Resumo Técnico: PACE – Transporte de Ponte Consciente de Geometria para Inferência de Trajetória de Célula Única

1. Formulação do Problema

A inferência de trajetória de célula única visa reconstruir a evolução contínua do estado celular a partir de instantâneos destrutivos de séries temporais. Um desafio fundamental neste domínio é que o problema é mal-posto: nem as correspondências celulares entre tempos nem os caminhos contínuos entre os instantâneos são observados. Consequentemente, as distribuições de instantâneos observados, por si só, não determinam unicamente a dinâmica subjacente.

Os métodos existentes de transporte ótimo (OT) e baseados em fluxo geralmente estimam acoplamentos com base na proximidade Euclidiana nos tempos de relógio observados. Esta abordagem assume que células amostradas no mesmo tempo experimental ocupam estágios de desenvolvimento semelhantes. No entanto, em processos biológicos assíncronos (por exemplo, reprogramação ou diferenciação), células no mesmo tempo de relógio podem residir em diferentes estágios de pseudotempo latente ou em ramos de destino distintos. Confiar exclusivamente na distância Euclidiana pode levar a trajetórias desalinhadas, acoplando células de programas de desenvolvimento incompatíveis (por exemplo, ligando células apoptóticas a células-tronco em rápida expansão) ou falhando em capturar movimento curvo e anisotrópico ao longo do manifold do estado celular.

2. Metodologia: Estrutura PACE

Os autores propõem o PACE (Transporte de Ponte Consciente de Geometria), uma estrutura que seleciona dinâmicas de transporte contínuas consistentes com a geometria a partir de instantâneos não emparelhados. A intuição central é que, embora as identidades celulares verdadeiras não sejam observadas, as vizinhanças espaciotemporais locais fornecem um prior fraco sobre direções de movimento admissíveis: o movimento ao longo de direções tangentes localmente suportadas é mais plausível do que o movimento ortogonal à estrutura do manifold observado.

O PACE opera através de três componentes acoplados:

A. Métrica Riemanniana Anisotrópica Dependente de Tempo e Estado

O PACE substitui custos Euclidianos fixos por uma ação de caminho Riemanniana induzida por um tensor métrico $G_k(x, t)$.

• Estimação de Geometria Local: Para cada célula observada, o PACE estima subespaços tangentes e normais locais usando análise de covariância de vizinhos mais próximos dentro do mesmo instantâneo.
• Construção da Métrica: A métrica é definida como $G_k(x, t) = I + \alpha C^{(k)}_N(x, t)$, onde $C^{(k)}_N$ é um campo interpolado espaciotemporalmente de projetores normais locais.
• Função de Custo: O custo de um caminho $\gamma$ é a integral do quadrado da velocidade ponderada pela métrica:
  $$A_{G_k}[\gamma] = \int_0^1 \dot{\gamma}(\tau)^\top G_k(\gamma(\tau), t_{k,\tau}) \dot{\gamma}(\tau) d\tau$$
  Esta formulação penaliza componentes de velocidade na direção normal estimada localmente (alto custo) enquanto preserva baixo custo para movimento ao longo de direções tangentes.

B. Otimização Alternada de Ponte e Acoplamento

Para resolver o problema de transporte resultante de dimensão infinita, o PACE emprega um procedimento de otimização alternada de dimensão finita:

1. Aprendizado de Ponte (Acoplamento Fixo): Dado um acoplamento entre tempos $\pi_k$, o PACE treina uma ponte neural que preserva extremidades $\gamma_\theta(x, y, \tau)$. A ponte é parametrizada como uma linha reta mais um termo de correção neural escalado por $\tau(1-\tau)$, garantindo $\gamma_\theta(x, y, 0)=x$ e $\gamma_\theta(x, y, 1)=y$. A rede é treinada para minimizar a perda de ação de caminho anisotrópica definida pela métrica $G_k$.
2. Refinamento de Acoplamento (Ponte Fixa): Usando a ponte aprendida, o PACE computa o custo de ação de caminho entre todos os pares de extremidades candidatas. Em seguida, resolve um problema de Transporte Ótimo para atualizar o acoplamento $\pi_k$, minimizando a ação de caminho total em vez da distância Euclidiana.
   Isso cria um mecanismo de bootstrap onde acoplamentos melhores fornecem melhor supervisão de extremidades para a ponte, e pontes melhores fornecem custos conscientes de geometria para refinar o acoplamento.

C. Destilação de Campo de Velocidade

As pontes condicionadas por extremidade são específicas de pares. Para permitir inferência de trajetória global, o PACE destila as dinâmicas de ponte aprendidas em um campo de velocidade global contínuo no tempo $v_\phi(x, t)$. Este campo é treinado para corresponder às velocidades das pontes neurais em estados e tempos arbitrários, permitindo a geração de trajetórias contínuas via integração de EDO a partir de qualquer distribuição inicial.

3. Contribuições Principais

1. Métrica Consciente de Geometria: Introdução de uma métrica Riemanniana dependente de tempo e estado baseada em projeções de espaço tangente espaciotemporal local. Isso fornece um custo de ação de caminho que seleciona acoplamentos além da simples proximidade de extremidades Euclidianas.
2. Procedimento Iterativo de Transporte de Ponte: Desenvolvimento de um esquema de otimização alternada que refina conjuntamente correspondências entre tempos e caminhos interpolantes sob a mesma ação consciente de geometria, evitando a necessidade de emparelhamentos fixos de extremidades.
3. Destilação Global de Velocidade: Um método para destilar pontes neurais condicionadas por extremidade em um campo de velocidade global para geração de trajetória contínua sem emparelhamento celular explícito ou rastreamento de linhagem.

4. Resultados Experimentais

O PACE foi avaliado em sete conjuntos de dados (sintéticos e biológicos controlados) cobrindo nove experimentos de reconstrução mantidos de fora.

• Benchmarks 2D Controlados: Nos benchmarks "Ocean" (rotacional não gradiente) e "Two-Branch", o PACE alcançou o desempenho de reconstrução geral mais forte. Recuperou com sucesso movimento rotacional suave e estruturas ramificadas sem supervisão de velocidade.
• Benchmarks Biológicos:
  • EB PHATE: O PACE melhorou a reconstrução marginal mantida de fora (MMD, W1, W2) e mostrou uma melhoria de 15,4% no alinhamento de velocidade de RNA em comparação com baselines, apesar de a velocidade de RNA não ter sido usada durante o treinamento.
  • iPSC-Liu & Schiebinger2019: O PACE superou consistentemente as baselines (Action Matching, Aligned CFM, CURLY, DMSB, MFM, OT-CFM) em tarefas de diferenciação e reprogramação.
• Ganhos Quantitativos: Em todos os conjuntos de dados, o PACE reduziu MMD, W1 e W2 em uma média de 23,7% em relação à baseline concorrente mais forte.
• Desempenho em Alta Dimensionalidade: Em configurações de alta dimensionalidade (10D, 50D, 100D PCA), onde as distâncias Euclidianas sofrem com efeitos de concentração, o PACE manteve desempenho robusto ao explorar anisotropia local em vez de separação global.
• Estudos de Ablação: A remoção de componentes como reemparelhamento de acoplamento, a penalidade de métrica anisotrópica ($\alpha=0$) ou suavização de kernel espacial/temporal degradou o desempenho, confirmando que os ganhos surgem da combinação desses elementos.

5. Significado e Alegações

O artigo alega que a geometria local serve como um viés indutivo útil para reconstruir trajetórias a partir de instantâneos destrutivos. Ao substituir custos Euclidianos por uma ação de caminho consciente de geometria, o PACE aborda a ambiguidade fundamental da inferência de trajetória sem exigir:

• Emparelhamento celular explícito ou rastreamento de linhagem.
• Supervisão de velocidade de RNA durante o treinamento.
• Suposições de desenvolvimento síncrono.

Os autores enfatizam que o PACE fornece reconstruções plausíveis e consistentes com a geometria em vez de histórias celulares verdadeiras, pois o problema subjacente permanece mal-posto. O método demonstra que inferir direções admissíveis a partir de vizinhanças espaciotemporais locais é suficiente para melhorar significativamente a precisão da inferência de dinâmicas em nível de população na biologia de célula única.