Knowledge Graph Modulated Deep Learning for Limited-Sample Clinical Data Analysis

Resumo Técnico: Graph-in-Graph (GiG) para Análise de Dados Clínicos com Amostras Limitadas

Declaração do Problema
Os sistemas biológicos são governados por interações moleculares estruturadas (vias, circuitos regulatórios) que são naturalmente representadas como grafos. No entanto, os modelos padrão de IA biomédica geralmente tratam dados genômicos como tabelas planas e não estruturadas, exigindo a compressão do conhecimento biológico em vetores de baixa dimensão. Essa compressão frequentemente resulta em perda de informação, particularmente no que diz respeito às interações gene-gene e à topologia das vias. Essa limitação é exacerbada em contextos clínicos caracterizados por tamanhos de amostra limitados, onde os modelos lutam para aprender representações robustas sem superajuste ou falha em capturar sinais biologicamente significativos. Abordagens baseadas em grafos existentes frequentemente dependem de uma única rede global compartilhada entre todas as amostras ou reduzem pacientes a vetores de características, falhando em permitir que a topologia da via e a expressão específica do paciente interajam dinamicamente durante a passagem de mensagens.

Metodologia: O Framework Graph-in-Graph (GiG)
Os autores propõem o Graph-in-Graph (GiG), um framework onde cada paciente é representado como um grafo autônomo e modular. Este design integra conhecimento biológico curado diretamente na estrutura de grafos de cada amostra individual.

1. Pipeline de Construção do Grafo:

   • Seleção de Genes: Para cada paciente, genes altamente variáveis (HVGs) ou genes com desregulação transcricional significativa (baseada em escores-z absolutos) são selecionados a partir do perfil transcriptômico.
   • Mapeamento de Vias: Os genes selecionados são mapeados para vias biológicas curadas do WikiPathways.
   • Montagem do Grafo Específico do Paciente: Para cada paciente, os grafos de interação de vias relevantes são mesclados.
     • Nós: Representam genes do perfil de expressão do paciente.
     • Arestas: Codificam a topologia das vias biológicas curadas (interações não direcionadas).
     • Características dos Nós: Um vetor de características de dois canais é construído para cada nó:
       1. Expressão específica do paciente: Valor de expressão normalizado em relação à amostra.
       2. Coexpressão em nível de coorte: A correlação de Pearson média absoluta com os 50 genes mais correlacionados ao gene em questão através da coorte.
   • Identidade do Gene: Um embedding aprendível é atribuído a cada gene para ancorar seu papel molecular através da coorte, independentemente da topologia específica do grafo.

2. Arquitetura do Modelo:

   • Os grafos específicos do paciente construídos servem como entradas para uma Rede Neural de Grafos (GNN).
   • O framework é agnóstico ao backbone, suportando GCN, GraphSAGE, GIN e GAT.
   • A arquitetura emprega camadas de passagem de mensagens para propagar informações ao longo das arestas das vias, seguida por pooling de média global para gerar uma representação em nível de grafo para classificação a jusante (por exemplo, detecção de doença, classificação de subtipos).

3. Estratégia de Treinamento:

   • Os modelos são treinados usando divisões estratificadas com perda de entropia cruzada ponderada por classe para abordar o desequilíbrio de classes.
   • A otimização é realizada usando AdamW com hiperparâmetros específicos (taxa de aprendizado $10^{-3}$, decaimento de peso $10^{-4}$).

Principais Contribuições

• Representação Novel: O GiG introduz uma formulação "grafo-em-grafo" onde a estrutura de nível inferior da via é intrínseca ao grafo em nível de paciente, e não um prior externo. Isso permite que o modelo aprenda representações de doenças que preservam informações biologicamente significativas, como interações gene-gene e topologia da via.
• Eficiência de Dados: O framework é especificamente projetado para aprendizado eficiente de dados em configurações de amostras limitadas, uma restrição comum em estudos clínicos.
• Ablação e Validação: Os autores validam rigorosamente que os ganhos de desempenho derivam da estrutura biológica das vias, e não apenas da modelagem de grafos em si, comparando com topologias de grafos aleatórios (Erdős–Rényi e grafos aleatórios que preservam o grau).

Resultados
O framework foi avaliado em quase 9.700 pacientes através de cinco tarefas clínicas envolvendo três coortes distintas:

1. RARE-Seq (Biópsia Líquida): Um conjunto de dados de baixo sinal e alto ruído para detecção de câncer, subtipo e classificação de estágio.

   • O GiG alcançou 89% de acurácia e 88% de macro-F1 para detecção binária de câncer, superando a melhor linha de base (GCN) em mais de 15% em acurácia e 14% em macro-F1.
   • Demonstrou sensibilidade e especificidade superiores, particularmente em regiões de baixa taxa de falsos positivos da curva ROC, indicando robustez na distinção de sinais fracos e distribuídos do ruído.
   • A análise de atribuição (Gradientes Integrados) confirmou que o modelo priorizou marcadores tumorais biologicamente plausíveis (por exemplo, FOLR1, ELF3, KRT19).

2. Câncer de Próstata (Baseado em Tecido): Um conjunto de dados de sinal mais alto que distingue doença localizada versus metastática.

   • O GiG alcançou desempenho quase perfeito (~98% de acurácia e macro-F1), superando significativamente as linhas de base em nível de nó, que mostraram alta variância e menor sensibilidade.
   • O modelo priorizou corretamente genes centrais às vias conhecidas de câncer de próstata (PI3K/AKT, MAPK, Wnt), como AKT1, MAPK1 e CTNNB1.

3. Pan-Câncer (TCGA): Uma tarefa desafiadora de classificação multi-ômica com 32 classes, com alto desequilíbrio de classes e heterogeneidade.

   • O GiG alcançou 92% de acurácia e 88% de macro-F1, comparado a 63% de acurácia e 39% de macro-F1 para a melhor linha de base.
   • Isso representa um ganho de até 49 pontos percentuais em macro-F1, demonstrando a capacidade do framework de escalar para problemas complexos e de alta dimensão.

Significado e Alegações
O artigo alega que o GiG fornece um framework principiado para integrar grafos de conhecimento biológico em modelagem preditiva, indo além da suposição de uma rede global compartilhada.

• Fonte de Melhoria: Experimentos de controle substituindo vias reais por topologias aleatórias confirmaram que os ganhos de desempenho surgem da estrutura fundamentada biologicamente dos grafos de conhecimento. Em configurações de baixo sinal (cfRNA) e alta heterogeneidade (Pan-Câncer), a perturbação da topologia da via causou quedas significativas de desempenho (por exemplo, perda de 16–21% de acurácia no RARE-Seq, 24% no Pan-Câncer).
• Dependência de Contexto: A contribuição da topologia varia conforme a tarefa. No conjunto de dados de câncer de próstata de alto sinal, as características dos nós por si só eram altamente separáveis, tornando o modelo menos sensível à topologia exata (pequenas quedas de desempenho com randomização). No entanto, em configurações difíceis (baixo sinal, alta heterogeneidade), a topologia da via atua como um viés indutivo crucial.
• Impacto Clínico: Ao tratar a organização da biologia como um componente estrutural do modelo e não como um pensamento posterior, o GiG melhora a robustez, a interpretabilidade e a eficiência de amostras. Ele permite a recuperação de sinais fracos, mas biologicamente significativos, em dados clínicos ruidosos, oferecendo uma base prática para aplicações de medicina de precisão onde os tamanhos de amostra são limitados.