alega que a incorporação de restrições estruturadas em grafos na inferência conformal aumenta significativamente a interpretabilidade das predições de tipos celulares em dados de célula única. Ao alinhar os conjuntos de predição com a hierarquia biológica, o método evita a ambiguidade de rótulos disjuntos e fornece um resumo mais intuitivo da incerteza do modelo.

Os autores enfatizam que sua abordagem fornece garantias de validade de amostra finita, independentemente da precisão do classificador subjacente. Ao contrário dos métodos de classificação hierárquica que propagam erros ao longo da árvore sem garantias de cobertura, este método garante que o conjunto relatado conterá o tipo celular verdadeiro com uma probabilidade prescrita ( $1-\alpha$ ). Além disso, a estratégia de reamostragem proposta oferece uma solução principista para o problema comum de desvio de rótulo na genômica, permitindo uma quantificação de incerteza confiável mesmo quando os conjuntos de dados de referência e de teste diferem em composição. O trabalho posiciona a inferência conformal como uma ferramenta robusta para análises a jusante (downstream), permitindo que pesquisadores incorporem explicitamente a incerteza do modelo em vez de depender de potenciais estimativas pontuais enganosas.