scpFormer: A Foundation Model for Unified Representation and Integration of the Single-Cell Proteomics

1. O Problema

A integração de dados de proteômica de célula única (SCP) enfrenta desafios fundamentais que limitam a descoberta de biomarcadores e a oncologia de precisão:

• Fragmentação de Painéis: Diferentemente da transcriptômica (scRNA-seq), que possui um vocabulário universal de ~20.000 genes, os dados de proteômica são gerados por painéis de anticorpos personalizados e altamente heterogêneos, com pouca sobreposição entre estudos.
• Limitações de Modelos Atuais: Os modelos de linguagem (Transformers) tradicionais dependem de um vocabulário fixo (índices discretos). Isso impede a análise de proteínas não presentes no conjunto de treinamento, criando "silos de dados" e impedindo a integração de conjuntos de dados com marcadores não sobrepostos.
• Natureza dos Dados: A proteômica de célula única sofre de esparsidade extrema e valores ausentes estruturados (devido à física da detecção molecular e não apenas ruído aleatório), além de não permitir a amplificação enzimática como no RNA.
• Falta de Modelos Fundamentais: Não existia até então um modelo fundamental (foundation model) capaz de aprender uma representação unificada do proteoma de célula única através de diferentes tecnologias, tecidos e desenhos experimentais.

2. Metodologia: scpFormer

O scpFormer é um modelo fundamental generativo baseado em Transformers, projetado especificamente para superar as limitações acima. Sua arquitetura e estratégia de treinamento incluem:

• Tokenização Contínua e Agnóstica ao Painel:

  • Substitui a tokenização baseada em índices discretos por uma abordagem contínua.
  • Identidade Semântica: Utiliza o modelo pré-treinado ESM (Evolutionary Scale Modeling) para projetar a sequência de aminoácidos de cada proteína em um espaço vetorial contínuo. Isso permite que o modelo generalize para proteínas nunca vistas antes (zero-shot), baseando-se na similaridade evolutiva e estrutural.
  • Embedding de Valor Contínuo: Em vez de discretizar os valores de expressão, o modelo codifica diretamente as magnitudes de expressão brutas (não nulas) em um espaço de alta dimensão usando um MLP, preservando gradientes fenotípicos sutis.
  • Open-World Protein Embedding: Combina a identidade semântica (ESM) e a magnitude de expressão contínua para criar a representação final da proteína.

• Pré-treinamento Hierárquico Multi-Objetivo:
  O modelo é treinado em mais de 390 milhões de células (544 proteínas) usando uma estratégia de mascaramento de contexto-alvo e três decodificadores sinérgicos:

  1. Expression Self-Decoder: Aprende interações locais proteína-proteína para imputar valores ausentes baseados apenas no contexto observado.
  2. Global Expression Decoder: Força o token global ([CLS]) a comprimir o estado celular inteiro, permitindo prever proteínas ausentes apenas a partir do estado global da célula.
  3. Joint Decoder: Funde o estado global maduro com as identidades individuais das proteínas para refinar as imputações locais, garantindo consistência com o fenótipo celular holístico.

• Mecanismo de Atenção Restrito: Durante o pré-treinamento, uma máscara de atenção impede que proteínas-alvo (não medidas) "vejam" outras proteínas-alvo, simulando a realidade experimental onde apenas o painel de referência está disponível para inferência.

3. Contribuições Principais

• Primeiro Modelo Fundamental para SCP: Estabelece a primeira arquitetura capaz de aprender representações unificadas do proteoma de célula única.
• Arquitetura de Vocabulário Aberto: Elimina a necessidade de descartar marcadores únicos, permitindo a integração de dados com painéis de anticorpos completamente diferentes.
• Imputação In Silico e Expansão de Painéis: Capacidade de reconstruir proteínas não medidas com alta precisão, permitindo a expansão virtual de painéis experimentais limitados.
• Generalização Transversal: Demonstra que as representações aprendidas em nível de célula única podem ser transferidas para tarefas de ômicas em massa (bulk-omics), como a previsão de resposta a drogas.

4. Resultados

O scpFormer foi avaliado em diversas tarefas de benchmark e superou consistentemente os métodos existentes (como Seurat, CellTypist, Harmony e ComBat):

• Anotação de Tipos Celulares:

  • Alcançou alta precisão (>0.95) na identificação de 14 populações imunes, superando significativamente métodos tradicionais na distinção de subtipos fenotipicamente similares e células progenitoras raras (ex: HSCs e HSPCs).
  • Demonstrou robustez em cenários de cross-batch (entre diferentes lotes experimentais), mantendo alta acurácia mesmo quando treinado em um lote e testado em outro, algo onde métodos tradicionais falharam drasticamente.

• Integração de Lotes e Clustering:

  • No benchmark scIB, o scpFormer preservou melhor a variância biológica (AvgBIO) enquanto removia efeitos de lote (AvgBATCH) em comparação com Harmony e ComBat, evitando a sobre-correção que apaga heterogeneidade biológica.

• Imputação de Proteínas:

  • Em validação in silico, alcançou uma correlação de Pearson média de 0.751 na imputação de proteínas ausentes, superando Random Forest, k-NN e Regressão Linear.
  • Em dados clínicos reais (MIS-C), a imputação zero-shot (sem ajuste fino) restaurou a coerência biológica e a estrutura de manifolds que estavam obscurecidos por dados ausentes.

• Previsão de Resposta a Drogas (Câncer):

  • Ao substituir entradas transcriptômicas por embeddings do scpFormer no framework DeepCDR, o modelo melhorou a previsão de IC50 (correlação de Pearson de 0.921 vs 0.888 do modelo baseado em RNA), demonstrando que o estado proteico é um sinal mais determinístico para a eficácia de drogas.

5. Significado e Impacto

O scpFormer representa um avanço paradigmático na análise de proteômica de célula única:

• Superação de Silos de Dados: Permite a integração de décadas de dados proteômicos heterogêneos que antes eram incompatíveis.
• Eficiência Experimental: A capacidade de expansão de painéis in silico pode reduzir custos laboratoriais, permitindo que estudos com painéis limitados recuperem informações de proteínas não medidas.
• Precisão Oncológica: Ao capturar o estado funcional real das células (que é melhor refletido por proteínas do que por RNA), o modelo oferece uma ferramenta superior para a descoberta de biomarcadores e a previsão de resposta a terapias.
• Fundação para Futuras Pesquisas: Estabelece uma base computacional escalável e agnóstica a painéis para a próxima geração de descobertas biológicas e medicina de precisão.

Em resumo, o scpFormer transforma a proteômica de célula única de um campo fragmentado e dependente de pipelines estatísticos ad hoc para uma disciplina unificada, impulsionada por inteligência artificial generativa e representações contínuas de alta fidelidade.