Resumo Técnico: Aprendizado de Processos Causais Dinâmicos Latentes para Previsão de Perturbação em Célula Única

Declaração do Problema

A previsão de perturbação em célula única visa modelar como as células respondem a intervenções genéticas ou químicas, especificamente para prever respostas sob perturbações não vistas (generalização Fora de Distribuição ou OOD). Um desafio central é que as abordagens existentes de aprendizado de máquina tipicamente abordam apenas uma de duas características inseparáveis das respostas a perturbações:

1. Latência: As perturbações atuam através de programas celulares não observados (variáveis latentes) e não diretamente na expressão gênica observada.
2. Dinâmica: Os estados desses programas latentes evoluem ao longo do tempo, gerando perfis de expressão gênica observada em diferentes pontos temporais.

Os métodos atuais ou focam no aprendizado de mecanismos causais latentes, mas tratam as respostas como instantâneos estáticos, ignorando a evolução temporal; ou modelam mudanças temporais na expressão gênica, mas falham em capturar explicitamente os mecanismos geradores causais subjacentes que impulsionam essas mudanças. Este artigo aborda a lacuna propondo um framework unificado que captura conjuntamente programas celulares latentes e sua evolução temporal.

Metodologia: CITE-VAE

Os autores propõem o CITE-VAE (Variational Autoencoder Temporal Inspirado por Causalidade), um framework de aprendizado fundamentado em um Modelo Gerador Causal Dinâmico Latente.

1. Modelo Gerador

O modelo decompõe o estado celular latente $z_t$ no tempo $t$ em dois componentes:

• Programas de fundo invariantes à perturbação ($z_t^\iota$): Representando estados celulares estáveis não afetados pela intervenção.
• Mecanismos responsivos à perturbação ($z_t^\nu$): Representando estados dinâmicos impulsionados pela intervenção.

O processo gerador é formalizado como:

• Ruído Exógeno: O ruído invariante $n_t^\iota$ é independente, enquanto o ruído responsivo $n_t^\nu$ é condicionalmente independente dado o rótulo de perturbação $u$.
• Dinâmica Latente:
  • Estados invariantes evoluem via uma transição invariante no tempo: $z_t^\iota = f_\iota(z_{t-1}^\iota) + n_t^\iota$.
  • Estados responsivos evoluem via uma equação causal estrutural dependente de pais e da intervenção: $z_{t,\nu,j}^t = f_{\nu,j}(z_{t-1}^{pa(j)}, u) + n_{t,\nu,j}$.
• Observação: A expressão gênica observada $x_t$ é gerada via um mapeamento invariante no tempo, suave e invertível $g(z_t)$.

2. Identificabilidade Teórica

O artigo fornece uma análise teórica provando que, sob suposições específicas, as variáveis causais latentes são identificáveis (recuperáveis até uma classe de equivalência trivial). As suposições chave são:

• Suficiência Ambiental: Existem perturbações suficientemente diversas para induzir mudanças distribucionais distintas nas inovações responsivas.
• Alinhamento Temporal Ótimo: A representação invariante aprendida é estável entre ambientes (minimizando uma perda de alinhamento).
• Suficiência de Intervenção Temporal: Para cada coordenada responsiva, existe um ambiente onde as contribuições dos pais são removidas (intervenção dura).

O Teorema 4.1 estabelece que o bloco invariante é identificável até uma transformação linear invertível, e o bloco responsivo é identificável até permutação e escalonamento componente a componente.

3. Framework de Aprendizado

Para traduzir essas garantias teóricas em um algoritmo prático, o CITE-VAE otimiza uma função objetivo conjunta composta por três componentes:

1. ELBO Temporal (Maximização de Verossimilhança): Garante que as variáveis latentes retenham informação suficiente para reconstruir instantâneos observados e contabilizar sua evolução temporal sob intervenções.
2. Perda de Alinhamento Invariante: Impõe que a representação invariante inferida ($z^\iota$) permaneça consistente entre diferentes ambientes de perturbação, prevenindo o emaranhamento de fatores invariantes e responsivos.
3. Regularização de Esparsidade Estrutural: Incentiva dependências esparsas no mecanismo de transição responsivo (via uma matriz de adjacência triangular inferior aprendível) para mitigar o sobreajuste e promover estruturas causais interpretáveis.

O treinamento utiliza pares pseudo de instantâneos de pontos temporais adjacentes para aproximar transições temporais sem exigir pareamento célula a célula (o que é impossível no sequenciamento de célula única destrutivo).

Contribuições Principais

1. Modelo Unificado: Propõe um modelo gerador causal dinâmico latente que captura simultaneamente programas celulares latentes e sua evolução temporal, abordando as limitações de modelos causais estáticos ou puramente temporais.
2. Análise de Identificabilidade: Fornece garantias teóricas rigorosas mostrando que variáveis causais latentes podem ser recuperadas de forma única (até transformações triviais) ao combinar aprendizado baseado em verossimilhança com alinhamento invariante.
3. Algoritmo CITE-VAE: Desenvolve um framework de autoencoder variacional guiado por teoria que operacionaliza essas condições de identificabilidade através de uma combinação específica de objetivos ELBO, alinhamento e esparsidade.
4. Validação Empírica: Demonstra a eficácia do método tanto em benchmarks sintéticos quanto em dados reais de perturbação CRISPR em célula única.

Resultados Experimentais

Dados Sintéticos (Causal-3DIdent)

Experimentos no benchmark Causal-3DIdent validam os resultados de identificabilidade teórica.

• Recuperação: O modelo recupera com sucesso fatores latentes verdadeiros com alta precisão ($R^2 > 0,95$ para fatores invariantes, $0,959$ para fatores responsivos).
• Visualização de Trajetória: Trajetórias latentes projetadas rastreiam de perto o movimento físico verdadeiro, confirmando que o modelo captura transições de estado consistentes ao longo do tempo.

Dados do Mundo Real (Perturbação CRISPR de hiPSC)

Avaliado em um conjunto de dados longitudinal de células-tronco pluripotentes induzidas humanas (hiPSC) com 23 knockouts de genes únicos, utilizando um protocolo Leave-One-Intervention-Out (LOO) para generalização OOD.

• Desempenho: O CITE-VAE supera as bases de comparação mais avançadas, incluindo modelos causais latentes (SAMS-VAE, Discrepancy-VAE), modelos dinâmicos temporais (RENGE, scNODE) e modelos fundamentais (scGPT, UCE).
• Métricas: Alcança desempenho superior em métricas de genes diferencialmente expressos (DE) (por exemplo, correlação de Pearson $\Delta$ de 0,691 vs. 0,621 para SAMS-VAE) enquanto mantém precisão competitiva de reconstrução em todo o genoma ($R^2 > 0,95$).
• Ablação: Remover regularizadores de alinhamento ou esparsidade degrada significativamente o desempenho em métricas focadas em DE, confirmando a necessidade do objetivo conjunto para capturar mecanismos responsivos à perturbação.

Benchmark Auxiliar (E-MTAB-14065)

Em um conjunto de dados de diferenciação cardíaca com variação ao nível de clone, o CITE-VAE alcançou o menor RMSE entre bases de comparação estáveis e manteve desempenho forte em métricas DE, demonstrando robustez em diferentes contextos biológicos.

Significado e Afirmações

O artigo afirma que, ao modelar explicitamente a natureza latente e dinâmica das respostas a perturbações, o CITE-VAE alcança generalização principista para perturbações não vistas. O significado reside em:

• Fundamentação Teórica: Ir além de abordagens heurísticas fornecendo garantias de identificabilidade que ligam o objetivo de aprendizado à recuperação de mecanismos causais verdadeiros.
• Robustez Prática: Demonstrar que os insights teóricos se mantêm mesmo quando suposições estritas são apenas aproximadamente satisfeitas em dados biológicos reais, levando a uma melhoria na previsão de knockouts gênicos não vistos.
• Insight Metodológico: Destacar que o aprendizado de representação eficaz em sistemas dinâmicos e perturbados requer o acoplamento de modelagem gerativa com restrições de invariância, em vez de depender de qualquer um isoladamente.

Os autores reconhecem que, como a maioria dos trabalhos em aprendizado de representação causal, a abordagem depende de suposições (por exemplo, ruído aditivo, diversidade ambiental suficiente) que podem não se manter estritamente em todos os cenários do mundo real. No entanto, os resultados empíricos sugerem que o método permanece robusto e informativo sob condições aproximadas.