Resumo Técnico: Modelos Generativos de Gargalo de Conceito para Célula Única para Edição Celular Interpretável e Controlável

Declaração do Problema

Compreender os fenótipos celulares e suas respostas a perturbações (ex: drogas, citocinas) é crítico para a biologia de doenças e o design terapêutico. Embora o sequenciamento de RNA de célula única (scRNA-seq) permita a caracterização em resolução celular, o espaço combinatório de condições (tratamentos, doses, tipos celulares) torna o mapeamento experimental exaustivo inviável. Modelos computacionais são necessários para prever respostas celulares sob condições não observadas.

Uma capacidade específica exigida desses modelos é a edição celular precisa: a habilidade de partir de uma célula observada e modificar sistematicamente propriedades biológicas específicas (conceitos) enquanto preserva outras. Isso difere da geração condicional, que produz qualquer célula sob dadas condições, enquanto a edição visa uma célula específica sob condições alteradas para permitir o raciocínio contrafactual (ex: "Como este linfócito T específico pareceria se sua via NF-kB fosse desligada?").

Os métodos existentes enfrentam duas limitações principais:

1. Falta de Contrafatuais ao Nível de Célula: Muitos modelos capturam efeitos de nível populacional ou distribuições condicionais, mas falham em gerar contrafatuais para células individuais.
2. Falta de Controle Interpretável: Embora alguns métodos ofereçam interpretabilidade, eles são frequentemente descritivos (explicando correlações) em vez de acionáveis (simulando ou editando respostas). Por outro lado, modelos generativos com controle refinado dependem de variáveis latentes opacas em vez de conceitos biologicamente significativos.

Metodologia: scCBGM

Os autores introduzem os Modelos Generativos de Gargalo de Conceito de Célula Única (scCBGM), um framework projetado para edição celular interpretável e controlável. A abordagem adapta os Modelos de Gargalo de Conceito (CBMs) e os Modelos Generativos de Gargalo de Conceito (CBGMs) aos desafios únicos dos dados de scRNA-seq, incluindo alta heterogeneidade, ruído técnico e anotações de conceitos não confiáveis.

1. Formalização do Problema

O framework adota o Modelo Causal Estrutural (SCM) de Pearl. A expressão gênica $X$ é influenciada por conceitos observados $C$ (ex: tipo celular, status de estimulação) e fatores residuais não observados $U$ (ex: efeitos de lote, identidade celular). O objetivo é prever o resultado contrafactual $X'$ para uma célula específica $x$ se seus conceitos fossem alterados de $c$ para $c'$, mantendo os fatores não observados $U$ constantes. Isso é formalizado aprendendo um preditor $f_\theta$ tal que $\hat{x}' = f_\theta(x, c') \approx \mathbb{E}[f_X(c', U) | X=x]$.

2. Arquitetura

O modelo segue um design de codificador-decodificador com um gargalo de conceito:

• Codificador (Encoder): Mapeia a expressão gênica de entrada $x$ para uma distribuição latente $z$.
• Gargalo de Conceito (Concept Bottleneck): Decompõe $z$ em:
  • Fatores conhecidos ($\hat{c}$): Predições dos $K$ conceitos biológicos.
  • Fatores desconhecidos ($u$): Uma representação que captura a variação não explicada por $\hat{c}$.
• Decodificador com Conexões de Salto (Skip Connections): Ao contrário dos CBGMs padrão, o decodificador recebe a concatenação de $u$ e $\hat{c}$ na entrada. Crucialmente, conexões de salto alimentam os conceitos conhecidos $\hat{c}$ em cada camada do decodificador. Isso impõe o condicionamento sistemático nos conceitos ao longo do processo de geração, melhorando a robustez à anotações ruidosas.

3. Objetivos de Treinamento

O modelo é treinado minimizando uma perda derivada do ELBO do $\beta$-VAE, aumentada com penalidades específicas:

• Perda de Reconstrução: Minimiza a diferença entre a expressão gênica prevista e a observada.
• Supervisão de Conceito ($L_{concept}$): Prediz conceitos a partir do espaço latente, lidando com anotações ausentes via uma máscara binária.
• Penalidade de Covariância Cruzada ($L_{cc}$): Para impor independência entre os conceitos conhecidos $\hat{c}$ e os fatores desconhecidos $u$, o modelo penaliza a norma de Frobenius ao quadrado de sua covariância cruzada empírica. Diferente das perdas de similaridade de cosseno, esta abordagem não impõe restrições dimensionais ($K \neq d_u$), permitindo tamanhos de embedding flexíveis.

4. Extensão para Flow Matching

O framework é estendido além dos Autoencoders Variacionais (VAEs) para modelos de Flow Matching (FM). Ao condicionar o campo vetorial de flow matching nas embeddings do scCBGM ($[u, \hat{c}]$), os autores permitem a edição guiada por conceitos em dois regimes:

• Apenas Decodificação (Decoding-only): Amostragem a partir de ruído condicionado a conceitos editados (útil para gerar exemplos diversos).
• Codificação-Decodificação (Encoding-Decoding): Mapear uma célula específica para ruído (abdução), editar os conceitos e decodificar de volta (ação/predição). Isso implementa estritamente o framework de abdução-ação-predição para geração contrafactual.

Principais Contribuições

1. Modificações Arquiteturais: Introdução de conexões de salto no decodificador para condicionamento persistente de conceitos e uma penalidade de covariância cruzada para embeddings desacoplados sem restrições dimensionais.
2. Extensão do Framework: Estendendo os CBGMs para modelos de Flow Matching, permitindo geração de alta fidelidade junto com controle interpretável.
3. Benchmark Sintético: Desenvolvimento de um processo de geração de dados sintéticos baseado em um modelo de Poisson sobredisperso hierárquico que separa o ruído exógeno das condições, fornecendo acesso a contrafatuais de verdade fundamental (ground-truth) para avaliação rigorosa.
4. Validação Empírica: Demonstração de desempenho superior em generalização combinatória e predição contrafactual através de múltiplos conjuntos de dados do mundo real e do benchmark sintético.

Resultados

O artigo avalia o scCBGM em três conjuntos de dados reais (Kang et al., 2017; Cui et al., 2024; Nault et al., 2023) e dados sintéticos.

• Avaliação de Dados Sintéticos: O scCBGM supera os CBGMs padrão em todos os níveis de ruído e cenários. O estudo de ablação confirma que a combinação da arquitetura de gargalo de conceito, perda de covariância cruzada e conexões de salto produz o melhor desempenho.
• Benchmarking de Dados Reais: Usando métricas de proxy de nível populacional (rMMD, rFID, rSD) onde contrafatuais de nível de célula de verdade fundamental não estão disponíveis, o scCBGM e sua variante de Flow Matching (scCBGM-FM) superam consistentemente os baselines de estado da arte (incluindo scGen, CINEMA-OT, biolord e Vanilla-FM) em 5 de 7 experimentos no conjunto de dados Kang e 4 de 7 no conjunto de dados Cui.
• Generalização Zero-Shot: O modelo prevê com sucesso respostas para combinações de tipo celular–estimulação não vistas durante o treinamento (ex: células T CD4 Naive estimuladas), demonstrando forte generalização composicional.
• Resposta de Dose Contínua: No conjunto de dados Nault et al., o scCBGM modela efetivamente respostas de dosagem contínua, prevendo a expressão gênica para dosagens intermediárias de TCDD não presentes no treinamento.
• Estudo de Caso (Melhoria de Resposta a Drogas): Os autores demonstram um caso de uso onde o scCBGM identifica vias principais (TGF$\beta$, PI3K, p53) que medeiam a resposta ao tratamento em células estelares hepáticas. Ao editar in silico para ativar essas vias, o modelo consegue deslocar o fenótipo da população para se assemelhar aos respondedores de alta dosagem, sugerindo uma rota mecanística para superar a resistência celular.

Significância e Alegações

O artigo afirma que o scCBGM aborda o desafio aberto de permitir a edição contrafactual precisa ao nível de células individuais com controle biologicamente interpretável.

• Interpretabilidade e Acionabilidade: Ao contrário dos métodos de interpretabilidade descritiva, o scCBGM permite que pesquisadores intervenham em conceitos biológicos específicos (ex: atividade de via, dosagem de droga) para simular respostas celulares.
• Robustez: A arquitetura é especificamente desenhada para lidar com as anotações de conceitos ruidosas e incompletas típicas de scRNA-seq.
• Design Terapêutico: Ao navegar em espaços combinatórios de respostas celulares que são experimentalmente inviáveis de mapear, o framework visa acelerar o design terapêutico e a geração de hipóteses mecanísticas.

Os autores permanecem modestos quanto às limitações, reconhecendo que contrafatuais verdadeiros de célula específica não podem ser observados em dados reais (exigindo proxies de nível populacional para validação) e que o modelo generaliza para combinações não vistas de conceitos conhecidos, mas não para conceitos inteiramente novos ausentes do treinamento. Eles também observam os riscos éticos associados a modelos generativos de alta fidelidade, como o potencial de fabricar dados biológicos ou gerar leads terapêuticos falsos sem validação experimental rigorosa.