Explainable AI for Cancer Drug Response Prediction: Beyond Univariate Feature Attributions

Resumo Técnico: IA Explicável para Predição de Resposta a Drogas contra o Câncer: Além das Atribuições de Atributos Univariados

Definição do Problema
A predição da resposta a drogas contra o câncer a partir de perfis transcriptômicos é um componente crítico da oncologia de precisão. Embora modelos de aprendizado de máquina tenham alcançado um forte desempenho preditivo na modelagem de dependências não lineares e de alta dimensão entre perfis moleculares tumorais e a resposta a drogas, sua utilidade científica é frequentemente limitada pela falta de interpretabilidade. As abordagens atuais de IA Explicável (XAI) neste domínio baseiam-se predominantemente em métodos de atribuição de atributos univariados, como o SHAP. Esses métodos sofrem de duas limitações primárias:

1. Robustez e Escalabilidade: As explicações baseadas em SHAP exibem robustez limitada e têm dificuldade em escalar de forma eficaz para dados transcriptômicos de alta dimensão (milhares de genes).
2. Oversimplificação Biológica: Métodos univariados avaliam os genes de forma independente, falhando em capturar a atividade coordenada de múltiplos genes e vias que impulsionam a sensibilidade e a resistência celular. Consequentemente, mecanismos biológicos de ordem superior e interações gene-gene permanecem ocultos.

Metodologia
Os autores propõem o ILLUME+, um framework de explicabilidade post-hoc escalável projetado para superar as limitações dos métodos existentes e ir além das avaliações de genes individuais. A metodologia é estruturada como um pipeline de ponta a ponta totalmente orientado a dados:

1. Pré-processamento e Discretização de Dados: Dados contínuos de resposta a drogas (ex: $IC_{50}$) são discretizados em três classes ordenadas (sensível, intermediário, resistente) usando o agrupamento por tercis nos dados de treinamento para facilitar a extração de regras de decisão interpretáveis.
2. Seleção de Atributos: Uma abordagem totalmente orientada a dados usando o algoritmo Boruta identifica um subconjunto informativo de genes relevantes para cada droga sem impor limiares arbitrários ou vieses definidos pelo usuário.
3. Predição Black-Box: Um conjunto de gradiente de árvores de decisão (gradient-boosting ensemble) é treinado sobre os atributos selecionados para modelar as relações não lineares entre a expressão gênica e a sensibilidade à droga.
4. Framework ILLUME+:
   • Arquitetura Escalável: O ILLUME+ estende o meta-explicador ILLUME ao abordar gargalos computacionais em configurações de alta dimensão. Ele emprega uma hiperrede de baixo posto de 1 camada para comprimir os pesos da função de mapeamento $W(x)$, reduzindo a contagem de parâmetros de $O(v \times m^2)$ para $O(v \times m \times r)$ (onde $r \ll m$).
   • Regularização Eficiente: Substitui a penalidade de Jacobiano total, computacionalmente cara, por um estimador estocástico baseado em produtos de vetor-Jacobiano eficiente, impondo linearidade local sem a construção explícita do Jacobiano.
   • Geração de Explicação: O framework aprende uma representação latente localmente linear do modelo black-box. A partir deste espaço, ele decodifica múltiplos objetos explicativos:
     • Atribuições Univariadas: Pontuações de importância de genes derivadas de modelos substitutos (surrogate models, como regressão logística ou árvores de decisão).
     • Regras de Decisão: Regras fáticas e contrafatuais que capturam padrões de expressão conjunta (ex: "se Gene A > $c$ E Gene B < $d$, então Sensível").
     • Interações Gene-Gene: Interações pareadas são identificadas através da análise da coocorrência de genes dentro das regras de decisão usando a medida de lift. Essas interações são visualizadas como um grafo de interação gene-gene ponderado.

Principais Contribuições

• ILLUME+: Uma extensão escalável do framework ILLUME capaz de extrair explicações robustas e estruturadas de dados transcriptômicos de alta dimensão, abordando as limitações de escalabilidade dos métodos de XAI post-hoc existentes.
• Pipeline End-to-End: Um pipeline inovador que vai além das atribuições de atributos univariados para recuperar explicações que capturam mecanismos gene-gene subjacentes à sensibilidade e resistência a drogas.
• Geração de Hipóteses: Uma demonstração de que o método pode confirmar associações biológicas conhecidas e revelar novas interações gênicas para gerar hipóteses testáveis sem depender de priors biológicos pré-definidos.

Resultos
Os autores avaliaram o ILLUME+ contra os modelos de referência (SHAP e LIME) usando 20 conjuntos de dados de drogas derivados dos recursos GDSC e CCLE.

• Desempenho de Atribuição Univariada:

  • Recuperação de Alvos: O ILLUME+ rankeia alvos de drogas putativos entre os principais genes de forma mais eficaz do que o SHAP e o LIME, conforme medido por NDCG@k.
  • Enriquecimento de Vias: O ILLUME+ prioriza genes relacionados ao Mecanismo de Ação (MoA) de forma mais eficaz que o SHAP (estatisticamente significativo) e produz resultados comparáveis ao LIME.
  • Robustez: O ILLUME+ demonstra significativamente maior robustez (medida pela similaridade de cosseno dos vetores de importância em vizinhanças locais) em comparação com o SHAP e o LIME em todos os tamanhos de vizinhança.

• Análise de Interação Gene-Gene:

  • Sobreposição de Vias: Os pares de genes de topo classificados pelo ILLUME+ exibem uma sobreposição de vias (proximidade funcional) significativamente maior do que os pares de classificação inferior. Essa separação é consistente em todas as drogas, enquanto o ranking de interação baseado em SHAP mostrou significância para apenas 4 de cada 20 drogas.
  • Coerência Biológica: Em estudos de caso específicos (ex: Venetoclax), o método identificou padrões de interação distintos: células sensíveis mostraram interações relacionadas à resposta imune e quimiotaxia de neutrófilos, enquanto células resistentes mostraram interações relacionadas à angiogênese e adesão celular.
  • Centralidade de Rede: Alvos de drogas putativos foram encontrados ocupando posições centrais nos grafos de interação (ex: alta força para alvos de remodelamento de cromatina em linhagens sensíveis; alta betweenness para alvos de sinalização como EGFR em linhagens sensíveis), consistentes com seus papéis biológicos.
  • Extração de Regras: O framework extraiu regras de decisão concisas e interpretáveis envolvendo genes prognósticos conhecidos e vias relacionadas ao MoA, bem como combinações inéditas que sugerem novas hipóteses (ex: combinações específicas de genes para resistência a Erlotinib).

Significância e Alegações
O artigo afirma que o ILLUME+ desloca o paradigma da modelagem de resposta a drogas de exercícios puramente focados em desempenho para ferramentas de geração de hipóteses para a descoberta científica assistida por IA. Ao fornecer explicações de pares de genes robustas e escaláveis, o framework permite:

1. Auditoria Fiel: Uma compreensão mais precisa da lógica de decisão aprendida por modelos black-box em configurações de alta dimensão.
2. Descoberta Sem Viés: A capacidade de descobrir estruturas biológicas significativas e interações gênicas sem depender de pressupostos pré-definidos ou priors biológicos, evitando assim o viés inerente a modelos que incorporam conhecimento prévio.
3. Insights Acionáveis: A geração de hipóteses biológicas testáveis sobre novos sinais moleculares impulsionados por interações na biologia do câncer.

Os autores enfatizam que, embora as interações extraídas sejam sinais derivados do modelo, elas servem como base para gerar hipóteses que requerem validação experimental independente. O trabalho demonstra que a explicabilidade baseada em princípios pode efetivamente preencher a lacuna entre a precisão preditiva e o insight biológico na oncologia de precisão.