Resumo Técnico: scGTN - Deep Siamese Graph Transformer Network para Agrupamento de Sequenciamento de RNA de Célula Única

1. Definição do Problema

O sequenciamento de RNA de célula única (scRNA-seq) é uma tecnologia fundamental para o perfil de expressão gênica ao nível celular, permitindo a identificação de tipos celulares e a compreensão da heterogeneidade celular. Uma tarefa central neste domínio é o agrupamento de células (clustering), que organiza as células em grupos biologicamente significativos com base em padrões de expressão.

Apesar do progresso, os métodos existentes enfrentam dois desafios primários:

1. Esparsidade e Ruído: Os dados de scRNA-seq sofrem com extensos efeitos de dropout e ruído de medição, resultando em matrizes esparsas e de alta dimensão. Isso complica a construção confiável de relações celulares, frequentemente levando a grafos que são altamente esparsos e ruidosos.
2. Exploração Estrutural Limitada: As abordagens atuais de Redes Neurais de Grafos (GNN) focam principalmente na agregação de vizinhança local. Elas frequentemente negligenciam pistas estruturais mais ricas incorporadas no grafo celular, como caminhos mais curtos (shortest paths) e distâncias entre nós. Consequentemente, falham em utilizar plenamente a informação inerente ao grafo, levando a similaridades celulares que são altamente homogêneas e difíceis de distinguir.

2. Metodologia: Estrutura scGTN

Os autores propõem o scGTN (Deep Siamese Graph Transformer Network), uma estrutura que integra explicitamente perfis de expressão gênica e dependências estruturais intercelulares. A arquitetura consiste em três módulos principais:

2.1 Módulo de Dupla Aumentação

Para mitigar a esparsidade e o ruído, o método gera duas visões complementares dos dados:

• Perturbação da Expressão Gênica: Ruído Gaussiano é adicionado aos perfis de expressão gênica ($X$) para simular a variabilidade natural. Isso é formulado como $\tilde{X} = \{x_i \odot m\}$, onde $m$ é uma máscara aleatória de uma distribuição Gaussiana.
• Aumentação da Estrutura de Grafo Intercelular: Duas visões distintas de grafo são construídas a partir do grafo inicial de $k$-vizinhos mais próximos (kNN):
  • Visão 1 (Refinamento): Arestas espúrias são removidas com base na similaridade de cosseno pareada para preservar conexões biologicamente relevantes.
  • Visão 2 (Difusão): A difusão de grafo é aplicada para propagar informações através do grafo, fortalecendo conexões significativas.

2.2 Fusão por Siamese Graph Transformer Network

Uma arquitetura siamesa com codificadores de compartilhamento de peso processa as duas visões aumentadas. Diferente das GNNs padrão, este módulo incorpora explicitamente informações estruturais:

• Embedding de Expressão Gênica: Um codificador de grafo siamês processa as matrizes de genes perturbadas ($\tilde{X}$) e as matrizes de adjacência ($\tilde{A}$) para produzir embeddings iniciais.
• Embedding Estrutural Explícito: Para capturar relações complexas, o modelo integra:
  • Embeddings de Posição: Baseados na intimidade dos vizinhos em relação ao nó central.
  • Embeddings de Caminho Mais Curto: Modelando explicitamente a estrutura de conexão entre os nós.
• Refinamento por Transformer: Estes embeddings (Gene + Posição + Caminho Mais Curto) são fundidos e processados através de um mecanismo de autoatenção de múltiplas cabeças com redes feed-forward (FFN) e conexões residuais.
• Perda de Correlação: Uma perda específica ($L_{cor}$) é introduzida para evitar o colapso de características e a redundância entre as duas visões, maximizando a correlação dos elementos da diagonal e minimizando as correlações fora da diagonal.

2.3 Agrupamento por Transporte Ótimo

A tarefa de agrupamento é formulada como um problema de alinhamento de distribuição usando uma estratégia de aprendizado autossupervisionado:

• Atribuição de Cluster: A similaridade entre os embeddings das células e os centros dos clusters é modelada usando uma distribuição t de Student.
• Distribuição Alvo: As probabilidades de atribuição são aguçadas para criar uma distribuição alvo.
• Transporte Ótimo: Uma estratégia de transporte ótimo alinha a distribuição de cluster prevista com as proporções de mistura para garantir um agrupamento robusto e evitar soluções degeneradas (ex: todas as células mapeadas para um único rótulo). Isso é otimizado usando o método da distância de Sinkhorn com uma restrição de entropia.

2.4 Otimização Geral

A função objetivo final combina quatro componentes:
$$L = L_{clu} + \alpha L_{cor} + \beta L_{rec} + \gamma L_{ZINB}$$
Onde $L_{clu}$ é a perda de agrupamento, $L_{cor}$ é a perda de correlação, $L_{rec}$ é a perda de reconstrução (MSE) para preservar a estrutura do grafo, e $L_{ZINB}$ é a perda Binomial Negativa de Inflação de Zero para modelar a esparsidade e a sobredispersão dos dados.

3. Principais Contribuições

O artigo delineia três contribuições primárias:

1. Nova Perspectiva: O estudo aborda o agrupamento de scRNA-seq considerando conjuntamente os perfis de expressão gênica e as estruturas de grafo celular, explorando informações intercelulares complementares além das simples similaridades de nível de característica.
2. Metodologia Inovadora: A introdução do scGTN, uma estrutura que utiliza uma Siamese Graph Transformer Network. Esta incorpora explicitamente informações estruturais mais ricas, especificamente caminhos mais curtos e distâncias entre nós, para aprender representações celulares discriminativas.
3. Experimentos Extensos: Avaliação abrangente em múltiplos conjuntos de dados de referência demonstra o desempenho superior da estrutura em comparação com métodos existentes.

de Resultados Experimentais

Os autores avaliaram o scGTN em sete conjuntos de dados de referência públicos (cobrindo células de pâncreas, fígado e imunológicas de humanos e camundongos) contra dez modelos de base, incluindo métodos tradicionais (k-means, hierárquico), métodos de aprendizado profundo (DEC, scDeepCluster) e métodos baseados em grafos (scGNN, scDSC).

• Desempenho Quantitativo: O scGTN alcançou o melhor desempenho em todas as três métricas (Acurácia, NMI e ARI) nos sete conjuntos de dados. Em média, superou o segundo melhor método em 3,00% em ACC, 2,42% em NMI e 2,30% em ARI.
• Visualização: Visualizações UMAP no conjunto de dados de Fígado Humano mostraram que o scGTN produziu clusters altamente compactos com fronteiras claras, enquanto os métodos de base exibiram mistura de subtipos ou distribuições difusas.
• Validação Biológica:
  • Expressão Gênica Diferencial (DEG): Os clusters gerados pelo scGTN mostraram alta sobreposição (>90%) com os tipos celulares reais baseados nos top-100 DEGs. Os top-5 genes marcadores identificados pelo scGTN (ex: PPY para células PP pancreáticas) coincidiram precisamente com os rankings do padrão ouro.
  • Enriquecimento de Vias KEGG: O método identificou com sucesso subpopulações funcionais distintas, como vias de "Secreção de insulina" para células $\beta$ e vias de "Ribossomo" para células acinares, confirmando a interpretabilidade biológica.

5. Significância e Alegações

O artigo afirma que o scGTN aborda as limitações críticas dos métodos atuais ao ir além da agregação de vizinhança local para capturar dependências estruturais globais. Ao integrar explicitamente informações de caminho mais curto e distâncias entre nós via uma Siamese Graph Transformer, o modelo aprende embeddings mais discriminativos e robustos. Os autores asseguram que esta abordagem lida efetivamente com a esparsidade e o ruído inerentes aos dados de scRNA-seq, fornecendo uma ferramenta mais precisa para identificação de tipos celulares e interpretação biológica em comparação com as estruturas de agrupamento baseadas em grafos e aprendizado profundo existentes.