Resumo Técnico: Consultando Contrafatuais em Grafos de Tecidos com Desentranhamento Supervisionado

Definição do Problema

A biologia de célula única visa prever as respostas celulares a perturbações. No entanto, os métodos existentes dependem tipicamente de duas suposições que os tecidos violam: (i) as perturbações atuam como estímulos compartilhados aplicados uniformemente, e (ii) as células são condicionalmente independentes (i.i.d.). Em tecidos vivos, o estado transcricional de uma célula é moldado pelo seu contexto de vizinhança local, que varia de forma única para cada célula.

Os autores formalizam os contrafatuais de grafos de tecidos como uma classe de intervenções espaciais que perguntam: O que uma célula expressaria se o seu contexto de vizinhança fosse alterado enquanto a sua identidade intrínseca permanecesse fixa? Estas intervenções visam dois componentes mutáveis do grafo de tecido:

1. Perturbação de Aresta (Edge Perturbation): Reconfigurar as conexões de vizinhança de uma célula (substituindo vizinhos).
2. Perturbação de Nó (Node Perturbation): Modificar as características de expressão gênica dos vizinhos existentes, preservando a topologia do grafo.

Os métodos atuais carecem de um framework unificado para lidar com estas consultas, tratando frequentemente as células como i.i.d. ou visando tipos específicos de intervenção sem separar a identidade intrínseca da célula da influência microambiental extrínseca.

Metodologia: Cellina

O artigo apresenta o Cellina, um Autoencoder Variacional (VAE) de grafos projetado para tornar os contrafatuais de grafos de tecidos tratáveis através de desentranhamento supervisionado.

Arquitetura do Modelo

O Cellina decompõe a expressão gênica $x$ de uma célula em dois componentes latentes:

• Representação Intrínseca ($z$): Codifica a identidade celular (tipo celular), independente do contexto espacial.
• Representação Extrínseca ($s$): Codifica o efeito do microambiente espacial (vizinhança).

O modelo generativo assume priors normais padrão para $z$ e $s$, com a verossimilhança $p(x|z, s)$ modelada como uma distribuição Binomial Negativa parametrizada por um decodificador $Dec([z; s])$.

Variantes de Inferência

Duas variantes são propostas para codificar a representação espacial $s$:

1. Cellina (Base): Utiliza uma agregação normalizada pelo grau da expressão do vizinho log-normalizada $\phi(v)$, codificada via um MLP.
2. Cellina-GAT: Substitui o agregador fixo por uma Rede de Atenção de Grafo (GATv2) de múltiplas camadas operando no subgrafo local. Esta variante exclui auto-loops para garantir que a própria expressão da célula focal seja capturada exclusivamente por $z$.

Desentranhamento Supervisionado

O fatoramento puramente não supervisionado não é identificável sem vieses indutivos. O Cellina injeta supervisão biológica para ancorar $z$ à identidade do tipo celular e direcionar a variação espacial para $s$:

• Classificador de Tipo Celular ($L_{clf}$): Ancora $z$ a rótulos conhecidos de tipos celulares.
• Discriminador de Domínio Adversário ($L_{adv}$): Uma otimização alternada de dois passos onde um discriminador tenta prever o domínio espacial a partir de $z$. O encoder é treinado para minimizar esta previsão (maximizar a entropia), removendo efetivamente a informação do domínio espacial de $z$ e forçando-a para $s$.
• Perda de Contraste ($L_{spatial}$): Aplicada apenas no Cellina-GAT, esta perda incentiva a similaridade em $s$ para vizinhos espaciais, ao mesmo tempo que separa regiões de domínios distintos, atuando como um viés indutivo biologicamente fundamentado.

O objetivo total de treinamento é:
$$\mathcal{L} = \mathcal{L}_{VAE} + \alpha_{clf} \mathcal{L}_{clf} + \alpha_{spatial} \mathcal{L}_{spatial} - \alpha_{adv} \mathcal{L}_{adv}$$

Simulação de Contrafatual

• Perturbação de Aresta: Os vizinhos de uma célula focal são trocados por células de um domínio alvo (por exemplo, substituindo vizinhos saudáveis por vizinhos de câncer), excluindo o próprio tipo da célula focal para garantir uma avaliação conservadora.
• Perturbação de Nó: A topologia do grafo permanece fixa, mas os vetores de expressão gênica dos vizinhos são modificados por uma transformação específica de gene (por exemplo, escalonamento multiplicativo baseado em log-fold changes entre domínios).

Principais Contribuições

1. Formalização: Os autores definem os contrafatuais de grafos de tecidos como uma classe unificada de intervenções espaciais que abrangem tanto perturbações de aresta (topologia) quanto de nó (características).
2. Framework Cellina: Eles introduzem um VAE de grafo de duplo encoder com desentranhamento supervisionado que separa a identidade intrínseca do contexto espacial.
3. Desempenho: O Cellina supera os baselines espacialmente informados e não espaciais (incluindo scGen, CPA, MintFlow e SpatialProp) em termos de predição contrafatual, desentranhamento e escalabilidade em datasets contendo mais de 2,5 milhões de células.
4. Descoberta Biológica: O framework permite a identificação não supervisionada de subdomínios de câncer biologicamente distintos e facilita simulações de perturbação de vizinhança específicas de vias direcionadas.

Resultados Experimentais

O modelo foi avaliado em dois datasets de transcriptômica espacial de larga escala:

1. Câncer Colorretal (CRC): ~2,4 milhões de células em seis lâminas. A tarefa consistiu em prever a expressão de células de cólon saudáveis (REF) se colocadas em uma região tumoral (CRC).

   • Resultados: As variantes do Cellina superaram significativamente todos os baselines. O Cellina Base melhorou a correlação de Pearson em +0,14 e a Precisão Assinada em +0,17 sobre o baseline não-Cellina mais forte. O Cellina-GAT alcançou a maior pontuação de Pearson (0,85) e o menor RMSE (1,14).
   • Ablação: Mesmo a variante "Cellina (ablatada)" (sem supervisão) superou os baselines não espaciais, mas o desentranhamento supervisionado proporcionou ganhos adicionais (+0,12 de Pearson), confirmando a eficácia da estratégia de separação.

2. Cérebro de Camundongo Inteiro: ~146K células em três lâminas (MERFISH). A tarefa envolveu a transferência de predições entre domínios espaciais (Tálamo para Isocórtex/Tratos de fibras).

   • Resultados: As variantes do Cellina lideraram novamente em três de quatro métricas, demonstrando generalização através de tecidos e espécies.

Insights Biológicos

• Descoberta de Subdomínios: O agrupamento (clustering) da representação espacial latente $s$ revelou subdomínios de CRC (CRC1 e CRC2) distintos com perfis de sinalização diferentes (dominante em TGF$\beta$ vs. dominante em NF$\kappa$B/MAPK) sem supervisão direta.
• Perturbação de Via: A simulação de perturbações de nó usando pesos de via PROGENy recuou com sucesso as respostas biológicas destes subdomínios, identificando genes chave (ex: FN1, MMP3) consistentes com programas de fibroblastos conhecidos.

Significância e Alegações

O artigo afirma que o Cellina fornece um framework principiado para estudar respostas celulares impulsionadas pela vizinhança, indo além da suposição de células independentes. Ao desentranar explicitamente o estado intrínseco da influência extrínseca, o modelo permite:

• Predição Contextual: Prever o comportamento celular não isoladamente, mas dentro de contextos espaciais específicos.
• Redução do Espaço de Busca Experimental: Gerar respostas celulares "virtuais" a vizinhanças alteradas para guiar a validação em laboratório (wet-lab).
• Escalabilidade: O modelo base Cellina escala eficientemente (tempo de treinamento comparável ao scVI não espacial) ao desacoplar a construção da vizinhança do treinamento, ao contrário de competidores baseados em atenção de grafo que exigem passagem de mensagens dispendiosa.

Os autores observam que, embora os contrafatuais sejam atualmente hipóteses generativas que requerem validação experimental, a interpretação operacional destas simulações oferece um caminho promissor para consultar respostas celulares virtuais em ambientes de tecidos complexos. Eles reconhecem limitações quanto à dependência de anotações de tipo celular e domínio pré-definidos e o potencial para erros de segmentação em dados espaciais, sugerindo que trabalhos futuros poderiam integrar sinais de imagem bruta para reduzir o ruído destes inputs.