GRAFT: Biological Graph and Hypergraph Benchmarks for Linked Gene Expression and Phenotypic Trait Prediction in Arabidopsis thaliana

Resumo Técnico de GRAFT: Benchmarks de Grafos e Hipergrafos Biológicos

Definição do Problema
O desafio central na biologia moderna é mapear a relação entre o genoma de um organismo (genótipo) e suas características observáveis (fenótipo), conhecido como o problema Genoma-para-Fenoma (G2P). Embora tecnologias de alto rendimento tenham gerado vastas quantidades de dados multiômicos, os conjuntos de dados e repositórios atuais estão mal equipados para a análise G2P. Os recursos existentes tipicamente isolam os tipos de dados: alguns contêm apenas fenótipos derivados de imagens, outros apenas perfis de expressão gênica, e muito poucos vinculam dados genômicos e fenômicos do mesmo espécime individual. Além disso, a maioria dos benchmarks existentes foca em traços específicos e homogêneos, falhando em capturar a natureza heterogênea dos dados biológicos (por exemplo, combinando medições morfológicas, de desenvolvimento e fisiológicas). Essa falta de dados de benchmarking integrados e multimodais dificulta o desenvolvimento de ferramentas computacionais capazes de raciocinar sobre dados biológicos estruturados e de alta dimensão para identificar quais genes controlam quais traços.

Metodologia
Para abordar essas lacunas, os autores introduzem o GRAFT (Gene-Graph Regression for Arabidopsis Functional Traits), um conjunto de dados curado e uma estrutura de benchmarking multimodal.

• Construção do Conjunto de Dados: O GRAFT vincula perfis de expressão gênica de genoma completo com medições de traços fenotípicos heterogêneos para os mesmos espécimes de Arabidopsis thaliana.

  • Genômica: Dados de sequenciamento de RNA (RNA-seq) para 34.123 transcritos de 24 plantas individuais (6 por linhagem, em 4 linhagens geneticamente distintas).
  • Fenômica: 41 parâmetros fenotípicos medidos em 77 plantas, com 23 espécimes possuindo dados pareados completos. O benchmark foca em cinco traços que representam diferentes modalidades: Área Foliar (derivada de imagem), Altura da Inflorescência (manual) e três métricas fotossintéticas/fisiológicas (FvP/FmP, qL, Diferencial de Temperatura Foliar) coletadas via espectrometria.
  • Anotações: O conjunto de dados inclui ricas anotações gênicas (UIDs, símbolos, descrições) e termos de Gene Ontology (GO). Crucialmente, os termos GO são codificados como hiperarestas, onde cada hiperaresta conecta um conjunto de genes que participam de uma função biológica específica, formando uma estrutura de hipergrafo.

• Abordagem de Modelagem: O artigo avalia modelos de regressão sob um objetivo de múltiplas saídas ($f: \mathbb{R}^G \to \mathbb{R}^T$) para prever traços a partir da expressão gênica.

  • Pré-processamento: Um filtro de dois estágios para genes (variância e correlação de Spearman) reduz a dimensionalidade para os 1.024 genes principais para evitar vazamento de dados (data leakage).
  • Baselines: O estudo compara três classes de modelos:
    1. MLP: Redes neurais densas feed-forward.
    2. Redes Neurais de Grafos (GCNs): Utilizando uma Matriz de Sobreposição Topológica (TOM) baseada em WGCNA para definir arestas de coexpressão gênica pareadas.
    3. Redes Neurais de Hipergrafos (HGNNs): Utilizando as anotações de termos GO para definir hiperarestas, capturando relações n-árias entre genes envolvidos em processos biológicos compartilhados.
  • Explicabilidade: A estrutura utiliza SHAP (GradientSHAP) para importância de características e explicadores de grafos (ex: GNNExplainer) para extração de subgrafos.

• Métricas de Avaliação:

  • Acurácia Preditiva: Medida via Erro Quadrático Médio (rMSE) usando validação cruzada K-fold estratificada.
  • Recall de Explicação Biológica (BER): Uma métrica inovadora que avalia se os top-$k$ genes identificados pela explicação de um modelo recuperam termos GO conhecidos e relevantes para o traço (via teste de enriquecimento hipergeométrico).
  • Sobreposição de DEG: Significância estatística ($-\log_{10}$ p-valor) da sobreposição entre os genes explicados pelo modelo e listas de Genes Diferencialmente Expressos (DEG) derivadas independentemente.

Resultados Principais

• Desempenho Preditivo: As HGNNs superaram consistentemente tanto as MLPs quanto as GCNs em todos os cinco traços e configurações de validação cruzada. Por exemplo, a HGNN com UniGAT alcançou o menor rMSE para Área Foliar (0,961) e Altura da Inflorescência (0,999), comparado às MLPs (1,058, 1,051) e GCNs (1,197, 1,338).
• Fidelidade Explicativa:
  • Pontuações de BER: As HGNNs demonstraram um Recall de Explicação Biológica significativamente maior do que as GCNs e MLPs. Para traços fotossintéticos, o BER aumentou monotonicamente com $k$ para as HGNNs, enquanto as GCNs atingiram BER próximo de zero em valores baixos de $k$, sugerindo que suas explicações eram biologicamente difusas.
  • Sobreposição de DEG: As HGNNs (especificamente a HConv) mostraram uma sobreposição fortemente significativa com listas de DEG independentes (p-valores variando de 5,4 a 28,4), enquanto GCNs e MLPs mostraram sobreposição baixa ou não significativa.
• Interpretação: Os resultados indicam que, embora a regressão densa (MLP) e as estruturas de grafo pareadas (GCN) possam alcançar uma acurácia preditiva moderada, elas falham em produzir explicações alinhadas com a biologia conhecida. O prior estrutural fornecido pelos hipergrafos (agrupamentos de termos GO) é crítico para gerar conjuntos de genes biologicamente interpretáveis.

Significância e Alegações
Os autores afirmam que o GRAFT é o primeiro conjunto de dados a fornecer informações gênicas multimodais vinculadas e dados fenotípicos heterogêneos para os mesmos espécimes de Arabidopsis thaliana. Sua principal significância reside em:

1. Preencher a Lacuna de Dados: Ele aborda a falta crítica de recursos de benchmarking que combinam perfis genômicos e fenômicos do mesmo indivíduo, permitindo a modelagem direta de genótipo-para-fenótipo.
2. Validar Priores Estruturais: O trabalho demonstra que incorporar o conhecimento biológico (via hipergrafos) diretamente na arquitetura do modelo gera ganhos de interpretabilidade que abordagens puramente orientadas a dados não conseguem replicar com este tamanho de amostra.
3. Facilitar a Pesquisa G2P: Ao fornecer um conjunto de dados público, tarefas de benchmarking e uma estrutura explicativa, o GRAFT visa reduzir a barreira para as comunidades de aprendizado de máquina e biologia para enfrentar o desafio G2P, auxiliando especificamente na identificação de genes importantes para o melhoramento de plantas e predição de traços.

Limitações
Os autores reconhecem que o pequeno tamanho da amostra (24 espécimes vinculados) limita o desempenho absoluto da regressão e o poder estatístico. Além disso, o conjunto de dados é específico para Arabidopsis thaliana, e a transferibilidade desses modelos para culturas ou outras espécies permanece uma questão aberta. Finalmente, a métrica BER é limitada pela completude e pelo estado atual das anotações da Gene Ontology.