Prior-Guided Multi-Omic Transformers for Single-Cell Gene Regulatory Network Inference

Resumo Técnico: Transformers Multiômicos Guiados por Priores para Inferência de Redes de Regulação Gênica de Célula Única

Definição do Problema
Reconstruir Redes de Regulação Gênica (GRNs) a partir de dados pareados de transcriptômica de célula única (scRNA-seq) e acessibilidade de cromatina (scATAC-seq) é um desafio crítico na biologia computacional. Embora a integração dessas modalidades ofereça evidências complementares, os métodos atuais enfrentam obstáculos significativos:

1. Esparsidade e Ruído dos Dados: Os dados de scATAC-seq são extremamente esparsos e ruidosos, tornando difícil distinguir sinais regulatórios genuínos de flutuações estocásticas.
2. Vinculação Ambígua: Vincular picos de acessibilidade de cromatina aos seus genes alvo é fundamentalmente ambíguo. Abordagens existentes frequentemente dependem de mapeamentos pico-gene fixos e heurísticos (ex: baseados em distância genômica), o que pode atribuir evidência de acessibilidade ao alvo incorreto e falhar em capturar interações potenciador-promotor específicas de contexto.
3. Escassez de Rótulos: A inferência precisa de GRNs requer o aprendizado de relações regulatórias direcionadas a partir de dados observacionais com poucos rótulos de verdade fundamental confiáveis.

Metodologia: EpiAwareNet
Os autores propõem o EpiAwareNet, um framework de Transformer multiômico guiado por priores, projetado para reconstruir GRNs usando apenas priores biológicos leves. O framework opera em duas etapas distintas:

Etapa 1: Aprendizado de Representação Guiado por Priores
Esta etapa foca no aprendizado de representações conjuntas de genes e picos sem atribuições rígidas de pico-para-gene.

• Arquitetura: Um backbone baseado em Transformer processa dados pareados de scRNA-seq e scATAC-seq.
• Atenção Cruzada Restrita a Candidatos: Em vez de mapeamentos fixos, o modelo define um conjunto de candidatos de picos de ATAC ($C_g$) para cada gene $g$ usando proximidade genômica como um prior leve. Ele emprega um mecanismo de atenção cruzada gene-pico esparsa onde os tokens de genes atendem apenas aos picos dentro de seu conjunto de candidatos. Isso permite uma agregação suave e orientada por dados de sinais de acessibilidade, permitindo que o modelo aprenda quais candidatos de picos melhor explicam a variação da expressão gênica.
• Atenção Gene-Gene Esparsa: Para gerenciar a complexidade computacional, a autoatenção gene-gene é restrita aos $k$-vizinhos mais próximos no espaço latente.
• Objetivo de Pré-treinamento: O backbone é pré-treinado via uma tarefa de reconstrução de genes mascarados usando uma perda Binomial Negativa (NB), que modela melhor a natureza sobredispersa dos dados de scRNA-seq.

Etapa 2: Refinamento de GRN com Supervisão Fraca
Esta etapa introduz direcionalidade e pontuação de arestas usando supervisão fraca.

• Priores Fracos: O modelo incorpora uma GRN derivada de dados bulk como um conjunto de arestas de "positivos ruidosos" ($P_{bulk}$). Essas arestas não são tratadas como verdade fundamental, mas como guias suaves.
• Aprendizado Positivo-Não Rotulado (PU): Os demais pares regulador-alvo são tratados como não rotulados. O modelo é treinado para distinguir os positivos ruidosos do conjunto não rotulado.
• Objetivos: Os autores avaliam dois objetivos:
  1. Entropia Cruzada Binária (BCE): Trata pares não rotulados amostrados como negativos, otimizando a qualidade do ranking global.
  2. PU Não-Negativo (nnPU): Considera explicitamente positivos ocultos entre os pares não rotulados, resultando em uma função de pontuação mais conservadora que concentra a massa de probabilidade em um conjunto menor de arestas de alta confiança, otimizando a precisão de recuperação precoce.
• Predição: Uma cabeça de predição leve pontua pares ordenados de regulador-alvo com base em representações agregadas de nível de célula derivadas do backbone congelado da Etapa 1.

Principais Contribuições

1. Aprendizado de Representação Cross-Modal Guiado por Priores: O artigo formula a inferência de GRN como um problema de aprendizado de representação que utiliza atenção cruzada gene-pico esparsa dentro de conjuntos de candidatos genômicos leves, evitando regras rígidas de mapeamento pico-para-gene.
2. Refinamento de GRN com Supervisão Fraca com Priores Ruidosos: Introduz uma formulação onde arestas derivadas de bulk servem como positivos ruidosos em um cenário de aprendizado PU. Os autores analisam o compromisso entre o ranking global (BCE) e a precisão do topo da lista (nnPU).
3. Avaliação Abrangente: O framework é avaliado em sistemas de mamíferos (PBMC humano, cérebro de camundongo) e plantas (raiz de tomate), demonstrando robustez de reconstrução e plausibilidade biológica melhoradas em comparação com os baselines.

Resultados Experimentais
Os autores avaliaram o EpiAwareNet em quatro conjuntos de dados multiômicos pareados contra métodos clássicos baseados apenas em RNA (GRNBoost2, WGCNA), baselines de representação profunda (scGPT, scGLUE com cabeças correspondentes) e pipelines multiômicos recentes (SCENIC+, Pando).

• Ranking Global: O EpiAwareN consistiu em atingir pontuações superiores de AUPRC e AUROC em todos os conjuntos de dados em comparação com os baselines. Por exemplo, no conjunto de dados mN de tomate, melhorou o AUPRC de 0,045 (GRNBoost2) para 0,08458.
• Recuperação Precoce: A variante EpiAwareNet-nnPU demonstrou desempenho superior em métricas de "recuperação precoce" (Precisão@K, Hit@K) em conjuntos de dados de plantas, alcançando maior precisão nas arestas de topo em comparação com a variante padrão BCE e outros baselines.
• Estudos de Ablação:
  • A remoção dos dados de ATAC (apenas RNA) geralmente degradou o desempenho, confirmando o valor da acessibilidade da cromatina como evidência complementar, embora o benefício dependesse do conjunto de dados.
  • A randomização dos conjuntos de candidatos gene-pico degradou significativamente o desempenho, validando a importância do mecanismo de atenção restrito a candidatos.
• Robustez: O modelo mostrou robustez ao ruído no prior derivado de bulk; o desempenho estabilizou em vez de colapsar quando uma fração significativa das arestas do prior foi removida, sugerindo que o modelo aprende o sinal além da simples reprodução do prior.

Significância e Alegações
O artigo afirma que o EpiAwareNet aborda efetivamente os desafios dos dados multiômicos esparsos e ruidosos ao combinar o aprendizado de representação cross-modal adaptativo com a supervisão biológica fraca. Os autores argumentam que:

• Priores biológicos leves de dados bulk podem guiar efetivamente a inferência de GRN de célula única quando pareados com Transformers adaptativos.
• Mover-se de heurísticas fixas de pico-para-gene para atenção restrita a candidatos orientada por dados melhora a robustez e a plausibilidade biológica da inferência.
• O framework oferece um compromisso flexível entre a qualidade do ranking global e a recuperação de alta precisão das arestas do topo, dependendo do objetivo escolhido (BCE vs. nnPU).

O trabalho posiciona-se não como uma alegação de que cada componente é novo isoladamente, mas como uma formulação específica e eficaz para refinar GRNs a partir de dados pareados de scRNA-seq/scATAC-seq sob condições de escassez de rótulos e esparsidade de dados.