GeneSpeak-FP: Target and Compound Retrieval from Observed Cell-Level Perturbation Signatures

Resumo Técnico: GeneSpeak-FP

Definição do Problema
O artigo aborda um problema de recuperação inversa em transcriptômica de perturbação de célula única. Enquanto a maioria das abordagens de aprendizado de máquina existentes foca na questão "direta" — prever a resposta transcricional de uma célula a uma perturbação especificada — este trabalho aborda a tarefa "inversa" complementar: dada uma assinatura transcricional observada ao nível celular, o modelo consegue recuperar os alvos anotados mais consistentes e o composto específico de uma biblioteca fechada e fixa que gerou essa resposta? Os autores observam que esta tarefa é inerentemente ambígua porque compostos distintos podem compartilhar alvos, estruturas ou efeitos a jusante, e o objetivo é estreitar um espaço de candidatos em vez de inferir um mecanismo causal único.

Metodologia
Os autores propõem o GeneSpeak-FP, um modelo Transformer de múltiplas tarefas projetado para um cenário de biblioteca fechada utilizando o conjunto de dados Tahoe-100M.

• Formulação de Entrada: A entrada é uma assinatura de perturbação esparsa ao nível celular ($\Delta x$) calculada contrastando o perfil de expressão log-transformado de uma única célula tratada contra o perfil de referência DMSO de sua linhagem celular específica com média de log-transformação. O universo de entrada consiste em 4.184 genes (genes DMSO de alta variância mais alvos mapeados). Para cada amostra, os 256 genes com as maiores mudanças absolutas são selecionados, ordenados por ID de token e preenchidos (padded) para um comprimento fixo.
• Arquitetura: O modelo emprega um codificador Transformer de Gene-Token. Diferente dos Transformers padrão, ele não utiliza embeddings posicionais; em vez disso, trata os genes selecionados como um conjunto não ordenado onde a autoatenção (self-attention) modela as interações. A sequência de entrada inclui tokens especiais [CLS] e [ORGAN] (este último derivado de metadados da linhagem celular). O codificador consiste em quatro camadas com 256 dimensões ocultas e oito cabeças de atenção.
• Cabeças de Recuperação Duplas: A representação do codificador compartilhado alimenta duas cabeças de recuperação distintas:
  1. Cabeça de Recuperação de Alvo: Uma cabeça de 256 dimensões que classifica um vocabulário fechado de 278 genes alvo anotados no Tahoe. Ela utiliza um embedding treinável para cada gene alvo.
  2. Cabeça de Recuperação de Composto: Uma cabeça multicamada (256 $\to$ 1024 $\to$ 768) que classifica um banco fixo de 379 compostos. Esta cabeça alinha a representação derivada do transcriptoma com embeddings moleculares pré-computados e fixos de 768 dimensões.
• Objetivo de Treinamento: O modelo é treinado conjuntamente usando uma função de perda composta:
  • Perda de Alvo ($L_T$): Combina perda de similaridade de cosseno, Entropia Cruzada Binária (BCE) para alvos positivos e uma perda de classificação de múltiplos positivos (entropia cruzada com escalonamento de temperatura).
  • Perda de Alinhamento Molecular ($L_{CLIP}$): Uma perda contrastiva simétrica (semelhante ao CLIP) alinhando os vetores moleculares previstos com o banco de embeddings fixos, suplementada por um termo de alinhamento de cosseno para estabilizar o treinamento.
  • Perda Total: $L = L_T + 0.05 (L_{CLIP} + 0.5 L_{align})$.

Configuração Experimental
A avaliação utiliza um subconjunto do conjunto de dados Tahoe-100M contendo 11.673 pares de condição composto-linhagem celular envolvendo 379 compostos e 278 genes alvo.

• Divisão de Dados: Foi utilizada uma divisão 90/10 estratificada dentro do composto (10.055 para treinamento, 1.168 para validação). Crucialmente, os mesmos compostos e linhagens celulares aparecem em ambas as partições; o experimento mede a recuperação de pares de condições retidos, em vez de generalização zero-shot para compostos ou linhagens celulares não vistos.
• Protocolo de Avaliação: A avaliação principal é uma estimativa de Monte Carlo sobre 38.400 células amostradas. As métricas incluem Recall@K e Precisão@K para alvos, e Hit@K, MRR (Média do Ranking Recíproco) e estatísticas de ranking para compostos.
• Controles: O estudo compara o GeneSpeak-FP contra um controle de vetor aleatório Gaussiano e três controles diagnósticos de "saco de genes" (BoG) (comparador de protótipo, cabeça molecular linear e k-NN) para avaliar o valor das representações contextuais aprendidas.

Principais Resultados
Na comparação diagnóstica, o GeneSpeak-FP superou significativamente todos os métodos de controle:

• Recuperação de Alvo: Alcançou um Recall@10 de 0,409 (comparado a um máximo de 0,0312 para os controles).
• Recuperação de Composto: Alcançou um Hit@10 de 0,342 (comparado a um máximo de 0,0366 para os controles) e um Hit@1 de 0,129.
• Avaliação Estendida: Uma passagem separada yielded resultados consistentes (Recall@10 $\approx$ 0,408, Hit@10 $\approx$ 0,343, MRR $\approx$ 0,205).
  Os autores enfatizam que estas métricas representam a recuperação de rótulos de metadados e identidades de compostos registrados dentro da biblioteca observada, não a precisão de classificação sobre moléculas não vistas ou o transcriptoma completo.

Significância e Alegações
O artigo afirma que o GeneSpeak-FP demonstra a viabilidade de um modelo de múltiplas tarefas para recuperar simultaneamente as anotações de alvos mapeados e as identidades de compostos registrados a partir de respostas de células individuais em um cenário de biblioteca fechada.

• Contribuição Primária: A formulação e avaliação unificadas da recuperação simultânea de alvos e compostos a partir de assinaturas de nível celular individual dentro do recurso Tahoe-100M.
• Limitações e Escopo: Os autores são explícitos quanto ao fato de que os resultados são específicos para o protocolo de biblioteca fechada avaliado. O modelo não generaliza para compostos ou contextos celulares não vistos (cenários de cold-start) dentro deste estudo. A recuperação de alvos é enquadrada como recuperação de metadados, e não inferência mecanística, reconhecendo que as anotações de alvos são rótulos ao nível do composto e não uma verdade causal exaustiva.
• Aplicação: O caso de uso demonstrado é estritamente para organizar triagens de perturbação existentes e estreitar um espaço de candidatos predefinido para análise subsequente. Os autores declaram explicitamente que o modelo não se destina à tomada de decisão clínica, descoberta de alvos causais ou recomendação terapêutica sem validação biológica e prospectiva independente.