scGRIP: a graph-based explainable AI framework for single-cell multi-omics Gene Regulatory Inference with Prior Knowledge

O artigo apresenta o scGRIP, um framework de IA explicável baseado em grafos que utiliza um autoencoder variacional e conhecimento prévio de regulação cis para inferir redes regulatórias gênicas em nível de célula única a partir de dados multi-ômicos, demonstrando maior interpretabilidade e capacidade de discriminação de condições como a doença de Alzheimer em comparação com métodos existentes.

O essencial

Imagine que o seu corpo é uma cidade gigante e cada célula é uma casa nessa cidade. Dentro de cada casa, há um "manual de instruções" (o DNA) que diz como a casa deve funcionar. Mas quem decide quais instruções são lidas e quais são ignoradas? São os gerentes de construção (chamados de Fatores de Transcrição). Eles olham para o manual, encontram a página certa e dizem: "Hoje, vamos construir uma parede" ou "Hoje, vamos pintar a porta".

O problema é que, em doenças como o Alzheimer, esses gerentes começam a dar ordens erradas, e as casas (células) ficam confusas.

Até agora, os cientistas tentavam entender essas ordens olhando para a cidade inteira de uma vez só, como se olhassem para um mapa de satélite borrado. Eles não conseguiam ver o que estava acontecendo dentro de cada casa individualmente, nem entender por que uma casa estava funcionando bem e a outra não.

Aqui entra o scGRIP, a nova ferramenta apresentada neste artigo. Vamos explicar como ela funciona usando uma analogia simples:

1. O Mapa Inteligente (A Rede de Conhecimento)

Antes de começar a investigar, os cientistas criaram um mapa de conexões prévio. Eles sabem que, na maioria das vezes, o Gerente A (Fator de Transcrição) costuma falar com a Sala de Estar (Região Reguladora) e, por sua vez, a Sala de Estar influencia o Quarto (Gene Alvo).
O scGRIP usa esse mapa prévio como uma "cola" para entender quem pode estar falando com quem. Em vez de adivinhar, ele usa o que já sabemos sobre a biologia para montar a estrutura da investigação.

2. A Câmera de Alta Resolução (Tokenização)

Agora, imagine que você quer saber o que cada casa está fazendo. O scGRIP não olha para a cidade inteira; ele entra em cada casa individualmente.
Ele usa uma técnica especial (chamada "tokenização") para transformar o barulho e a confusão dos dados genéticos em uma linguagem que o computador entende. É como se ele pegasse o caos de uma festa bagunçada e transformasse em uma lista organizada de quem está dançando, quem está conversando e quem está dormindo. Isso permite ver o "estado" único de cada célula.

3. O Detetive que Explica o "Porquê" (IA Explicável)

Aqui está a parte mais mágica. Muitos programas de computador são "caixas pretas": eles dizem "a célula está doente", mas não dizem por que.
O scGRIP é diferente. Ele usa um método chamado GraphSHAP (pense nele como um detetive que faz perguntas). Ele pergunta: "Se eu tirar o Gerente A da equação, a ordem para construir a parede ainda sai?"
Ao fazer isso, ele consegue dizer exatamente: "Nesta célula específica, o Gerente X está dando uma ordem errada para o Gene Y, e é por isso que a célula está doente." Ele atribui a culpa (ou o mérito) a cada peça do quebra-cabeça.

O Que Eles Descobriram?

Os cientistas testaram o scGRIP em células de pacientes com Alzheimer.

• O que eles viram: Eles conseguiram ver, célula por célula, como os "gerentes de construção" nas células imunológicas do cérebro (chamadas microglia) estavam agindo de forma diferente em pacientes doentes.
• A descoberta: O scGRIP mostrou que essas células estavam ativando programas de defesa (como se estivessem em guerra) e tentando lidar com placas de proteína (amiloide), mas de uma forma que acabava prejudicando o cérebro. Eles identificaram os gerentes específicos (como o SPI1 e o APOE) que estavam causando essa confusão.

Por que isso é importante?

Antes, era como tentar consertar um relógio complexo olhando apenas para a caixa externa. O scGRIP permite que os cientistas abram o relógio, vejam cada engrenagem girando em tempo real e entendam exatamente qual mola está quebrada em cada tipo de célula.

Resumo da Ópera:
O scGRIP é um detetive de alta tecnologia que usa um mapa prévio e uma câmera superpoderosa para entrar em cada célula individual, entender quem está mandando em quem e explicar exatamente por que uma doença está acontecendo. Isso abre portas para criar remédios muito mais precisos, que consertam apenas os "gerentes" que estão dando ordens erradas, sem mexer no resto da cidade.

Resumo técnico

Resumo Técnico: scGRIP

1. O Problema

A inferência de Redes de Regulação Gênica (GRNs) em resolução de célula única é fundamental para entender a heterogeneidade celular, trajetórias de desenvolvimento e mecanismos de doenças. Com o advento de tecnologias de sequenciamento multi-ômico (como scRNA-seq acoplado a scATAC-seq), é possível medir simultaneamente a expressão gênica e a acessibilidade da cromatina na mesma célula.

No entanto, métodos existentes enfrentam desafios significativos:

• Falta de Interpretabilidade: Muitos modelos de aprendizado profundo atuam como "caixas-pretas", dificultando a compreensão dos mecanismos biológicos subjacentes.
• Escalabilidade e Ruído: Os dados de multi-ômicos de célula única são esparsos, ruidosos e de alta dimensionalidade.
• Integração de Conhecimento Prévio: Métodos atuais (como LINGER e GLUE) muitas vezes dependem de bancos de dados de motivos heterogêneos ou não integram totalmente o conhecimento biológico prévio (como interações TF-RE-TG) dentro da arquitetura do modelo, resultando em variabilidade e perda de precisão na inferência de interações específicas por tipo celular ou condição.

2. Metodologia: A Arquitetura scGRIP

O scGRIP (single-cell Gene Regulatory Inference with Prior knowledge) é um framework baseado em Autoencoders Variacionais Gráficos (GVAE) que integra aprendizado de representação em grafos, tokenização de dados e atribuição baseada em Shapley. O modelo opera em três etapas principais:

A. Construção do Grafo de Conhecimento Prévio (Prior Knowledge Graph)

• O modelo formaliza o panorama regulatório como um grafo heterogêneo onde Fatores de Transcrição (TFs), Elementos Regulatórios (REs) e Genes Alvo (TGs) são nós.
• As arestas representam interações potenciais derivadas de conhecimento cis-regulatório:
  • TF-RE: Baseado em bancos de dados de ligação de motivos (ex: cisTarget).
  • RE-TG: Baseado na proximidade genômica ao Sítio de Início de Transcrição (TSS), geralmente dentro de um limiar de 1 Mbp.

B. Tokenização e Embeddings Dinâmicos

• Para transformar a estrutura topológica estática em um modelo dinâmico, o scGRIP utiliza uma abordagem de tokenização inspirada em modelos de linguagem (foundation models).
• A acessibilidade da cromatina e a expressão gênica são codificadas usando um livro de códigos compartilhado (shared codebook).
• O modelo combina:
  1. Embeddings Estruturais Estáticos: Gerados via node2vec para capturar a conectividade global da rede.
  2. Embeddings Dinâmicos Específicos da Célula: Gerados via uma estratégia de agregação de vizinhança (inspirada em GraphSAGE) que processa os valores de expressão/acessibilidade de cada célula.
• Isso permite que o modelo capture o estado molecular único de cada célula dentro da estrutura do grafo.

C. Inferência Explicável via GraphSHAP

• Para superar a falta de interpretabilidade, o scGRIP integra o GraphSHAP (uma extensão do SHAP para grafos).
• Em vez de apenas prever a expressão, o modelo calcula valores de Shapley para atribuir a importância de cada aresta (interação TF-RE e RE-TG) na predição da expressão do gene alvo em uma célula específica.
• Isso gera uma GRN específica por célula, onde as pontuações de interação refletem a contribuição causal de cada regulador, permitindo a identificação de assinaturas regulatórias individualizadas.

D. Decodificador de Modelo de Tópicos (ETM)

• O modelo utiliza um Embedded Topic Model (ETM) com um decodificador linear para reconstruir os dados de entrada (expressão e acessibilidade) a partir de distribuições de tópicos latentes, garantindo que os embeddings aprendidos sejam interpretáveis e alinhados com programas biológicos coerentes.

3. Principais Contribuições

1. Representação Gráfica Heterogênea: Unificação de TFs, REs e TGs em um único grafo orientado por conhecimento prévio, permitindo a modelagem conjunta de interações cis-regulatórias.
2. Tokenização de Dados Multi-ômicos: Adaptação de técnicas de fundação de modelos para transformar dados esparsos de célula única em embeddings densos e específicos da célula, enriquecidos pelo contexto da rede.
3. Atribuição de Areias em Nível de Célula: Uso pioneiro de GraphSHAP dentro de um framework de inferência de GRN para quantificar a contribuição de interações específicas em células individuais, superando a média de populações.

4. Resultados e Desempenho

O scGRIP foi avaliado em três conjuntos de dados multi-ômicos de célula única (PBMC, BMMC e Córtex Humano) e comparado com estados da arte (LINGER, GLUE e correlação de Pearson).

• Inferência TF-RE Específica por Tipo Celular:
  • O scGRIP superou consistentemente os métodos concorrentes, alcançando uma AUPRC média de 0,613 (vs. 0,606 do GLUE e 0,599 do LINGER) em 14 TFs e 3 tipos celulares.
  • Recuperou mais pares regulatórios apoiados por dados de ChIP-seq com maior precisão.
• Predição de Tipos Celulares:
  • As redes regulatórias inferidas pelo scGRIP foram usadas para classificar tipos celulares (usando KNN) com desempenho superior (AUROC mais alto) em comparação com modelos ablatados (sem GraphSHAP) e LINGER, especialmente em astrócitos e neurônios excitatórios.
  • Demonstrou capacidade de capturar lógica regulatória independente da abundância de transcritos (ex: atividade regulatória de SOX5 em oligodendrócitos vs. neurônios inibitórios).
• Aplicação em Doença de Alzheimer (AD):
  • O modelo identificou redes regulatórias específicas da doença em microglia.
  • Detectou interações TF-TG significativas envolvendo genes de risco conhecidos (ex: APOE, SPI1, TREM2).
  • A análise de enriquecimento de conjuntos gênicos (GSEA) revelou ativação de vias de degranulação de neutrófilos, ativação imune inata e respostas relacionadas a amiloide, alinhadas com a patogênese do Alzheimer.
  • Validação independente em um conjunto de dados externo (ROSMAP) confirmou a robustez das interações inferidas (RE-TG) em microglia e astrócitos.
• Análise de Tópicos e Imputação:
  • O modelo identificou módulos regulatórios coerentes (triplas TF-RE-TG) dentro de tópicos específicos de microglia.
  • Superou métodos existentes na imputação cruzada de modalidades (ATAC para RNA e vice-versa), mantendo correlações lineares fortes.

5. Significado e Impacto

O scGRIP representa um avanço significativo na biologia computacional ao:

• Resolver a Heterogeneidade Celular: Permite a inferência de redes regulatórias em nível de célula única, revelando dinâmicas que são mascaradas por médias populacionais.
• Unir Escalabilidade e Interpretabilidade: Oferece uma arquitetura escalável (usando GraphSAGE) que não sacrifica a interpretabilidade biológica, graças à integração de GraphSHAP.
• Descobrir Mecanismos de Doença: Fornece uma ferramenta robusta para desvendar os programas regulatórios específicos de condições patológicas (como o Alzheimer), identificando alvos terapêuticos potenciais e mecanismos de ativação imune.
• Integração de Conhecimento: Demonstra que a incorporação explícita de conhecimento biológico prévio (grafos de regulação) melhora a precisão e a confiabilidade das inferências de redes gênicas.

Em suma, o scGRIP estabelece um novo padrão para a inferência de GRNs em dados multi-ômicos, combinando aprendizado profundo, teoria de grafos e inteligência artificial explicável para decifrar a complexidade da regulação gênica em saúde e doença.