FEAST: Fully Connected Expressive Attention for Spatial Transcriptomics

Resumo Técnico: FEAST para Transcriptômica Espacial

1. O Problema

A Transcriptômica Espacial (ST) permite quantificar a expressão gênica mantendo o contexto espacial do tecido, sendo crucial para entender a arquitetura tecidual e doenças complexas (como o microambiente tumoral). No entanto, a aquisição de dados de ST é extremamente cara e limitada, dificultando seu uso rotineiro.

Para contornar isso, pesquisadores tentam inferir perfis de expressão gênica espacial a partir de Imagens de Lâminas Inteiras (WSIs) de histopatologia (coloridas com H&E), que são mais acessíveis. O desafio central reside em modelar as interações entre os "spots" (unidades de dados de ST).

• Limitação das Abordagens Atuais: A maioria dos métodos utiliza Redes Neurais em Grafos (GNNs) baseadas em grafos esparsos pré-definidos (baseados em adjacência espacial ou similaridade de características).
• Falhas Identificadas:
  1. Restrição Estrutural: Grafos esparsos ignoram interações potenciais entre pares de spots que não são vizinhos diretos, limitando a captura de relações biológicas complexas de longo alcance.
  2. Viés Positivo: Mecanismos de atenção padrão (Softmax) restringem os pesos a valores não negativos, capturando apenas correlações positivas (excitatórias) e ignorando relações inibitórias (negativas), que são biologicamente fundamentais (ex: vias de checkpoint imune).
  3. Perda de Informação Morfológica: A extração padrão de "patches" (fatias de imagem) centradas nos spots deixa lacunas entre eles e corta estruturas morfológicas contínuas, perdendo contexto crítico.

2. Metodologia: O Framework FEAST

O FEAST (Fully connected Expressive Attention for Spatial Transcriptomics) propõe uma arquitetura baseada em atenção para superar essas limitações.

A. Grafos Totalmente Conectados via Atenção
Em vez de um grafo esparso pré-definido, o FEAST modela o tecido como um grafo totalmente conectado. Utiliza o mecanismo de auto-atenção para calcular dinamicamente a força da interação entre todos os pares de spots, permitindo que qualquer spot influencie qualquer outro, independentemente da distância física.

B. Atenção Consciente do Negativo (Negative-aware Attention)
Para capturar a dualidade biológica (excitatória vs. inibitória), o FEAST modifica o mecanismo de atenção padrão:

• Calcula dois scores de atenção: um para relações positivas ($S_{pos}$) e outro para relações negativas ($S_{neg}$), este último derivado da inversão do score de características.
• Aplica o Softmax separadamente a ambos.
• Combina os pesos finais subtraindo o peso negativo do positivo: $A_{final} = A_{pos} - \beta \cdot A_{neg}$.
• Resultado: O mapa de atenção pode conter valores negativos, explicitamente modelando interações inibitórias (ex: supressão de genes por células vizinhas), o que aumenta a interpretabilidade biológica.

C. Estratégia de Amostragem "Off-grid" (Fora da Grade)
Para mitigar a perda de contexto morfológico entre os spots originais:

• O modelo insere pseudo-spots em coordenadas intermediárias (float) entre os spots originais da grade.
• Esses pseudo-spots capturam informações morfológicas que seriam truncadas ou ignoradas pelos limites fixos dos patches.
• Eficiência Computacional: Para evitar o custo quadrático ($O(N^2)$) de atender a todos os pontos (originais + pseudo), o FEAST usa uma atenção hierárquica:
  1. Atenção Local (k-NN): Original e pseudo-spots interagem apenas com seus $k$ vizinhos mais próximos.
  2. Auto-atenção Global: Apenas os spots originais (enriquecidos com o contexto local) participam da atenção global.

3. Contribuições Principais

1. Arquitetura de Grafo Totalmente Conectado: Substitui a dependência de grafos esparsos pré-definidos por uma abordagem baseada em atenção que considera todas as interações pares.
2. Mecanismo de Atenção Negativa: Introduz a capacidade de modelar explicitamente relações inibitórias biológicas, algo ignorado por métodos anteriores.
3. Recuperação de Contexto Morfológico: A estratégia de amostragem "off-grid" com pseudo-spots recupera informações críticas entre os pontos de dados, melhorando a fidelidade espacial.
4. Eficiência e Desempenho: Combina essas inovações em um bloco hierárquico que mantém a viabilidade computacional enquanto supera o estado da arte.

4. Resultados Experimentais

O FEAST foi avaliado em três conjuntos de dados públicos (ST-Net, Her2ST e SCC) e comparado com modelos de ponta (como MERGE, HisToGene, TRIPLEX).

• Desempenho Quantitativo:
  • O FEAST alcançou o estado da arte (SOTA) na maioria das métricas (MSE, MAE e PCC) em todos os conjuntos de dados.
  • No dataset Her2ST, superou significativamente os melhores resultados anteriores, alcançando um PCC de 0.5524 (vs. 0.5037 do MERGE).
  • No dataset SCC, obteve o melhor PCC (0.5811), indicando uma forte correlação linear com os valores reais.
• Análise Qualitativa:
  • Os mapas de calor de expressão gênica gerados pelo FEAST são visualmente mais fiéis aos dados reais (Ground Truth) do que os concorrentes, capturando bordas nítidas e padrões espaciais finos que outros modelos suavizavam excessivamente.
  • A análise de ablação confirmou que tanto a amostragem "off-grid" quanto a atenção negativa são essenciais para o ganho de desempenho.
• Interpretabilidade:
  • Os mapas de atenção demonstraram que o modelo consegue distinguir regiões biologicamente similares (peso positivo) de regiões com perfis gênicos distintos ou inibitórios (peso negativo), fornecendo explicações biologicamente plausíveis.

5. Significado e Impacto

O trabalho do FEAST representa um avanço significativo na interseção entre visão computacional e biologia:

• Viabilidade Econômica: Permite inferir dados de transcriptômica espacial de alta qualidade a partir de imagens de rotina (H&E), reduzindo a barreira de custo para pesquisas em câncer e desenvolvimento.
• Fidelidade Biológica: Ao modelar explicitamente interações inibitórias e utilizar todo o contexto morfológico (incluindo áreas entre os spots), o modelo reflete melhor a complexidade dos sistemas biológicos do que as abordagens puramente baseadas em vizinhança espacial.
• Base para Descobertas: A capacidade de quantificar efeitos inibitórios através dos pesos de atenção negativos abre caminho para novas hipóteses biológicas e validações downstream sobre como as células se comunicam e suprimem umas às outras no microambiente tumoral.

Em resumo, o FEAST oferece uma solução robusta e interpretável para prever a expressão gênica espacial, superando as limitações estruturais e informacionais dos métodos atuais.