Resumo Técnico: Imputação Eficiente para Dados de Célula Única com Falhas em Blocos via Transporte Ótimo Regularizado por Cluster

1. Declaração do Problema

As tecnologias de sequenciamento de célula única geram dados de alta dimensionalidade notoriamente esparsos devido a eventos de "dropout" (zeros técnicos) e à falta biológica de expressão. Embora existam numerosos métodos de imputação, eles geralmente assumem ausência uniforme ou completude dos dados. Frequentemente, eles lutam com dados ausentes em blocos, um cenário onde blocos inteiros de características (por exemplo, todas as medições de proteínas em um lote de CITE-seq ou todos os valores de expressão gênica em uma modalidade específica) estão ausentes para um subconjunto do conjunto de dados.

Os métodos existentes frequentemente dependem de similaridades locais ou de suposições fortes sobre a completude dos dados, levando ao excesso de suavização (borrando distinções biológicas) ou à falha em recuperar ausências estruturadas. Além disso, muitas abordagens carecem da eficiência computacional necessária para conjuntos de dados em grande escala, frequentemente exigindo minutos a horas para a imputação.

2. Metodologia: CROT

Os autores propõem o Transporte Ótimo Regularizado por Cluster (CROT), um algoritmo projetado para imputar valores ausentes em dados tabulares de célula única, alinhando um conjunto de dados incompleto ($X_2$) com um conjunto de dados de referência completo ($X_1$).

Mecanismo Central

O CROT formula a imputação como um problema de otimização que minimiza a distância entre as distribuições dos dados incompletos e completos, preservando a estrutura biológica. O método utiliza Transporte Ótimo Entrópico (OT) para calcular um plano de transporte que mapeia características de $X_1$ para $X_2$.

A função de perda total, $L_{CROT}$, consiste em dois termos:

1. Alinhamento em Nível de Dados: A divergência de Sinkhorn ($S^\epsilon_p$) entre as distribuições de dados brutos de $X_1$ e $X_2$. Isso garante que os valores imputados se alinhem com a distribuição observada.
2. Regularização por Cluster: Um termo de regularização ($\alpha S^\epsilon_p$) que minimiza a divergência de Sinkhorn entre os centróides dos clusters de $X_1$ e $X_2$.

Fluxo de Trabalho Algorítmico

1. Inicialização: As entradas ausentes em $X_2$ são inicializadas usando as médias das colunas de $X_1$ mais ruído gaussiano.
2. Determinação de Cluster: O número ótimo de clusters ($k$) é determinado para os dados de referência $X_1$ usando o método do Cotovelo e aplicado a $X_2$.
3. Otimização Alternada:
   • Etapa de Clusterização: A clusterização K-means é realizada em subconjuntos amostrados de $X_1$ e na estimativa atual de $X_2$ para atribuir rótulos de cluster e calcular centróides ($C_1, C_2$). Observe que a etapa de atribuição discreta é não diferenciável; portanto, as atribuições são mantidas fixas durante a atualização do gradiente.
   • Etapa de Transporte: A divergência de Sinkhorn é calculada tanto para as amostras de dados quanto para os centróides dos clusters.
   • Atualização: As entradas ausentes em $X_2$ são atualizadas via descida de gradiente (usando o otimizador Adam) para minimizar a perda combinada.
4. Convergência: O processo itera até que a perda convirja, tipicamente dentro de 150 iterações.

Complexidade

O algoritmo emprega mini-lotes (amostragem de $l$ linhas) para garantir escalabilidade. A complexidade de tempo geral é $O(m_1 \cdot n + T \cdot l^2)$, onde $m_1$ é o número de células na referência, $n$ é o número de características, $T$ é o número de iterações externas e $l$ é o tamanho do lote. Essa dependência linear no tamanho do conjunto de dados permite acelerações significativas em comparação com abordagens de OT de matriz completa.

3. Contribuições Principais

• Novo Framework: Introdução do CROT, o primeiro método de imputação baseado em transporte ótimo projetado especificamente para lidar com ausência em blocos (blocos inteiros de modalidades) em dados de célula única.
• Preservação Estrutural: A integração de um termo de regularização por cluster garante que os dados imputados recapitulem a estrutura de tipos celulares (centróides) dos dados de referência, prevenindo o colapso de identidades celulares distintas.
• Eficiência: O método alcança precisão de imputação superior com tempo de execução drasticamente reduzido (segundos versus minutos/horas para métodos de base), aproveitando a regularização entrópica e a otimização em mini-lotes.
• Avaliação Robusta: Avaliação abrangente em três conjuntos de dados do mundo real (CITE-seq, Multiome, PBMC) sob cenários simulados de dropout em blocos.

4. Resultados Experimentais

Os autores avaliaram o CROT contra métodos de base de última geração, incluindo MAGIC, scImpute, DeepImpute, totalVI, MultiVI e SCOTv2.

• Recuperação Numérica: O CROT alcançou o maior Coeficiente de Correlação de Pearson (PCC) e o menor Erro Absoluto Médio (MAE) e Raiz do Erro Quadrático Médio (RMSE) em todos os três conjuntos de dados. Por exemplo, no conjunto de dados CITE-seq, o CROT alcançou um PCC de $0,76 \pm 0,04$ e um MAE de $0,47 \pm 0,02$, superando o próximo melhor método (totalVI).
• Desempenho de Clusterização: Em termos de clusterização de tipos celulares (medida pelo Índice Rand Ajustado, NMI e Pureza), o CROT consistentemente superou outros métodos. No CITE-seq, alcançou um ARI de $0,83$ e Pureza de $0,93$, significativamente mais altos que os dados brutos ou outros métodos de imputação.
• Fidelidade Biológica: Visualizações (UMAP) e análise de expressão de proteínas marcadoras (por exemplo, CD3, CD14, CD19) confirmaram que o CROT preserva a heterogeneidade biológica e assinaturas específicas de tipos celulares melhor que os concorrentes, que frequentemente mostraram especificidade de marcador atenuada.
• Eficiência Computacional: O CROT demonstrou velocidade excepcional, completando a imputação em 5, 12 e 39 segundos para os conjuntos de dados CITE-seq, Multiome e PBMC, respectivamente. Isso representa aproximadamente 1–2% do tempo de execução exigido pelo método de base médio.
• Ablação e Robustez:
  • Estudos de ablação confirmaram que tanto a perda em nível de dados quanto o termo de regularização por cluster são necessários para o desempenho ótimo.
  • A análise de sensibilidade mostrou que o método é robusto a variações na força de regularização ($\alpha$) e no número de clusters ($k$).
  • Testes de robustez indicaram que, embora o desempenho degrade graciosamente sob ausência aleatória parcial (mascaramento de 50-75%) e composições de cluster incompatíveis (tipos celulares ausentes), ele permanece competitivo, embora o método assuma composição biológica semelhante entre referência e alvo.

5. Significado e Alegações

O artigo afirma que o CROT fornece uma solução robusta para imputação em conjuntos de dados heterogêneos e de alta dimensionalidade com ausência estruturada de dados, abordando uma lacuna crítica onde algoritmos tradicionais focados em dropout falham.

Os autores enfatizam que, ao acoplar o transporte ótimo com regularização em nível de cluster, o CROT equilibra efetivamente a precisão numérica com a preservação da estrutura biológica. O método é apresentado como uma ferramenta prática e escalável para análise de célula única multimodal em grande escala, capaz de recuperar sinais biológicos significativos (como subpopulações celulares raras e trajetórias de desenvolvimento) que são frequentemente obscurecidos por ruído ou dados ausentes. Os autores reconhecem limitações relacionadas à correção explícita de lotes e à dependência de que os dados de referência compartilhem composição biológica semelhante, sugerindo essas áreas para refinamento futuro.