Graph neural network explanations reveal a topological signature of disease-associated hubs in biological networks

Resumo Técnico: Explicações de Redes Neurais em Grafos Revelam uma Assinatura Topológica de Hubs Associados a Doenças

Declaração do Problema
Redes Neurais em Grafos (GNNs) são cada vez mais utilizadas para modelar sistemas biológicos, integrando dados ômicos (por exemplo, RNA-seq) com estruturas de rede prévias, como redes de Interação Proteína-Proteína (PPI). No entanto, a confiabilidade dos métodos de explicação post-hoc na recuperação de mecanismos moleculares significativos a partir desses modelos "caixa preta" permanece incerta. Não está claro se os explicadores existentes recuperam estruturas biologicamente válidas ou meramente refletem vieses específicos do método, artefatos de topologia de grafos ou idiossincrasias do modelo. Especificamente, há uma falta de compreensão sistemática sobre como diferentes algoritmos de explicação (Atribuição de Saliência, Gradientes Integrados, GNNExplainer e Propagação de Relevância por Camada) lidam com geometrias de sinal biológico distintas, como condutores esparsos versus vias distribuídas.

Metodologia
Os autores empregaram uma estratégia de avaliação de duas frentes, combinando benchmarks sintéticos controlados com dados biológicos do mundo real.

1. Benchmarks Sintéticos: Quatro arquétipos de sinal distintos foram construídos para mimetizar organizações de sinal biológico:

   • Agulha: Um único nó decisivo (sinal esparso).
   • Hub: Um nó central com expressão elevada em sua vizinhança imediata de 1-hop (mimetizando fatores de transcrição).
   • Via/Módulo: Uma sub-rede coordenada de nós interagentes.
   • Cascata: Uma cadeia hierárquica e direcional de expressão crescente.
     Uma arquitetura padrão de GNN (três camadas de convolução em grafos com pooling de média global) foi treinada para atingir precisão perfeita nessas tarefas. Quatro métodos de explicação foram avaliados: Atribuição de Saliência (SA), Gradientes Integrados (IG), GNNExplainer e Propagação de Relevância por Camada (LRP, especificamente a regra $\epsilon$). O desempenho foi medido usando taxas de acerto top-k e a fração da massa de atribuição atribuída aos nós de sinal verdadeiros.

2. Aplicação no Mundo Real (TCGA BRCA): O estudo aplicou esses explicadores a uma GNN treinada em 1.222 amostras de RNA-seq de câncer de mama do The Cancer Genome Atlas (TCGA), projetadas na rede PPI STRING. O modelo classificou tecido cancerígeno versus tecido adjacente normal com 89,7% de precisão balanceada.

   • Análise de Hub: Os autores analisaram padrões de atribuição ao redor de quatro genes condutores canônicos de câncer (TP53, BRCA1, ESR1, MYC) e suas vizinhanças de 1-hop.
   • Pontuação Topológica: Um "escore de hub baseado em casca" foi desenvolvido para quantificar o padrão "olho da tempestade" (baixa atribuição no centro, pico em 1-2 hops, decaimento subsequente).
   • Framework de Consenso: Uma abordagem de classificação por consenso foi introduzida, combinando percentis ponderados de IG, SA e LRP. Isso foi otimizado via busca em grade.
   • Confusão por Grau: Regressão linear e residualização foram usadas para determinar se os escores de hub eram impulsionados pelo grau do nó e não pelo sinal biológico.
   • Enriquecimento de Vias: Análise de enriquecimento de vias Reactome foi realizada nos 100 genes classificados no topo para cada método.

Principais Resultados

• Recuperação de Sinal Específica do Método:

  • Saliência (SA): Desempenhou-se melhor para o sinal "Agulha" (nó único), mas lutou com estruturas distribuídas. Em dados reais, a SA atribuiu pontuações altas a nós centrais de hub, mas mostrou atribuição difusa através do grafo, resultando em alto desempenho de classificação global (AUC), mas menor enriquecimento local.
  • Gradientes Integrados (IG) e LRP: Consistentemente superaram outros métodos na recuperação de sinais distribuídos (Hubs, Vias, Cascatas). Em configurações sintéticas de "Hub", IG e LRP alcançaram recuperação quase perfeita da estrutura completa da vizinhança. Em dados reais, exibiram uma assinatura topológica distinta: a atribuição foi minimizada no nó semente central (0-hop), atingiu o pico na vizinhança imediata de 1-hop e decaiu abruptamente através das cascas subsequentes (2–4 hops).
  • GNNExplainer: Frequentemente falhou em localizar sinais nas estruturas topológicas corretas, difundindo atribuição para nós distantes e mostrando baixas razões de enriquecimento para hubs de doenças conhecidos.

• A Assinatura "Olho da Tempestade":
  Nos dados TCGA BRCA, IG e LRP revelaram que o sinal associado à doença não está concentrado no centro do hub, mas é enriquecido na vizinhança imediata. Esse padrão foi mais pronunciado para o IG, que mostrou fortes razões de enriquecimento (por exemplo, ~11,2 para MYC) e alta sobreposição com hubs conhecidos nos 50 genes classificados no topo.

• Consenso e Ajuste:
  Uma abordagem de consenso combinando IG, SA e LRP melhorou significativamente a priorização de genes canônicos de câncer.

  • TP53: Classificado em 79º pelo IG sozinho; melhorou para 5º (percentil 100) pelo consenso ajustado.
  • BRCA1: Classificado em 900º pelo IG; melhorou para 72º (percentil 99,4) pelo consenso ajustado.
  • O consenso ajustado (pesos: IG=0,69, SA=0,31, LRP=0) superou métodos individuais, equilibrando sensibilidade de enriquecimento local com discriminação global.

• Confusão por Grau:
  Embora o IG mostrasse uma dependência moderada do grau do nó ($R^2 \approx 0,196$), os escores de hub de consenso reduziram substancialmente esse viés ($R^2 \approx 0,023$). Crucialmente, a priorização de genes canônicos de câncer permaneceu estável mesmo após a residualização dos escores de hub contra o grau do nó, indicando que o sinal capturado não é meramente um artefato da centralidade da rede.

• Coerência Biológica:
  A análise de enriquecimento de vias revelou que métodos individuais frequentemente destacavam programas genéricos ou biologicamente implausíveis (por exemplo, IG destacou processos de tradução/ribossomais; SA destacou vias neuronais). Em contraste, a abordagem de consenso recuperou programas de câncer biologicamente coerentes, incluindo sinalização ERBB2, RTK, MAPK e sinalização imune/citocina, alinhando-se melhor com a biologia conhecida do câncer de mama.

Significado e Alegações
O artigo alega que explicações de grafos em sistemas biológicos não devem ser interpretadas como saídas de um único método, mas como sinais estruturados moldados tanto pela topologia da rede quanto por vieses específicos do método. Os autores demonstram que:

1. Diferentes explicadores recuperam geometrias de sinal distintas; IG e LRP são superiores para sinais distribuídos, semelhantes a vias, enquanto SA é melhor para condutores esparsos de nó único.
2. Existe uma assinatura topológica consistente para hubs associados a doenças em dados reais, caracterizada por picos de atribuição na vizinhança imediata e não no nó central.
3. A integração de múltiplos explicadores via um framework de consenso consciente da topologia melhora a recuperação de mecanismos moleculares biologicamente relevantes e reduz a dependência do grau do nó.
4. Este framework fornece uma abordagem prática para geração de hipóteses a partir de modelos ômicos baseados em grafos, enfatizando a necessidade de análises de sensibilidade do modelo e validação biológica independente antes de tirar conclusões mecanicistas.

O estudo conclui que a integração consciente da topologia de explicações de grafos aprimora a interpretabilidade biológica e a recuperação de assinaturas moleculares relevantes para doenças.