Learning Adaptive Perturbation-Conditioned Contexts for Robust Transcriptional Response Prediction

1. O Problema: Colapso da Média e Ruído Experimental

A previsão de respostas transcricionais de alta dimensão a perturbações genéticas é um desafio central na genômica funcional. Apesar dos avanços em experimentos de perturbação de célula única (como Perturb-seq e telas baseadas em CRISPR), os modelos computacionais existentes enfrentam duas barreiras principais:

1. Ruído Experimental e Esparsidade: As medições de célula única são inerentemente ruidosas, e os efeitos reais de uma perturbação genética são esparsos (apenas um pequeno subconjunto de genes muda significativamente).
2. Colapso da Média (Mean Collapse): O problema mais crítico identificado pelos autores é o "colapso da média". Modelos existentes tendem a prever mudanças de expressão próximas à média global do conjunto de dados, em vez de capturar as respostas específicas da perturbação.
   • Consequência: Isso resulta em uma alta correlação global (devido à previsão correta da maioria dos genes que não mudam), mas em uma subestimação severa dos efeitos biológicos reais nos genes diferencialmente expressos (DEGs). O modelo falha em distinguir o sinal verdadeiro do ruído, gerando muitos falsos positivos e baixa interpretabilidade biológica.
3. Limitação dos Grafos de Conhecimento Atuais: Métodos recentes que incorporam grafos de conhecimento biológico (como redes de interação proteína-proteína) tratam esses grafos como estruturas densas e estáticas. Isso propaga ruído através de genes não relacionados, obscurecendo o sinal real da perturbação.

2. Metodologia: ADAPERT

Os autores propõem o ADAPERT, um framework condicionado à perturbação que aborda o colapso da média modelando explicitamente a esparsidade e a estrutura biológica. A arquitetura consiste em dois componentes principais:

A. Extração de Subgrafos Condicionados à Perturbação

Em vez de usar o grafo de conhecimento biológico completo e estático, o ADAPERT aprende dinamicamente um subgrafo específico para cada perturbação.

• Entrada: Um perfil de expressão da célula de controle e o gene alvo da perturbação ($p$).
• Processo:
  1. Embeddings Semânticos: O gene perturbado é descrito textualmente (via NCBI) e codificado por um Modelo de Linguagem (LLM) para obter uma representação semântica ($s_p$).
  2. Embeddings Estruturais: Os nós do grafo (genes) possuem embeddings estruturais ($h_v$) derivados de passagens de mensagens no grafo de conhecimento (ex: STRING).
  3. Pontuação e Amostragem: O modelo calcula uma pontuação de relevância combinando a representação semântica da perturbação com a estrutura do nó. Utiliza-se uma amostragem diferenciável (Gumbel-Softmax) para selecionar um conjunto esparsos de nós (genes) relevantes para aquela perturbação específica.
  4. Contexto: Forma-se um subgrafo compacto ($G_{context}$) centrado nos genes relacionados à perturbação, filtrando o ruído de genes não relacionados.

B. Esquema de Aprendizado Adaptativo (Separação Sinal-Ruído)

O modelo utiliza uma função de perda composta por três termos para separar o sinal verdadeiro do ruído experimental:

1. Perda de Reconstrução Global ($L_{recon}$): Garante a fidelidade geral do perfil de expressão (MSE).
2. Perda Robusta de Não-DEG ($L_{non}$): Aplica uma penalidade de Huber Loss apenas nos genes que não são diferencialmente expressos (não-DEGs). Isso suprime variações espúrias nesses genes, forçando o modelo a prever mudanças próximas de zero para eles, evitando o colapso da média.
3. Perda de Alinhamento Adaptativo ($L_{align}$): Alinha a representação do subgrafo aprendido com os padrões reais de expressão diferencial (DEGs). Isso garante que a estrutura do subgrafo capture os sinais específicos da perturbação.

3. Contribuições Principais

• Identificação e Solução do "Mean Collapse": O trabalho formaliza o colapso da média como uma falha fundamental em modelos de perturbação e propõe uma arquitetura que mitiga isso explicitamente.
• Contexto Adaptativo Dinâmico: Diferente de métodos anteriores que usam grafos estáticos, o ADAPERT extrai subgrafos condicionados à perturbação, integrando conhecimento semântico (texto) e estrutural (grafos) para focar apenas nos genes biologicamente relevantes.
• Mecanismo de Separação Sinal-Ruído: A introdução de perdas específicas para genes não-DEGs e o alinhamento com DEGs permite que o modelo aprenda a ignorar o ruído experimental em genes estáveis enquanto preserva sinais fortes em genes responsivos.
• Desempenho Superior em Métricas Biológicas: O modelo não apenas melhora a correlação global, mas, crucialmente, melhora a recuperação de genes diferencialmente expressos (DEGs).

4. Resultados Experimentais

O ADAPERT foi avaliado em dois conjuntos de dados de perturbação CRISPR de célula única: K562.Replogle e RPE1.Replogle.

• Comparação com Baselines: O modelo superou consistentemente métodos sem grafos (scVI, CPA, STATE) e métodos baseados em grafos existentes (GEARS, TxPert, MorPH).
• Métricas Globais:
  • Alcançou os melhores resultados em Pearson-∆ (correlação na diferença de expressão) e PDS (Pontuação de Discriminação de Perturbação), indicando melhor capacidade de distinguir entre diferentes perturbações.
• Métricas Conscientes de DEG (DEG-aware):
  • O ganho mais significativo foi nas métricas focadas em DEGs, como DES@K (Differential Expression Score). O ADAPERT recuperou com muito mais precisão os genes verdadeiramente afetados, reduzindo falsos positivos.
  • Melhorou a consistência de direção e a correlação de Spearman para os genes de interesse.
• Análise de Tamanho de Efeito:
  • O modelo demonstrou ser particularmente robusto para perturbações de pequeno efeito (onde o colapso da média é mais severo), superando o estado da arte (TxPert) em até 28% na métrica DES.
  • A análise de ablação mostrou que a remoção da perda de não-DEG ($L_{non}$) degrada drasticamente o desempenho em perturbações de pequeno e médio efeito, confirmando a importância da separação sinal-ruído.
• Validação em Nível de Via:
  • Uma análise de enriquecimento de vias (GSEA) para a perturbação HIRA mostrou uma correlação significativa ($r=0.53$) entre as vias previstas e as reais, indicando que o modelo preserva assinaturas biológicas de nível de via.

5. Significado e Impacto

O trabalho ADAPERT representa um avanço significativo na modelagem de respostas celulares a perturbações genéticas. Ao reconhecer que a resposta biológica é inerentemente esparsa e estruturada, o modelo abandona a abordagem de "reconstrução densa" em favor de um contexto adaptativo.

• Implicação Biológica: A capacidade de prever com precisão quais genes específicos serão afetados por uma perturbação (e não apenas a média) é crucial para a descoberta de alvos terapêuticos e para a compreensão de mecanismos de doenças.
• Robustez: A metodologia oferece uma solução robusta para o ruído inerente aos dados de célula única, permitindo previsões mais confiáveis para perturbações não vistas anteriormente (out-of-distribution).
• Direção Futura: O sucesso da integração dinâmica de grafos de conhecimento e embeddings semânticos sugere que futuros modelos de biologia computacional devem focar na adaptação do contexto de conhecimento à tarefa específica, em vez de usar representações globais fixas.

Em resumo, o ADAPERT resolve o problema fundamental de "colapso da média" ao aprender a focar no que importa biologicamente para cada perturbação, resultando em previsões mais precisas, interpretáveis e biologicamente plausíveis.