SVC-Probe: A Framework for Evaluating Perturbation Generalization in Spatial Foundation-Model Embeddings

Resumo Técnico: SVC-Probe: Um Framework para Avaliar a Generalização de Perturbação em Embeddings de Modelos de Fundação Espaciais

Definição do Problema
Embora os modelos de fundação espaciais tenham avançado na aquisição de representações concisas da organização proteica a partir de dados de microscopia em larga escala, sua avaliação permanece limitada. Os benchmarks atuais avaliam predominantemente a localização basal, a recuperação ou a capacidade de discriminar entre condições experimentais observadas. No entanto, existe uma lacuna crítica na avaliação de se essas representações aprendidas capturam estruturas mecanísticas que persistem sob intervenção. Especificamente, não está claro se os embeddings espaciais podem prever respostas a perturbações fora da amostra (out-of-sample) ou recuperar padrões de reorganização induzidos por drogas que se transferem entre diferentes agentes químicos. Na proteômica espacial, esse requisito é rigoroso, pois os efeitos do tratamento envolvem não apenas o deslocamento de proteínas, mas também a remodelação subcelular coordenada e a reorganização de vizinhança.

Metodologia: O Framework SVC-Probe
Os autores introduzem o SVC-Probe, um framework de diagnóstico projetado para avaliar a generalização de perturbação em embeddings de modelos de fundação espaciais. O framework integra três módulos complementares aplicados ao atlas de perturbação química CM4AI MDA-MB-468 (462 rótulos de anticorpos, condições controle, paclitaxel e vorinostat) utilizando embeddings SubCell de 1536 dimensões:

1. Estabilidade de Atlas de Embedding Subcelular (SEAS): Este módulo quantifica a estabilidade dos embeddings de proteínas individuais sob perturbação. Ele computa um escore de estabilidade $S(P) \in (0, 1]$ baseado no desvio do centroide geodésico e na razão de dispersão das nuvens de embeddings por célula. As proteínas são categorizadas como estáveis, plásticas ou de nível intermediário com base em intervalos de confiança de bootstrap.
2. Grafos de Vizinhança Mondrian (MNG): Este módulo analisa a reorganização das vizinhanças de co-localização local. Ele constrói uma matriz de similaridade de cosseno rótulo a rótulo para identificar vizinhos mútuos do top-$k$ e calcula uma métrica de rotatividade (turnover) $R(P)$, representando a fração de vizinhos perdidos ou ganhos sob tratamento. A detecção de comunidades de Leiden é usada para delinear subsistemas funcionais, visualizados como layouts de estilo Mondrian.
3. Sonda de Perturbação de Modelo de Fundação (FMP): Este módulo testa a capacidade preditiva do espaço latente. Um cabeçalho de regressão é treinado para prever o centroide da condição da droga $\hat{\mu}(P,c)$ usando o centroide do controle $\mu(P,ctrl)$ e um token de perturbação aprendido. O framework emprega uma estratégia de avaliação Leave-One-Drug-Out (LODO) para avaliar a transferibilidade entre drogas, distinguindo o ajuste in-domain da generalização genuína. Também utiliza uma abordagem de "calibração nula", comparando o acoplamento real da droga contra divisões de controle-versus-controle para isolar sinais específicos da droga da geometria genérica do embedding.

Resultos Principais

• Classificação vs. Generalização: Embora os embeddings SubCell tenham alcançado alta acurácia (98,6%) na distinção entre as três condições de droga observadas, esse desempenho não se traduziu em generalização de perturbação. No cenário LODO, a similaridade de cosseno da sonda de perturbação aprendida caiu drasticamente de 0,944 (in-domain) para 0,30, indicando uma falha em transferir as estruturas de perturbação aprendidas para drogas não observadas. Em contraste, baselines simples (identidade e deslocamento global) permaneceram estáveis, sugerindo que o modelo aprendido captura artefatos específicos da droga em vez de mecanismos transferíveis.
• Calibração Nula: A correlação bruta entre os resíduos do FMP e a rotatividade de vizinhança foi encontrada como sendo impulsionada amplamente pela estrutura genérica do embedding ($\rho \approx 0,21$ em divisões nulas). Após a calibração nula, um sinal específico da droga emergiu para o vorinostat ($\rho = -0,186$), consistente com a reorganização relacionada à cromatina, enquanto nenhum padrão consistente foi observado para o paclitaxel, provavelmente devido à cobertura esparsa de proteínas associadas a microtúbulos no painel.
• Estabilidade e Reconfiguração: Em um subset de calibração de 33 rótulos, o SEAS identificou corretamente modificadores de cromatina como "plásticos" sob vorinostat, enquanto controles estruturais permaneceram estáveis. Além disso, a análise de correlação de Spearman parcial confirmou que a rotatividade de vizinhança fornece informações sobre o eixo de reconfiguração (rewiring) distinto do desvio bruto do centroide.

Significância e Alegações
O artigo afirma que o SVC-Probe serve como um fluxo de trabalho de diagnóstico reutilizável para testar o estresse de representações de células virtuais espaciais. A principal significância reside em demonstrar que uma forte discriminação de condição não implica generalização de perturbação. Os autores argumentam que a generalização de perturbação deve servir como um benchmark mais rigoroso e informativo do que a discriminação de condição basal.

O framework destaca que, embora os modelos de fundação espaciais atuais possam separar efetivamente estados observados, eles podem falhar em preservar a estrutura biologicamente informativa sob intervenção. Os resultados sugerem que uma análise consciente de perturbação é necessária para validar se os embeddings capturam eixos mecanísticos (como o eixo da cromatina sob inibição de HDAC) em vez de artefatos geométricos genéricos. Os autores posicionam esses achados como geradores de hipóteses, observando que os sinais observados requerem validação adicional através de classes de drogas e linhagens celulares mais amplas.