SNR-ST-Mix: Sample-specific Neighborhood Regression Mixup for Augmented Spatial Transcriptomics Imputation with Deep Neural Network

Resumo Técnico: SNR-ST-Mix

Definição do Problema
A transcriptômica espacial (ST) permite o perfil de expressão gênica dentro do contexto tecidual, mas é frequentemente limitada por dados ruidosos, de baixa resolução e amostrados de forma esparsa. Embora redes neurais profundas (DNNs) tenham emergido como ferramentas poderosas para imputar a expressão gênica a partir de imagens histológicas, seu desempenho é limitado por pequenos tamanhos de amostra e pela falta de aumento de dados biologicamente informado. Estratégias de aumento existentes, como Mixup e CutMix, são projetadas primariamente para tarefas de classificação. Quando aplicadas a tarefas de regressão, como a predição de expressão gênica, esses métodos geram interpolações biologicamente implausíveis ao misturar amostras aleatórias. Isso negligencia as relações espaciais e transcriptômicas inerentes aos dados de ST, levando a descontinuidades espaciais artificiais que prejudicam o desempenho da predição e a generalização, particularmente em regimes de treinamento específicos de amostras, onde a escassez de dados é aguda.

Metodologia
Os autores propõem o SNR-ST-Mix (Sample-specific Neighborhood Regression Mixup), um framework de aumento de dados consciente da geometria e da expressão, adaptado para a regressão de ST. O método opera sob a premissa de que regiões teciduais vizinhas exibem gradientes morfológicos e de expressão correlacionados. O framework consiste em dois mecanismos de condicionamento primários:

1. Seleção de Vizinhança Espacial: Em vez de mistura aleatória, o SNR-ST-Mix restringe a seleção de parceiros de mistura aos $k$-vizinhos mais próximos espaciais (KNN) de um ponto âncora, baseando-se na distância euclidiana no espaço de coordenadas. Isso preserva o contexto anatômico local e garante que os pares misturados exibam uma discrepância de alvo limitada, aderindo a um prior de Lipschitz onde a expressão varia suavemente através do tecido.
2. Ponderação de Similaridade de Expressão: Dentro da vizinhança espacial selecionada, a probabilidade de mistura com um vizinho específico é adaptativamente ponderada por um kernel gaussiano baseado na distância entre seus perfis de expressão gênica. Isso garante que as amostras aumentadas sejam derivadas de regiões transcricionalmente similares, evitando a interpolação entre compartimentos teciduais dissimilares ou heterogêneos.

O processo de mistura gera combinações convexas tanto de patches de histologia de entrada ($x_{mix}$) quanto de vetores de expressão gênica alvo ($y_{mix}$) usando uma razão de mistura $\lambda \sim Beta(\alpha, \alpha)$.

Para reforçar ainda mais a consistência biológica, o objetivo de treinamento incorpora uma função de perda composta:

• Risco Vicinal ($L_{vic}$): Erro Quadrático Médio (MSE) padrão em pares misturados.
• Consistência de Mixup ($L_{cons}$): Uma penalidade garantindo que a predição do modelo em um input misturado corresponda à mistura linear das predições nos endpoints originais, controlando a curvatura desnecessária ao longo do manifold de tecido.
• Perda de Borda ($L_{edge}$): Alinha as diferenças de expressão preditas com as diferenças de expressão reais através de bordas espaciais, ponderadas pelas probabilidades de amostragem. Isso evita o suavizamento excessivo (oversmoothing) em fronteiras biológicas genuínas, enquanto promove a suavidade onde os alvos são similares.
• Perda de Correlação ($L_{corr}$): Um prior suave que direciona a otimização para uma maior correlação de Pearson sem desestabilizar o ajuste do MSE.

O método é agnóstico à arquitetura, integrando-se perfeitamente com backbones existentes (ex: Vision Transformers) sem exigir módulos de rede adicionais ou sobrecarga computacional significativa.

Principais Contribuições

1. Primeiro Mixup Baseado em Regressão para ST: O SNR-ST-Mix é introduzido como o primeiro framework de mixup especificamente projetado para regressão de transcriptômica espacial, impondo tanto localidade espacial quanto similaridade de expressão para gerar aumentos biologicamente significativos.
2. Ponte entre Paradigmas: O método une os paradigmas de treinamento externo e de amostra específica, aumentando a robustez à escassez de dados enquanto mantém uma forte generalização de distribuição interna (in-distribution). Ele mitiga o overfitting e reduz a dependência de grandes conjuntos de dados externos.
3. Eficiência e Integração: A abordagem não requer complexidade de rede adicional e é facilmente integrável em pipelines padrão. Demonstra alta adaptabilidade através de diversos tipos de tecidos e condições experimentais.

Resultados Experimentais
Os autores avaliaram o SNR-ST-Mix em conjuntos de dados 10x Genomics Visium cobrindo câncer de mama, câncer de cólon, coração saudável, câncer de ovário e câncer de próstata.

• Desempenho: Em oito conjuntos de dados, o SNR-ST-Mix alcançou consistentemente o menor Erro Quadrático Médio (MSE) e Erro Absoluto Médio (MAE), e o maior Coeficiente de Correlação de Pearson (PCC) em comparação com os baselines (sem aumento, aumento geométrico básico, vanilla Mixup e CutMix). Por exemplo, no conjunto de dados de câncer de mama TENX13, o SNR-ST-Mix reduziu o MSE de 0.2074 (baseline) para 0.1886 e melhorou o PCC para 0.4748.
• Qualidade Visual: A análise qualitativa de mapas de expressão espacial (ex: genes ISG15, MT-ND3) mostrou que o SNR-ST-Mix produziu fronteiras espaciais mais nítidas e intensidades regionais mais coerentes em comparação com outros métodos, recuperando efetivamente regiões de alta expressão enquanto suprime o ruído.
• Estudos de Ablação: Experimentos confirmaram que tanto a restrição espacial KNN quanto a ponderação de similaridade de label são essenciais e complementares. A combinação de ambas as restrições resultou em melhorias sinérgicas sobre o uso de apenas uma delas. Além disso, mostrou-se que a função de perda composta proposta (perdas de consistência, borda e correlação) aumenta ainda mais o desempenho ao fornecer regularização eficaz.
• Robustez: A análise de sensibilidade de hiperparâmetros indicou que o método é robusto a variações no número de vizinhos ($K$) e no parâmetro de largura de banda ($\sigma$), mantendo um desempenho estável através de uma ampla gama de configurações.

Significância e Alegações
O artigo afirma que o SNR-ST-Mix fornece uma estratégia de aumento eficaz e biologicamente fundamentada para a regressão de transcriptômica espacial. Ao alavancar explicitamente a geometria espacial e a similaridade transcriptômica, o método expande o manifold de treinamento efetivo e melhora o desempenho preditivo sem aumentar a complexidade do modelo. Os autores enfatizam que sua abordagem aborda a limitação fundamental dos métodos de aumento existentes que falham em respeitar a estrutura espacial única dos dados de ST. Eles postulam que o SNR-ST-Mix oferece uma solução prática para melhorar a eficiência de dados e a estabilidade da predição, particularmente em cenários de treinamento de amostra específica, onde a disponibilidade de dados é limitada. O trabalho sugere que o aumento biologicamente informado é crítico para avançar a análise de transcriptômica espacial, especialmente conforme as tecnologias avançam para resoluções mais altas.