SpaTRACE: Spatiotemporal recurrent auto-encoder for reconstructing signaling and regulatory networks from spatiotemporal transcriptomics data

O artigo apresenta o SpaTRACE, uma nova ferramenta baseada em transformadores que reconstrói redes de comunicação celular e regulação gênica dinâmicas a partir de dados de transcriptômica espaciotemporal sem depender de bancos de dados pré-definidos de ligantes e receptores.

O essencial

Imagine que o seu corpo é uma cidade gigante e vibrante, onde cada célula é um cidadão. Para que a cidade funcione — seja para crescer (como em uma criança), se curar de um ferimento ou manter a ordem — esses cidadãos precisam conversar entre si e seguir regras internas.

Até agora, os cientistas tinham duas formas de entender essa cidade:

1. Olhar apenas para o que está dentro da casa: Quem manda no que dentro da célula? (Isso é a Rede de Regulação Gênica).
2. Olhar apenas para quem está batendo na porta: Quem está enviando mensagens para quem? (Isso é a Comunicação entre Células).

O problema é que a maioria dos métodos antigos olhava para essas duas coisas separadamente, como se estivessem estudando a cidade em uma foto estática, sem movimento. Eles também dependiam de "manuais de instruções" antigos (bancos de dados) que diziam quem poderia falar com quem, ignorando conversas novas ou inesperadas.

Aqui entra o SpaTRACE.

O que é o SpaTRACE?

Pense no SpaTRACE como um cinematógrafo de inteligência artificial que consegue filmar a vida da cidade em câmera lenta, mas com um superpoder: ele entende a história e o espaço.

Ele não olha apenas para uma foto; ele assiste a um filme onde as células se movem, mudam de forma e conversam ao longo do tempo (como uma célula que vira um neurônio ou uma célula que ajuda a curar um ferimento).

Como ele funciona? (A Analogia do Detetive de Futuro)

O SpaTRACE usa uma técnica chamada "Autoencoder Recorrente Espacial". Vamos simplificar isso com uma analogia de previsão do tempo:

1. O Cenário (Espaço e Tempo): Imagine que você está em um parque. Você vê uma criança (célula) correndo. O SpaTRACE sabe que, se ela correr na direção do lago, ela vai molhar os pés. Ele usa a posição no espaço (onde ela está) e o tempo (o que ela fez antes) para prever o que vai acontecer depois.
2. A Adivinhação (Previsão): O modelo tenta adivinhar: "Se eu olhar para o que essa célula está fazendo agora e o que seus vizinhos estão gritando (mensagens químicas), o que essa célula vai virar daqui a um instante?"
3. O Segredo (Atenção): Para fazer essa previsão, o modelo usa uma "lente de atenção". Ele pergunta: "Quem foi o vizinho que mais influenciou essa mudança? Foi o sinal do vizinho A ou do vizinho B? E qual regra interna da célula foi ativada?"
   • Se o modelo acerta a previsão, ele aprendeu quem está mandando em quem.
   • Se ele erra, ele ajusta a lente.

O que ele descobriu? (A Mágica)

O SpaTRACE é especial porque ele não precisa de um manual prévio. Ele descobre as regras sozinho, apenas observando o filme da vida.

• Descoberta 1: Quem manda em quem. Ele consegue dizer: "O gene X dentro da célula está ativando o gene Y" (Regras internas).
• Descoberta 2: Quem fala com quem. Ele descobre: "A célula A enviou uma mensagem química para a célula B, e isso fez a célula B mudar de ideia" (Comunicação externa).
• Descoberta 3: Novas rotas. Como ele não depende de manuais antigos, ele encontra conversas que ninguém sabia que existiam, especialmente em animais estranhos ou processos complexos.

Onde eles testaram isso?

Os cientistas usaram o SpaTRACE em dois cenários incríveis:

1. O Cérebro de um Embrião de Camundongo: Eles assistiram ao cérebro se formando. O SpaTRACE viu exatamente quais sinais químicos guiavam as células-tronco a se transformarem em neurônios ou células da glia (o "cimento" do cérebro), revelando o momento exato em que a decisão é tomada.
2. O Cérebro de um Axolote (a salamandra que se regenera): Quando um axolote perde uma parte do cérebro, ele cresce de volta. O SpaTRACE filmou esse processo de cura. Ele descobriu quais células estavam gritando "Venham cá!" e "Consertem isso!" em diferentes dias após o ferimento, identificando os "heróis" da regeneração que a ciência ainda não conhecia bem.

Por que isso é importante?

Antes, era como tentar entender uma peça de teatro lendo apenas o roteiro estático ou olhando para o elenco parado. O SpaTRACE é como ter um diretor de cinema que entende a trama, a atuação e a direção de cena simultaneamente.

Isso ajuda os cientistas a:

• Entender como doenças (como câncer) "hackeiam" a comunicação celular.
• Descobrir como regenerar tecidos humanos perdidos.
• Criar novos medicamentos que falem a língua certa das células.

Em resumo, o SpaTRACE é a ferramenta que transforma dados biológicos complexos em uma história clara de quem fala com quem, quando e por que, permitindo que a ciência veja o futuro das células antes mesmo delas mudarem.

Resumo técnico

Título: SpaTRACE: Autoencoder Recorrente Espaciotemporal para Reconstrução de Redes de Sinalização e Regulação a partir de Dados de Transcriptômica Espacial

1. O Problema

A comunicação célula-célula (CCC) e as redes de regulação gênica (GRNs) coordenam conjuntamente o desenvolvimento, a regeneração e a doença. Embora avanços recentes na transcriptômica espacial (ST) permitam medir a expressão gênica com contexto espacial ao longo de trajetórias de desenvolvimento, os métodos computacionais existentes apresentam limitações críticas:

• Dependência de Bancos de Dados: A maioria das ferramentas de inferência de CCC depende de bancos de dados curados de pares Ligante-Receptor (LR), o que restringe sua aplicabilidade a espécies pouco estudadas e impede a descoberta de novas interações.
• Estática vs. Dinâmica: Os métodos atuais geralmente analisam perfis de expressão gênica estáticos, assumindo condições de estado estacionário. Isso falha em capturar dependências temporais e relações causais inerentes a processos dinâmicos como desenvolvimento e regeneração.
• Separação de Processos: As abordagens existentes analisam frequentemente a sinalização LR ou as redes GRN (Fator de Transcrição-Alvo) de forma isolada, sem integrar a dinâmica temporal e espacial para inferir como sinais extracelulares se traduzem em regulação intracelular.

2. Metodologia

O SpaTRACE é um framework baseado em autoencoder recorrente com mecanismo de atenção, projetado para inferência conjunta de redes de sinalização intercelular e redes de regulação gênica a partir de dados de transcriptômica espacial espaciotemporal.

Arquitetura e Fluxo de Trabalho:

1. Modelagem de Trajetórias Celulares: O modelo utiliza pseudotempo (inferido por ferramentas como DPT, Slingshot ou Monocle3) para ordenar as células ao longo de trajetórias de diferenciação.
2. Arquitetura Transformer Adaptada:
   • Encoder: Constrói representações contextuais de genes em cada ponto de tempo. Diferente de Transformers padrão, utiliza uma única camada de autoatenção sem projeções de valor (valores são mapeamentos identidade), preservando a interpretabilidade direta entre os pesos de atenção e entidades moleculares (Ligantes, Receptores, Fatores de Transcrição e Genes Alvo).
   • Decoder: Prevê a expressão futura de genes alvo (TG) baseada no estado recente de fatores de transcrição (TF) e sinais de ligante-receptor (LR) intra e intercelulares.
   • Mecanismo de Atenção: Calcula pontuações de atenção que representam a influência regulatória. O modelo separa contribuições intracelulares (TF→TG) e extracelulares (LR→TG).
3. Inferência de Redes (Sem Caminhos Pré-definidos):
   • Inferência de GRN: Identifica relações TF-Alvo baseadas na similaridade de embeddings globais e pontuações de atenção por célula.
   • Inferência de Sinalização LR-TG: Reconstrói vias de sinalização onde pares LR influenciam genes alvo downstream, sem depender de bancos de dados de LR.
   • Emparelhamento LR: Prediz pares Ligante-Receptor funcionais baseados na sua influência transcritiva comum.
   • Reconstrução de CCC: Agrega as interações inferidas para reconstruir redes de comunicação célula-célula espacialmente resolvidas, considerando a abundância de ligantes no emissor, receptores no receptor e a potência inferida do par.

Princípio Causal: Inspirado na causalidade de Granger, o modelo infere relações regulatórias causais diretamente da dinâmica temporal, assumindo que estados moleculares passados são informativos para prever estados futuros de expressão.

3. Principais Contribuições

1. Framework Causal-Temporal: Propõe um modelo que integra contexto espacial com trajetórias de pseudotempo para capturar a sinalização dinâmica intra e intercelular.
2. Reconstrução Livre de Caminhos (Pathway-free): Permite a reconstrução de redes de sinalização multicamadas (LR, LR-TG e TF-TG) em resolução de célula única, sem a necessidade de bancos de dados de interações pré-existentes.
3. Desempenho Superior e Descoberta: Demonstra superioridade em benchmarks sintéticos e recupera programas de sinalização canônicos e anteriormente pouco caracterizados em dados biológicos reais (desenvolvimento de mesencéfalo de camundongo e regeneração de cérebro de axolote).

4. Resultados

• Benchmarks Sintéticos:
  • Em tarefas de inferência de CCC, o SpaTRACE superou consistentemente métodos baseados em estatísticas de expressão e métodos espaciais existentes (como COMMOT e SpaTalk), especialmente em cenários "ruidosos" onde os bancos de dados de LR foram perturbados (AUPRC de 0,831 vs. 0,589 do COMMOT no Dataset 1).
  • Na inferência de GRN, alcançou os melhores escores AUPRC (0,967 e 0,903), superando GENIE3, GRNBoost2 e Velorama.
• Aplicação no Dataset MOSTA (Desenvolvimento de Camundongo):
  • Avaliado no atlas de transcriptômica espaciotemporal do desenvolvimento de órgãos de camundongos (MOSTA).
  • O modelo identificou com alta precisão (EPR@100 = 9,87 para LR e 50 para GRN) interações biologicamente relevantes.
  • Descobertas Biológicas: Identificou pares LR (PTN-EPHB1, PTN-CD44, TGFB3-LRP6) e fatores de transcrição (OTX2, ASCL1) com forte atividade em Células Gliais Radiais (RGCs) durante a diferenciação para neuroblastos e glioblastos, alinhando-se com processos conhecidos de neurogênese.
• Aplicação na Regeneração de Axolote:
  • Identificou dinâmicas de sinalização específicas de estágios (ex: sinalização associada a VIM em 10-15 DPI e PSAP em 15-20 DPI) e interações candidatas não anotadas em bancos de dados humanos/mouse, sugerindo novos mecanismos de reparo tecidual.
• Robustez: O modelo demonstrou ser robusto a variações nas ferramentas de inferência de trajetória (TI), mantendo alto desempenho independentemente da ferramenta usada para gerar o pseudotempo.

5. Significância

O SpaTRACE representa um avanço significativo na biologia computacional ao:

• Eliminar a dependência de bancos de dados curados: Permitindo a descoberta de novas interações em espécies não modelares ou contextos biológicos pouco explorados.
• Integrar Espaço e Tempo: Fornecendo uma visão dinâmica de como sinais extracelulares moldam a regulação gênica ao longo do tempo e do espaço, superando a limitação das análises estáticas.
• Oferecer Interpretabilidade: A arquitetura de atenção simples permite que os pesquisadores visualizem e interpretem diretamente as relações causais inferidas entre moléculas específicas.
• Facilitar a Validação Biológica: Ao priorizar interações com alta confiança preditiva, o método fornece alvos diretos para validação experimental em estudos de desenvolvimento e regeneração.

O código fonte e a documentação estão disponíveis publicamente no repositório GitHub do projeto.