Resumo Técnico: Efeitos de Lote Prejudicam o Aprendizado Federado em Estudos Ómicos Multicêntricos

Definição do Problema

O aprendizado federado (FL - Federated Learning) oferece uma estrutura de preservação de privacidade para análises biomédicas colaborativas, permitindo que instituições treinem modelos sem trocar dados sensíveis ao nível do paciente. No entanto, o desempenho do FL em estudos ómicos multicêntricos é significemente comprometido por efeitos de lote (batch effects) — vieses sistemáticos decorrentes de diferenças nas condições experimentais, equipamentos ou protocolos entre os centros.

Embora a correção de efeitos de lote (BEC - Batch Effect Correction) seja um padrão em análises centralizadas, sua aplicação em ambientes descentralizados permanece subcaracterizada. As ferramentas de BEC descentralizadas existentes enfrentam limitações críticas:

• Aplicabilidade: Métodos como FedscGen e federated Harmony são projetados para RNA-seq de célula única (single-cell) e podem não ser adequados para dados ómicos de bulk, que frequentemente possuem amostras menores.
• Segurança: Ferramentas como o d-ComBat exigem coordenação manual de dados e expõem matrizes de delineamento (design matrices), criando vulnerabilidades a ataques de reconstrução.
• Manipulação de Dados: A maioria das ferramentas existentes exige pré-processamento ou imputação de valores ausentes, tornando-as inadequadas para conjuntos de dados ómicos de bulk (ex: proteômica e metabolômica) que frequentemente contêm ausência de dados não aleatória e extensiva.

Os autores hipotetizam que efeitos de lote não corrigidos em dados descentralizados afetam adversamente as análises federadas subsequentes, necessitando de uma solução de BEC robusta e consciente da privacidade.

Metodologia: O Framework fedRBE

Para enfrentar esses desafios, os autores introduzem o fedRBE, uma implementação federada do método removeBatchEffect() do popular pacote R limma. O framework integra o Aprendizado Federado (FL) com Computação Multipartidária Segura (SMPC) para garantir a privacidade dos dados, permitindo simultaneamente uma correção de lote precisa.

Componentes Técnicos Principais

1. Fundação Algorítmica:

   • O fedRBE utiliza modelagem linear para ajustar efeitos de lote e covariáveis biológicas conhecidas.
   • Diferente das abordagens baseadas em ComBat, ele suporta nativamente conjuntos de dados com valores ausentes sem exigir imputação prévia, uma característica crítica para proteômica e metabolômica.
   • Ele lida com conjuntos de características não idênticos entre clientes (ex: diferentes genes ou proteínas detectados em diferentes locais) computando a união das características para a correção.

2. Fluxo de Trabalho de Preservação de Privacidade (FL + SMPC):

   • Configuração: Um coordenador inicia o fluxo de trabalho via plataforma FeatureCloud. Os participantes carregam dados locais (.csv) e arquivos de configuração (.yml) para um contêiner Docker local; os dados brutos nunca deixam o local de origem.
   • Seleção de Características: O coordenador identifica a interseção de covariáveis e a união das características disponíveis em pelo menos três clientes (um requisito para o protocolo SMPC).
   • Agregação Segura:
     • Cada cliente computa matrizes intermediárias locais ($X^T X$ e $X^T y$) com base em seus dados locais e matriz de delineamento.
     • Compartilhamento de Segredos Aditivos: Para evitar ataques de reconstrução, os clientes dividem essas matrizes em partes (shares) aleatórias. Essas partes são trocadas e agregadas de modo que o coordenador receba apenas as somas globais ($\sum X^T X$ e $\sum X^T y$) sem acesso às contribuições individuais de cada cliente.
   • Correção: O coordenador calcula os coeficientes de regressão globais ($\beta$) a partir das somas agregadas e os transmite de volta aos clientes. Cada cliente então aplica esses coeficientes para corrigir seus dados locais.

3. Estratégia de Validação:

   • Os autores avaliaram o fedRBE em quatro conjuntos de dados do mundo real:
     1. Proteômica baseada em MS (E. coli).
     2. Transcriptômica de câncer de ovário baseada em microarray.
     3. ccRCC proteômica.
     4. Quartet multi-ômica (transcriptômica, proteômica, metabolômica).
   • Eles compararam os resultados do fedRBE contra os resultados do limma centralizado e avaliaram o desempenho subsequente usando agrupamento k-means federado (não supervisionado) e classificação Random Forest federada (supervisionada).
   • Dois cenários de treinamento foram testados: divisões dentro do cliente (70:30) e deixar um centro de fora (leave-one-center-out — treinar em $N-1$ centros, testar no centro excluído).

Principais Resultados

1. Equivalência Numérica à BEC Centralizada

O fedRBE produz resultados matematicamente equivalentes à aplicação de limma::removeBatchEffect() em dados agrupados (pooled data).

• Precisão: A diferença absoluta máxima elemento a elemento entre o fedRBE e os resultados centralizados foi insignificante ($\le 2,49 \times 10^{-13}$).
• Robustez: Essa equivalência manteve-se mesmo em cenários simulados com forte desbalanceamento de dados entre os centros.
• Redução de Variância: Após a correção pelo fedRBE, a variância específica do lote caiu de 15–99% para essencialmente zero em todos os conjuntos de dados.

2. Impacto no Desempenho do Aprendizado Federado

O estudo demonstra que efeitos de lote não corrigidos degradam severamente o desempenho do FL, particularmente em cenários onde os modelos devem generalizar para centros não vistos.

• Aprendizado Não Supervisionado (k-means):

  • Sem a BEC, o agrupamento era dominado por diferenças técnicas de lote em vez de sinais biológicos, falhando em identificar classes alvo.
    • Com o fedRBE, o Índice de Rand Ajustado (ARI) melhorou significativamente, atingindo valores medianos de 0,7–1,0, recuperando com sucesso estruturas biologicamente significativas.

• Aprendizado Supervisionado (Random Forest):

  • Deixar um Centro de Fora (Leave-One-Center-Out): A BEC foi crítica para a generalização. No conjunto de dados E. coli, aplicar a BEC aumentou o coeficiente de Matthews (MCC) mediano de 0 (previsão aleatória) para 1 (classificação perfeita). Também reduziu a variabilidade dos resultados e estabilizou a convergência do modelo.
  • Divisão Dentro do Cliente (Within-Client Split): O desempenho foi alto (próximo da perfeição) tanto nos cenários corrigidos quanto nos não corrigidos, sugerindo que os modelos podem aprender padrões específicos de lote quando o conjunto de teste compartilha as mesmas características de lote do treinamento. No entanto, isso não se traduz em generalização entre centros.

Significância e Alegações

O artigo afirma que a correção de efeito de lote consciente da privacidade é essencial para o aprendizado federado confiável em estudos ómicos multicêntricos. As contribuições específicas e a significância incluem:

1. Primeira Ferramenta Automatizada para Ómicas de Bulk: O fedRBE é apresentado como a primeira ferramenta de BEC totalmente automatizada para dados ómicos de bulk que suporta valores ausentes e conjuntos de características não idênticos entre clientes, mantendo a privacidade.
2. Preservação de Privacidade: Ao combinar FL com SMPC, o fedRBE evita ataques de reconstrução e garante que nenhum dado bruto ou matriz de delineamento individual seja exposto, abordando as limitações de segurança de ferramentas anteriores como o d-ComBat.
3. Usabilidade Prática: Implementado como uma aplicação FeatureCloud com uma interface gráfica (GUI), o fedRbe reduz a barreira de entrada para pesquisadores com diversas origens computacionais, permitindo fluxos de trabalho descentralizados que antes eram inviáveis devido aos efeitos de lote.
4. Validação Empírica: O estudo fornece a primeira avaliação sistemática mostrando que efeitos de lote não corrigidos podem tornar o FL não supervisionado inútil e degradar substancialmente a generalização do FL supervisionado, validando a necessidade de ferramentas como o fedRBE.

Os autores mantêm um tom modesto em relação às limitações, reconhecendo que o fedRBE herda as restrições de modelagem linear do limma (potencialmente insuficiente para efeitos de lote não lineares ou RNA-seq baseado em contagens) e que a BEC em configurações não supervisionadas requer cautela para evitar a correção excessiva da variação biológica genuína.