scDRP: Disentangled representation learning for predicting single-cell responses to perturbations and estimating individual treatment effects

Resumo Técnico de scDRP: Aprendizado de Representação Desentrelaçada para Predição de Respostas de Célula Única a Perturbações

1. Definição do Problema

Tecnologias de sequenciamento de célula única (ex: Perturb-seq, sci-Plex) permitem o perfilamento em larga escala de circuitos regulatórios gênicos sob diversas perturbações químicas ou genéticas. No entanto, esses experimentos são inerentemente destrutivos, fornecendo apenas instantâneos não correspondentes (unmatched snapshots) de células sob diferentes condições. Consequentemente, é impossível observar a mesma célula antes e depois de uma perturbação, criando uma barreira fundamental para estimar o Efeito de Tratamento Individual (ITE) — a resposta causal específica de uma única célula a um tratamento.

Os métodos existentes enfrentam duas limitações primárias:

• Foco na Média Populacional: Estruturas como o scGEN predizem respostas médias populacionais, obscurecendo a heterogeneidade crucial para entender sistemas complexos como organoides, onde subpopulações respondem de formas distintas.
• Suposições Excessivamente Fortes: Métodos como o CINEMA-OT assumem que os sinais induzidos pela perturbação são completamente independentes de confundidores (ex: tipo celular) e dependem de combinações lineares, negligenciando relações não lineares complexas e interações que governam as respostas celulares.

O desafio é inferir estados contrafatuais (como uma célula controle responderia a uma perturbação) e estimar ITEs a partir de dados populacionais não correspondentes, contabilizando a heterogeneidade específica do tipo celular e a dinâmica não linear.

2. Metodologia: A Estrutura scDRP

Os autores propõem o scDRP, uma estrutura generativa que combina o aprendizado de representação desentrelaçada com transporte ótimo condicional (OT) para inferir ITEs.

A. Representação Latente Desentrelaçada
O scDRP modela o perfil de expressão gênica de alta dimensão ($x$) como uma função de variáveis latentes de baixa dimensão ($z$), estruturadas em dois subespaços condicionalmente independentes:

1. Identidade Invariante à Perturbação ($z_u$): Captura propriedades intrínsecas estáveis (ex: tipo celular, estágio de maturação) e confundidores ($w$).
2. Resposta Induzida pela Perturbação ($z_d$): Captura a variação induzida pela perturbação ($a$) e confundidores.

Para aprender essa separação, o scDRP emprega um Autoencoder Variacional $\beta$ ($\beta$-VAE) regularizado por:

• Critério de Independência Condicional de Hilbert-Schmidt (HSCIC): Impõe independência condicional estrita entre $z_u$ e $z_d$ dado os confundidores $w$.
• Norma $L_0$ com Gate: Incentiva a esparsidade para selecionar dimensões latentes ótimas e garantir a identificabilidade.

B. Transporte Ótimo Condicional para Correspondência Contrafatual
Para gerar predições contrafatuais, o scDRo deve corresponder células de controle aos seus contrapartes "gêmeos" no grupo perturbado. A estrutura opera sob a suposição de preservação de ranking: dentro de uma subpopulação homogênea (condicionada a $w$ ou $z_u$), uma perturbação desloca a distribuição de respostas, mas preserva o ranking relativo (quantile) das células individuais.

Esta correspondência é formulada como um problema de Transporte Ótimo Condicional no espaço latente desentrelaçado. O objetivo é encontrar uma matriz de acoplamento ótima $\Gamma^*$ que minimize o custo de transporte:
$$C(z_s, z_t) = \alpha \|z_s^u - z_t^u\|_2^2 + \beta \|z_s^d - z_t^d\|_2^2$$

• O primeiro termo ($\alpha$) atua como uma restrição suave garantindo que as células correspondentes compartilhem identidades intrínsecas semelhantes.
• O segundo termo ($\beta$) é o custo de transporte no espaço de resposta, equivalente à correspondência de quantis em uma dimensão.

Uma vez encontrada a acoplagem ótima, a projeção baricêntrica é usada para gerar estados latentes contrafatuais ($\tilde{z}$), que são então decodificados para estimar o ITE ($\hat{\tau} = \tilde{x} - x$).

C. Análise de Jusante e Generalização

• Biclustering: A matriz de ITE estimada é analisada usando biclustering (BCPlaid) para identificar Módulos Gênicos Funcionais (FGMs) — grupos de genes e células que exibem padrões de resposta específicos.
• Doses Não Observadas: Para doses de perturbação não observadas, o scDRP utiliza regressão de Processo Gaussiano no espaço latente para interpolar a média e a variância de $z_d$, seguido de correção de resíduos para gerar contrafatuais.
• Efeitos Combinatórios: A estrutura infere a magnitude dos efeitos de perturbações combinadas tratando os ITEs individuais como vetores e aplicando composição vetorial (regra do paralelogramo), embora possa apenas estimar a magnitude absoluta, não a direção (regulação positiva/negativa).

3. Principais Resultados

O artigo valida o scDRP através de simulações e quatro conjuntos de dados do mundo real (Kang et al., Dong et al., Hagai et al., Norman et al.):

• Desempenho em Simulação: O scDRP supera consistentemente o CINEMA-OT e o scGEN na estimativa de ITEs e Efeitos de Tratamento Médio Condicional (CATEs), particularmente em cenários não lineares e quando os rótulos de tipo celular são desconhecidos. Ele recupera com precisão os emparelhamentos da verdade fundamental (ground-truth) e o desentrelaçamento latente.
• Predição de Dados Reais: Nos dados reais, o scDRP gera distribuições contrafatuais que se sobrepõem de perto com as distribuições de tratamento observadas (alto PCC, baixo RMSE, baixo MMD), enquanto outros métodos apresentam lacunas substanciais.
• Insights Biológicos:
  • Rinovírus e Fumaça de Cigarro: A reanálise de dados de organoides bronquiais revelou padrões refinados, identificando FGMs distintos para biogênese ciliar e progressão do ciclo celular que foram perdidos por análises lineares anteriores.
  • Estimulação por Interferon: Em PBMCs, o scDRP resolveu respostas imunes heterogêneas, vinculando tipos celulares específicos (ex: células T CD4+, monócitos) a módulos funcionais distintos (ex: defesa antiviral, apoptose, regulação metabólica).
  • Perturbações CRISPR: Em células K562 de leucemia, o método identificou módulos funcionais dominantes (apresentação de antígeno MHC I) e divergências específicas impulsionadas por genes (ex: KLF1 ligando estresse oxidativo à diferenciação).
• Generalização: O modelo interpolou com sucesso curvas de dose-resposta para doses químicas não vistas e estimou a magnitude de efeitos de tratamento combinados.

4. Significância e Alegações

Os autores afirmam que o scDRP fornece uma abordagem computacional fundamentada para extrair relações causais heterogêneas de dados de perturbação de célula única. Sua significância reside em:

• Rigor Teórico: Estabelece suposições rigorosas para a correspondência contrafatual usando OT condicional, indo além de abordagens heurísticas.
• Resolução Biológica: Ao desentrelaçar a identidade da resposta, permite a descoberta de módulos gênicos funcionais específicos de tipos celulares e mecanismos heterogêneos que métodos de média populacional obscurecem.
• Versatilidade: A estrutura generaliza para doses de perturbação e combinações não vistas, facilitando a triagem de perturbações in silico e a descoberta racional de alvos terapêuticos.

O artigo reconhece limitações, observando que o desentrelaçamento depende de suposições de identificação (independência condicional) que não podem ser verificadas apenas a partir de dados observacionais, e que a inferência combinatória atualmente recupera apenas a magnitude do efeito, não a direção. Sugere-se que trabalhos futuros incorporem modalidades temporais/espaciais e estendam para outros tipos de dados como scATAC-seq.