Advancing Cancer Prognosis with Hierarchical Fusion of Genomic, Proteomic and Pathology Imaging Data from a Systems Biology Perspective

Título: Avançando o Prognóstico do Câncer com Fusão Hierárquica de Dados Genômicos, Proteômicos e de Imagens de Patologia sob uma Perspectiva de Biologia de Sistemas

1. Problema e Motivação

O prognóstico preciso do câncer é fundamental para tratamentos personalizados. Embora métodos recentes de sobrevivência multimodal tenham integrado dados genômicos (transcriptômica) e imagens de histologia (WSI - Whole Slide Images), eles apresentam duas limitações críticas:

1. Omissão da Camada Proteica: A maioria dos métodos ignora o proteoma. Biologicamente, as proteínas atuam como uma camada intermediária essencial que conecta as alterações genéticas ao fenótipo histopatológico (a aparência do tecido). Muitas decisões clínicas (ex.: status de HER2 no câncer de mama) dependem da expressão proteica, não apenas do nível de mRNA, pois as proteínas executam as funções celulares que moldam a arquitetura tecidual.
2. Fusão "Plana" (Flat Fusion): As abordagens atuais tendem a fundir dados heterogêneos de maneira plana, tratando genômica, proteômica e imagens como modalidades no mesmo nível hierárquico. Isso falha em capturar a dependência biológica inerente e a cascata de informação: Genes → Proteínas → Morfologia Tecidual.

2. Metodologia: Framework HFGPI

Os autores propõem o HFGPI (Hierarchical Fusion of Genomic, Proteomic and Pathology Imaging Data), um framework que modela explicitamente a progressão biológica de genes para proteínas e, finalmente, para imagens de histologia. O pipeline consiste em quatro etapas principais:

A. Extração de Características e Tokenização Molecular

• Imagens de Patologia: Extração de patches (pedaços) de imagens de lâminas inteiras (WSI) usando um codificador de visão pré-treinado (baseado em modelos de linguagem visual - VLMs).
• Tokenizador Molecular: Uma estratégia inovadora para codificar genes e proteínas. Em vez de tratar perfis de expressão apenas como vetores numéricos, o método integra:
  • Embeddings de Identidade: Para genes, usa-se Gene2Vec; para proteínas, usa-se descrições semânticas geradas por LLMs (ex.: GPT-5) sobre a função biológica e correlações morfológicas, codificadas por um VLM (CONCH).
  • Perfis de Expressão: Os embeddings de identidade são combinados com os valores de expressão (quantitativos) via multiplicação elementar, criando representações que capturam tanto "o que é" quanto "quanto está expresso".

B. Fusão Proteica Regulada por Genes (GRPF)

Esta etapa modela a relação direcional de regulação (Genes → Proteínas):

• Construção de Grafos: Grafos de genes e proteínas são construídos usando vizinhança k-NN baseada em similaridade funcional.
• Atenção Cruzada Consciente de Grafos: Utiliza Graph Convolutional Networks (GCNs) para refinar as representações e depois aplica atenção cruzada onde as proteínas "consultam" os genes. Isso captura como genes específicos regulam a atividade proteica.
• Alinhamento Preservador de Estrutura: Uma restrição de perda (loss constraint) é aplicada para garantir que a matriz de atenção aprendida respeite as topologias das redes biológicas subjacentes (genes que regulam proteínas funcionalmente acopladas devem estar relacionados no grafo genômico).

C. Aprendizado de Hipergrafo Guiado por Proteínas (PGHL)

Esta etapa modela a relação complexa e de múltiplas partes (Muitos-para-Muitos) entre proteínas e morfologia tecidual:

• Construção do Hipergrafo: Cada proteína define uma "hiperaresta" que conecta múltiplos patches de imagem semanticamente relacionados.
• Convolução de Hipergrafo: Permite que cada patch agregue informações contextuais de outros patches que compartilham associações proteicas comuns, capturando dependências de ordem superior entre função molecular e padrões distribuídos no tecido.

D. Predição de Sobrevivência

As características fusionadas hierarquicamente são processadas por um Transformer e um mecanismo de pooling baseado em atenção para gerar uma representação final do paciente, usada para estimar a função de risco (hazard function) e prever a sobrevida.

3. Principais Contribuições

1. Integração do Proteoma: Introduz o proteoma como uma camada intermediária obrigatória entre genótipo e fenótipo, preenchendo uma lacuna crítica na literatura de prognóstico multimodal.
2. Arquitetura Hierárquica Biológica: Propõe um design que reflete o fluxo de informação biológico real (Genes → Proteínas → Tecido), superando as limitações das fusões planas.
3. Tokenização Molecular Rica: Desenvolve uma estratégia de codificação que combina identidade biológica (via LLMs e embeddings de grafos) com níveis de expressão, permitindo representações mais semanticamente significativas.
4. Modelagem de Relações de Ordem Superior: Utiliza hipergrafos para modelar a relação complexa entre proteínas e morfologia tecidual, indo além das correlações simples par-a-par.

4. Resultados Experimentais

O HFGPI foi avaliado em 5 conjuntos de dados do TCGA (Câncer de Bexiga, Mama, Glioma, Adenocarcinoma de Pulmão e Carcinoma Endometrial).

• Desempenho Superior: O modelo alcançou o estado da arte (SOTA) em todos os conjuntos de dados, com um C-index médio de 0.753.
• Comparação com SOTA: Superou significativamente métodos unimodais e multimodais existentes (como MCAT, MOTCat, PS3, ICFNet).
  • A adição da camada proteica (modelo de 3 modalidades) superou consistentemente os modelos de 2 modalidades (Genes + Imagem), com ganhos de 1.1% a 5.4% no C-index.
  • A estratégia hierárquica superou métodos de fusão plana (ex.: +1.8% sobre PS3 e +2.4% sobre ICFNet).
• Estudos de Ablação:
  • Remover qualquer modalidade (genômica, proteômica ou imagem) degradou o desempenho.
  • Substituir o Molecular Tokenizer por representações baseadas em famílias ou vias reduziu a precisão.
  • Remover o mecanismo de alinhamento estrutural ou o aprendizado de hipergrafos também causou quedas significativas, validando a eficácia de cada componente.
• Interpretabilidade: Visualizações mostraram que o modelo identifica corretamente genes reguladores conhecidos (ex.: genes de replicação de DNA regulando PCNA) e patches de imagem com características histopatológicas relevantes (ex.: alta densidade celular para PCNA), alinhando-se com o conhecimento biológico.

5. Significado e Impacto

Este trabalho representa um avanço significativo na bioinformática e na patologia computacional ao:

• Validar a importância clínica do proteoma para a predição de sobrevivência, demonstrando que ignorar essa camada intermediária resulta em perda de informação biológica crucial.
• Estabelecer um novo paradigma de integração multimodal baseado em princípios de biologia de sistemas, onde a arquitetura do modelo espelha a organização biológica real.
• Oferecer um modelo altamente eficiente computacionalmente (inferência rápida e baixo número de parâmetros em comparação com concorrentes complexos) e interpretável, facilitando sua potencial adoção em cenários clínicos para estratificação de risco e tomada de decisão terapêutica.