Central-to-Local Adaptive Generative Diffusion Framework for Improving Gene Expression Prediction in Data-Limited Spatial Transcriptomics

Título:

C2L-ST: Um Framework Generativo Adaptativo de Difusão Central para Local para Melhorar a Predição de Expressão Gênica em Transcriptômica Espacial com Dados Limitados

1. O Problema

A Transcriptômica Espacial (ST) permite mapear a expressão gênica com resolução espacial dentro da arquitetura tecidual intacta, conectando perfis moleculares ao contexto histológico. No entanto, o campo enfrenta barreiras críticas:

• Escassez de Dados: Os experimentos de ST são caros, têm baixo rendimento e geram poucos dados de alta resolução.
• Restrições de Compartilhamento: Políticas institucionais, privacidade de pacientes e controles proprietários impedem o compartilhamento de dados brutos entre centros de pesquisa.
• Variabilidade de Domínio: Diferenças em protocolos de coloração, equipamentos e condições experimentais entre instituições criam "lacunas de domínio" que reduzem a robustez dos modelos computacionais.
• Limitação de Modelos Atuais: Modelos existentes de predição de expressão gênica a partir de histologia sofrem com a falta de dados de treinamento diversificados e muitas vezes não integram perfis de expressão gênica espacialmente resolvidos como sinais de condicionamento, ficando restritos a níveis morfológicos ou usando dados de RNA em massa (bulk), que perdem a resolução espacial.

2. Metodologia: Framework C2L-ST

Os autores propõem o C2L-ST (Central-to-Local Adaptive Generative Diffusion Framework), uma abordagem em duas etapas que integra grandes conjuntos de dados morfológicos públicos com dados moleculares locais limitados, sem necessidade de compartilhar dados brutos sensíveis.

Etapa 1: Pré-treinamento do Modelo Central Global

• Objetivo: Aprender representações morfológicas transferíveis.
• Dado: Um modelo de difusão generativo (baseado em U-Net) é pré-treinado de forma não supervisionada em um grande conjunto de dados públicos de histopatologia (dataset SPIDER do HistAI), cobrindo múltiplos órgãos (pele, cólon, tórax, mama).
• Processo: O modelo aprende a distribuição de padrões morfológicos teciduais gerais, criando um "prior" morfológico global robusto, sem acesso a dados moleculares pareados nesta fase.

Etapa 2: Adaptação Local Específica da Instituição

• Objetivo: Adaptar o modelo global para a realidade molecular local usando poucos dados.
• Mecanismo: Cada instituição utiliza um pequeno conjunto de dados pareados (manchas de imagem histológica + perfil de expressão gênica correspondente) para adaptar o modelo central.
• Condicionamento Genético: A expressão gênica (vetor de alta dimensão) é comprimida em um espaço latente e usada para modular o modelo de difusão através de camadas de normalização adaptativa (fatores de escala $\gamma$ e viés $\beta$) dentro dos blocos ResNet do U-Net.
• Eficiência: Apenas as camadas de projeção e modulação são atualizadas; os pesos originais do U-Net permanecem congelados. Isso permite uma adaptação leve ("lightweight") com poucas amostras (ex: 25% dos pontos espaciais).

Etapa 3: Predição de Expressão Gênica via Co-treinamento

• O modelo de difusão adaptado gera pares sintéticos imagem-gene realistas e molecularmente consistentes.
• Esses dados sintéticos são combinados com os dados reais limitados da instituição para treinar um preditor final (uma rede ResNet-50) que mapeia imagens de histologia para perfis de expressão gênica em locais não amostrados.

3. Contribuições Chave

1. Arquitetura Central-para-Local: Uma solução escalável que permite o uso de um prior morfológico global compartilhado, enquanto preserva a privacidade dos dados, pois a adaptação ocorre localmente sem troca de dados brutos entre instituições.
2. Geração Condicional Molecular: Diferente de modelos anteriores focados apenas em morfologia ou RNA em massa, o C2L-ST condiciona a geração de imagens em perfis de expressão gênica espacialmente resolvidos (patch-level), capturando gradientes moleculares finos.
3. Ampliação de Dados Eficiente: O framework gera dados sintéticos que expandem a distribuição de treinamento, permitindo que modelos de predição alcancem alta precisão mesmo com amostragem extremamente esparsa (5-10% dos dados reais).
4. Privacidade e Governança: Elimina a necessidade de compartilhar dados de pacientes sensíveis, contornando barreiras regulatórias e institucionais.

4. Resultados Principais

Os experimentos foram validados em quatro conjuntos de dados reais de diferentes órgãos (intestino, mama, pele e pulmão) provenientes de instituições independentes.

• Qualidade Visual e Fidelity: As imagens sintéticas geradas exibem alta fidelidade visual, organização celular realista e transições estruturais suaves, indistinguíveis de amostras reais em avaliações qualitativas.
• Alinhamento de Distribuição: As embeddings de características extraídas de imagens sintéticas e reais mostram uma sobreposição significativa no espaço de características (medido por t-SNE e similaridade de cosseno > 0.79), indicando que o modelo capturou a heterogeneidade tecidual local.
• Preservação de Composição Celular: A análise de segmentação celular (via HoverNet) revelou que as proporções de tipos celulares (neoplásicos, inflamatórios, epiteliais, etc.) nas imagens sintéticas correspondem estreitamente às dos dados reais.
• Melhoria na Predição de Expressão Gênica:
  • O uso de dados sintéticos (na proporção 10x de sintético para real) reduziu consistentemente o Erro Médio Absoluto (MAE) na predição de expressão gênica em todos os órgãos.
  • Exemplo: No dataset de intestino (ZEN48), o MAE caiu de 0.4115 (apenas dados reais) para 0.3546 (com dados sintéticos).
  • A precisão foi mantida mesmo quando apenas 5% dos pontos espaciais reais foram usados para a adaptação local, demonstrando alta eficiência de amostragem.
• Coerência Espacial: Os mapas de expressão gênica preditos com dados sintéticos apresentaram gradientes espaciais mais suaves e fronteiras teciduais mais definidas em comparação aos modelos treinados apenas com dados reais.

5. Significado e Impacto

O framework C2L-ST representa um avanço significativo para a biologia espacial e a patologia digital:

• Solução para Escassez de Dados: Oferece um caminho viável para treinar modelos robustos de IA em cenários de dados limitados, comuns em pesquisas de alta complexidade como a ST.
• Colaboração Segura: Permite que instituições colaborem indiretamente através de um prior global, respeitando rigorosamente as leis de proteção de dados e privacidade.
• Descoberta Molecular: Ao gerar imagens histológicas condicionadas a perfis moleculares específicos, o modelo permite investigar a relação entre morfologia tecidual e regulação gênica, facilitando a descoberta de biomarcadores e a compreensão de mecanismos de doenças.
• Escalabilidade: A abordagem é generalizável para outros tipos de dados ômicos espaciais (ex: proteômica espacial) e pode ser integrada a estratégias de amostragem inteligente para reduzir custos experimentais.

Em resumo, o C2L-ST supera as limitações atuais de dados e privacidade na transcriptômica espacial, utilizando a inteligência generativa para criar um ciclo virtuoso onde dados morfológicos públicos e dados moleculares locais limitados se reforçam mutuamente para melhorar a precisão diagnóstica e a descoberta biológica.