Cell-Type Prototype-Informed Neural Network for Gene Expression Estimation from Pathology Images

Resumo Técnico: CPNN para Estimativa de Expressão Gênica

1. O Problema

A estimativa de perfis de expressão gênica diretamente a partir de imagens de patologia (Whole Slide Images - WSIs) é uma alternativa promissora e de baixo custo à sequenciação de RNA (RNA-seq). No entanto, as abordagens existentes enfrentam limitações fundamentais:

• Falta de Resolução Celular: Os métodos atuais tratam a expressão gênica como um sinal agregado no nível da lâmina (bulk) ou do patch, ignorando o fato biológico de que a expressão observada é a soma de sinais de nível celular individual.
• Gap de Modalidade e Ruído: Embora existam bancos de dados públicos de sequenciamento de RNA de célula única (scRNA-seq) que fornecem perfis de expressão em nível celular, esses dados são ruidosos, sofrem de efeitos de batch e, crucialmente, não possuem imagens histológicas correspondentes. Isso torna difícil integrar diretamente esses dados para treinar modelos baseados em imagens.
• Limitação de Estrutura Biológica: Os modelos atuais não incorporam explicitamente a estrutura biológica subjacente (como a co-variação estável entre genes dentro de tipos celulares específicos) no processo de aprendizado.

2. Metodologia: CPNN (Cell-type Prototype-informed Neural Network)

Os autores propõem o CPNN, uma rede neural que utiliza "protótipos de tipos celulares" derivados de dados de scRNA-seq para guiar a estimativa de expressão gênica a partir de imagens de patologia.

Principais Componentes e Fluxo:

1. Geração de Protótipos de Tipo Celular (Batch-Agnostic):

   • O modelo utiliza bancos de dados públicos de scRNA-seq para estimar perfis de expressão média (protótipos, denotados como $\bar{T}$) para cada tipo celular.
   • Para lidar com o ruído e os efeitos de batch (diferenças técnicas entre amostras), os protótipos são refinados usando regressão de distribuição Binomial Negativa, normalizando os dados para capturar padrões estáveis de co-variação gene-gene.

2. Modelagem da Expressão Agregada:

   • O CPNN assume que a expressão gênica observada em um patch ou lâmina é uma mistura linear dos perfis de expressão dos tipos celulares presentes, ponderada por suas proporções.
   • Equação de Modelo: A expressão média é modelada como:
     $$\mu_g = \alpha_g \sum_i \sum_c w(\mathbf{x}_i)_c \cdot \bar{T}_{c,g} + \beta_g$$
     Onde:
     • $w(\mathbf{x}_i)_c$: Pesos composicionais (proporção do tipo celular $c$ no patch $i$) estimados diretamente da imagem.
     • $\bar{T}_{c,g}$: O protótipo de expressão do gene $g$ para o tipo celular $c$.
     • $\alpha_g$ e $\beta_g$: Parâmetros de correção de escala e viés para mitigar o gap entre a modalidade de imagem e a de sequenciamento.

3. Arquitetura da Rede:

   • Extração de Características: Usa um codificador de imagem pré-treinado (ex: CONCH) para extrair características de cada patch da lâmina.
   • Estimativa de Pesos: Uma rede MLP (Multi-Layer Perceptron) converte as características da imagem em pesos de proporção celular (usando softmax).
   • Previsão: A expressão gênica é calculada pelo produto escalar entre os pesos estimados e os protótipos.

4. Função de Perda e Regularização:

   • Perda Principal: Minimiza o Negative Log-Likelihood assumindo que a expressão observada segue uma distribuição Binomial Negativa.
   • Regularização ($L_R$): Introduz uma restrição de consistência suave entre os protótipos/pesos estimados e os resultados de uma deconvolução celular padrão (usando o método cell2location). Isso impede que o modelo aprenda pesos aleatórios sem base biológica, garantindo que a estrutura celular seja preservada.

5. Adaptação para Nível de Patch (Spatial Transcriptomics):

   • Para dados de transcriptômica espacial (patches), a função de perda é alterada para focar na correlação de Pearson (relações relativas entre patches) em vez de valores absolutos, devido à maior variabilidade e ruído nesses dados.

3. Contribuições Principais

• Formulação de Problema Inovadora: Integra dados de nível celular (scRNA-seq) não pareados com imagens para estimar expressão gênica em nível de lâmina/patch, superando o gap de modalidades.
• Arquitetura CPNN: Desenvolvimento de uma rede que aprende pesos composicionais diretamente da imagem, utilizando protótipos celulares como priors informativos e regularizadores estruturais.
• Interpretabilidade Biológica: O modelo não apenas prevê a expressão, mas também inferir a composição celular (quais tipos de células estão presentes), oferecendo insights biológicos sobre os drivers da expressão gênica.
• Validação Abrangente: Testes extensivos em três conjuntos de dados de nível de lâmina (TCGA: BRCA, KIRC, LUAD) e três de nível de patch (CSCC, Her2st, STNet).

4. Resultados

O CPNN foi comparado com 13 métodos existentes, incluindo abordagens de Multiple Instance Learning (MIL), regressão (MIR) e métodos baseados em Transformers e State Space Models.

• Desempenho em Nível de Lâmina (Slide-Level):

  • O CPNN alcançou o estado da arte (SOTA) em Correlação de Spearman (SCC) em todos os três conjuntos de dados (BRCA, KIRC, LUAD).
  • Obteve o melhor desempenho em Correlação de Pearson (PCC) para BRCA e KIRC.
  • Superou métodos avançados como MambaMIL, tRNAformer e HE2RNA, demonstrando que a incorporação de conhecimento biológico (protótipos) supera apenas o aumento da capacidade de agregação de características.

• Desempenho em Nível de Patch (Patch-Level):

  • A integração do CPNN como um componente plug-in em arquiteturas existentes (como STNet e TRIPLEX) resultou em melhorias consistentes na SCC em todos os conjuntos de dados de transcriptômica espacial.
  • O ganho foi particularmente notável no conjunto de dados CSCC, onde há correspondência direta entre dados de célula única e espacial.

• Estudos de Ablação:

  • A remoção da inicialização por protótipos ou da regularização degradou significativamente o desempenho, confirmando que a informação de nível celular é essencial.
  • A correção de modalidades ($\alpha, \beta$) foi crucial para alinhar os dados de scRNA-seq com as imagens.
  • A granularidade dos rótulos celulares (fino vs. grosso) mostrou que níveis moderados a finos oferecem o melhor equilíbrio entre resolução biológica e capacidade de aprendizado.

• Validação Biológica:

  • A visualização dos pesos inferidos revelou que o modelo atribui corretamente maior peso a tipos celulares associados a subtipos específicos de câncer (ex: alto peso de "Cycling" em tumores Basal-like, que são altamente proliferativos), validando a interpretabilidade do modelo.

5. Significado e Impacto

Este trabalho representa um avanço significativo na interseção entre patologia computacional e biologia molecular:

1. Ponte entre Modalidades: Demonstra como dados de "célula única" (ricos em biologia, mas sem imagem) podem ser usados para melhorar modelos de "imagem de lâmina" (ricos em imagem, mas sem resolução celular).
2. Regularização Biológica: Introduz um novo paradigma onde a estrutura biológica (protótipos de tipos celulares) atua como um regularizador, evitando que o modelo aprenda apenas correlações estatísticas superficiais.
3. Interpretabilidade Clínica: Ao fornecer estimativas de composição celular, o CPNN oferece insights que podem auxiliar na estratificação de tratamentos personalizados e na compreensão da heterogeneidade tumoral, indo além da simples previsão de números de genes.
4. Generalização: A abordagem é robusta e aplicável tanto para análise de lâminas inteiras (bulk) quanto para transcriptômica espacial, tornando-a uma ferramenta versátil para pesquisa oncológica.

O código do projeto está disponível publicamente, facilitando a reprodutibilidade e a adoção pela comunidade científica.