Learning Multi-Relational Graph Representations for DNA Methylation-Based Biological Age Estimation

Resumo Técnico: RelAge-GNN para Estimativa de Idade Biológica Baseada em Metilação de DNA

Declaração do Problema
Relógios de envelhecimento estimam a idade biológica a partir de biomarcadores para avaliar o estado fisiológico e o risco de doenças, distinguindo-se da idade cronológica. A metilação de DNA é um biomarcador primário devido à sua estabilidade e forte correlação com o envelhecimento. No entanto, os métodos existentes de relógios de envelhecimento baseados em IA enfrentam limitações significativas:

1. Suposição de Independência: A maioria das abordagens trata os sítios CpG como características independentes, ignorando relações biológicas complexas e heterogêneas, como co-metilação, proximidade genômica e associações ao nível do gene.
2. Modelagem Rígida: Embora existam alguns métodos baseados em grafos, eles frequentemente dependem de um único grafo ou estratégias fixas para combinar diferentes tipos de relações. Isso falha em distinguir as contribuições variáveis de diferentes relações biológicas entre amostras e limita a flexibilidade do modelo.
3. Interpretabilidade: Modelos de aprendizado profundo frequentemente carecem de interpretabilidade clara sobre como estruturas biológicas específicas contribuem para as previsões.

Metodologia: RelAge-GNN
Os autores propõem o RelAge-GNN, um framework de rede neural de grafos multi-relacional projetado para modelar explicitamente as dependências estruturais entre sítios CpG. A metodologia consiste em três componentes principais:

1. Construção de Grafo Multi-Relacional:
   Em vez de um único grafo, o framework constrói três grafos complementares, cada um retendo uma relação semântica específica:

   • Grafo de Co-metilação ($G_1$): As arestas representam valores de correlação contínua entre sítios CpG (com limiarização para garantir esparsidade).
   • Grafo de Co-localização Genômica ($G_2$): As arestas representam conexões booleanas entre sítios CpG localizados no mesmo cromossomo.
   • Grafo de Associação ao Nível do Gene ($G_3$): As arestas representam conexões booleanas entre sítios CpG localizados dentro do mesmo gene.
     As características dos nós incluem valores de metilação, atributos de ilhas CpG (localização, comprimento), informações de sequência flanqueante e distância aos sítios de início de transcrição.

2. Codificador de Três Ramos com PNAConv:
   Cada grafo é processado por um ramo independente de GNN utilizando PNAConv (Agregação Principal de Vizinhos). O PNAConv é escolhido por sua capacidade de lidar com distribuições variáveis de grau de nó, empregando múltiplos agregadores (média, máximo, mínimo, desvio padrão) e escaladores. Isso permite que cada ramo aprenda representações estruturais específicas da relação ($H_1, H_2, H_3$) sem confundir tipos de arestas heterogêneos.

3. Mecanismo de Fusão com Portão Aprendível:
   Para abordar a questão de estratégias de combinação fixas, o modelo emprega uma rede de portão aprendível.

   • As saídas dos três ramos são concatenadas ($H_{cat}$).
   • Uma rede de portão (MLP + Softmax) gera pesos adaptativos ($\alpha_1, \alpha_2, \alpha_3$) para cada nó.
   • A representação final ($H_f$) é uma soma ponderada das saídas dos ramos: $H_f = \sum \alpha_k \odot H_k$.
     Isso permite que o modelo ajuste dinamicamente a contribuição de cada relação biológica no nível do nó com base no contexto específico da amostra.

4. Previsão e Interpretabilidade:
   A representação fundida passa por uma camada de compressão e uma cabeça de regressão MLP para prever a idade. Para interpretabilidade, os autores estendem o framework GNNExplainer para quantificar a importância de:

   • Nós individuais CpG.
   • Atributos de nós (características).
   • Os três ramos de grafos distintos (estruturas relacionais).

Principais Contribuições

• Identificação de Limitações: O artigo destaca que os métodos atuais falham em capturar dependências biológicas complexas e frequentemente usam estratégias de fusão rígidas que não podem se adaptar a variações específicas da amostra na importância das relações.
• Framework Inovador: O RelAge-GNN introduz uma arquitetura multi-relacional que modela explicitamente associações de co-metilação, mesmo cromossomo e mesmo gene por meio de ramos independentes.
• Fusão Adaptativa: A introdução de um mecanismo de portão aprendível permite um ajuste dinâmico, no nível do nó, dos pesos das relações, melhorando a flexibilidade em relação a baselines de pesos fixos.
• Interpretabilidade Aprimorada: O framework fornece um mecanismo para quantificar a contribuição de relações biológicas específicas e sítios CpG, oferecendo insights sobre os impulsionadores da previsão de idade.

Resultados Experimentais
O modelo foi avaliado em conjuntos de dados em grande escala compreendendo 3.707 amostras saudáveis e 624 amostras de doenças (câncer de ovário, esquizofrenia, osteoporose) provenientes de tecido sanguíneo.

• Desempenho Preditivo: O RelAge-GNN alcançou precisão competitiva em comparação com baselines de última geração (Horvath, AltumAge, DeepMAge, GraphAge). Demonstrou um Coeficiente de Regressão de Ajuste (FRC) mais alto (0,962) e menor Erro Absoluto Médio (MAE = 3,43) e Erro Quadrático Médio (MSE = 29,46) do que as baselines.
• Sensibilidade à Aceleração da Idade (AA): O modelo mostrou sensibilidade superior na detecção de aceleração da idade em diversas coortes de doenças. Por exemplo, no câncer de ovário pós-menopausa, identificou aproximadamente 40% das amostras com AA positiva, superando significativamente o GraphAge (<20%) e o AltumAge (<10%).
• Estudos de Ablação: A remoção de qualquer ramo de grafo único degradou o desempenho, sendo o grafo de co-metilação ($G_1$) e o grafo ao nível do gene ($G_3$) particularmente críticos. O modelo completo de múltiplos ramos com portão superou configurações de grafo único, confirmando o valor da modelagem de relações heterogêneas.
• Descobertas de Interpretabilidade:
  • Valores de metilação foram os atributos de nó mais importantes.
  • Informações de ilhas CpG (posições de início/fim, comprimento) e sequências flanqueantes também foram fatores chave, sugerindo um padrão hierárquico de sinal mais contexto estrutural.
  • Importância do Grafo: O grafo de co-metilação contribuiu mais significativamente para as previsões, seguido pelos grafos ao nível do gene e do mesmo cromossomo.

Significado e Alegações
O artigo alega que modelar explicitamente estruturas multi-relacionais é uma direção eficaz para melhorar os modelos de relógios de envelhecimento. Ao ir além da suposição de características independentes e combinações fixas de grafos, o RelAge-GNN captura padrões estruturais heterogêneos que refletem melhor os mecanismos biológicos do envelhecimento. A capacidade do modelo de fundir adaptativamente diferentes relações biológicas e fornecer interpretabilidade granular sugere utilidade potencial para a caracterização de doenças e oferece direções biologicamente significativas para futuras pesquisas sobre envelhecimento. Os autores observam que, embora o framework atual seja robusto em tecido sanguíneo, estendê-lo para configurações de múltiplos tecidos e incorporar interações biológicas mais granulares permanece uma direção futura.