GatorSC: Multi-Scale Cell and Gene Graphs with Mixture-of-Experts Fusion for Single-Cell Transcriptomics

O artigo apresenta o GatorSC, um framework de aprendizado de representação unificado que utiliza grafos de células e genes em múltiplas escalas e uma arquitetura de Mixture-of-Experts para integrar estruturas heterogêneas em dados de sequenciamento de RNA de célula única, superando métodos existentes em tarefas como agrupamento celular e imputação de expressão gênica através de um objetivo auto-supervisionado robusto ao ruído.

O essencial

Imagine que você tem uma biblioteca gigante e bagunçada, onde cada livro representa uma célula do nosso corpo e cada página do livro contém instruções (genes) sobre como essa célula deve funcionar. O problema é que muitos desses livros estão rasgados, com páginas faltando (o que chamamos de "ruído" ou dados faltantes na biologia) e escritos em uma linguagem muito complexa.

O artigo que você enviou apresenta uma nova ferramenta chamada GatorSC. Pense no GatorSC como um super-arquivista inteligente que consegue organizar essa biblioteca caótica, consertar as páginas rasgadas e descobrir quais livros pertencem a quais seções, tudo isso sem precisar de um manual de instruções prévio.

Aqui está como ele funciona, usando analogias do dia a dia:

1. Olhando em Três Níveis Diferentes (Os Gráficos Hierárquicos)

A maioria dos métodos antigos tenta organizar os livros olhando apenas para uma coisa de cada vez (por exemplo, apenas quem está sentado perto de quem). O GatorSC é mais esperto porque olha para a biblioteca de três maneiras ao mesmo tempo:

• O Mapa Global das Células (Gráfico Célula-Célula): Imagine olhar para a biblioteca inteira de cima e ver quais mesas de leitura estão mais próximas umas das outras. Isso ajuda a entender a "vizinhança" geral das células.
• O Mapa Global dos Genes (Gráfico Gene-Gene Global): Agora, imagine olhar para os livros e ver quais capítulos (genes) sempre aparecem juntos em todos os livros, independentemente de onde estão. Isso revela conexões funcionais importantes.
• O Mapa Local de Contexto (Gráfico Gene-Gene Local): Finalmente, o GatorSC olha para pequenos grupos de livros que estão sentados juntos em uma mesa específica. Ele percebe que, em aquela mesa específica, certos capítulos são mais importantes do que em outras mesas. É como entender que, em uma mesa de matemática, o livro de álgebra é crucial, mas em uma mesa de arte, o livro de pintura é o rei.

2. O "Comitê de Especialistas" (Fusão Mixture-of-Experts)

Como o GatorSC decide qual desses três mapas é o mais importante? Ele não escolhe um e descarta os outros. Em vez disso, ele usa um sistema chamado Mixture-of-Experts (Mistura de Especialistas).

Imagine que você tem três consultores:

1. Um especialista em geografia (olha o mapa global das células).
2. Um especialista em temas (olha o mapa global dos genes).
3. Um especialista em contexto local (olha os grupos pequenos).

O GatorSC tem um gerente (uma rede neural de "portaria") que decide, para cada livro (célula), quanto peso dar a cada consultor. Se a célula está em uma situação complexa, o gerente pode ouvir mais o especialista em contexto local. Se é uma situação geral, ele ouve mais o especialista em geografia. Isso cria uma organização muito mais precisa do que tentar usar apenas um consultor.

3. Aprendendo sem um Professor (Aprendizado Auto-supervisionado)

Normalmente, para organizar livros, você precisa de alguém dizendo: "Este livro é de História, aquele é de Ciência". Mas no mundo das células, muitas vezes não temos essas etiquetas.

O GatorSC usa um truque de detetive:

• Reconstrução: Ele tenta "consertar" as páginas rasgadas dos livros. Se ele consegue preencher as lacunas de forma que o livro faça sentido, significa que ele entendeu a estrutura.
• Contraste: Ele cria versões "distorcidas" dos livros (como tirar algumas páginas aleatoriamente) e tenta garantir que, mesmo assim, ele consiga identificar que aquele livro ainda é o mesmo. Isso o torna resistente a erros e ruídos.

Ao fazer isso, ele aprende a organizar a biblioteca sozinho, criando uma representação robusta e limpa.

O Que Ele Conseguiu Fazer?

Os autores testaram o GatorSC em 19 bibliotecas diferentes (diferentes tecidos, espécies e tipos de dados) e ele venceu quase todos os concorrentes em:

• Agrupamento: Separar as células em grupos corretos (como separar neurônios de células da pele).
• Imputação: Consertar os dados faltantes (preencher as páginas rasgadas com alta precisão).
• Identificação: Dizer exatamente que tipo de célula é cada uma.

Um Exemplo Real: A Doença de Alzheimer

Para mostrar que a ferramenta é útil na vida real, eles a usaram em dados de cérebros humanos com Alzheimer.

• O GatorSC conseguiu separar os tipos de células cerebrais (neurônios, astrócitos, etc.) perfeitamente.
• Mais importante: ele descobriu caminhos biológicos específicos que estavam desregulados em cada tipo de célula. Por exemplo, ele viu que em um tipo específico de célula (oligodendrócitos), um caminho de sinalização chamado MAPK estava "travado" de forma diferente das outras células. Isso é como se o arquivista não apenas organizasse os livros, mas também apontasse: "Ei, note que nesta seção específica, as regras de funcionamento mudaram na doença".

Resumo

O GatorSC é como um arquivista mestre que, em vez de olhar para os livros de uma só forma, usa três lentes diferentes (global, funcional e local), consulta uma equipe de especialistas para decidir a melhor organização e aprende sozinho a consertar livros danificados. O resultado é uma compreensão muito mais clara e precisa de como as células do nosso corpo funcionam e como elas mudam em doenças.

Resumo técnico

Resumo Técnico: GatorSC

1. O Problema

A sequenciação de RNA de célula única (scRNA-seq) permite a caracterização de alta resolução da heterogeneidade celular, mas a análise desses dados enfrenta desafios significativos:

• Ruído e Esparsidade: As matrizes de expressão são de alta dimensão, extremamente esparsas devido a "dropouts" (falhas técnicas na detecção de transcritos) e sujeitas a ruído técnico substancial.
• Estrutura Multi-Escala Subexplorada: Os dados contêm estruturas complementares em múltiplas escalas (relações globais entre células, dependências funcionais entre genes e programas gênicos específicos de contexto) que são frequentemente ignorados ou mal integrados.
• Limitações dos Métodos Atuais:
  • A maioria dos métodos existentes modela apenas uma ou duas visões de gráfico (ex: apenas célula-célula ou apenas gene-célula), falhando em integrar manifesos globais de células, redes globais de genes e dependências locais específicas de contexto.
  • Estratégias de fusão de múltiplas visões de gráfico geralmente são fixas (concatenação ou média uniforme), incapazes de adaptar a contribuição relativa de cada visão entre diferentes conjuntos de dados ou células individuais.
  • Objetivos de aprendizado auto-supervisionado frequentemente focam apenas na reconstrução ou no contraste, mas não em ambos simultaneamente, limitando a preservação de topologia e a consistência semântica.

2. Metodologia

O GatorSC é um framework unificado de aprendizado de representação que aborda essas lacunas através de três pilares principais:

A. Modelagem de Grafos Hierárquicos
O framework constrói três grafos distintos a partir dos dados de expressão gênica para capturar diferentes níveis de organização biológica:

1. Grafo Global Célula-Célula ($G^{(1)}$): Captura a arquitetura populacional em nível global. A matriz de adjacência é aprendida usando um mecanismo de atenção multi-cabeça sobre a matriz de expressão, delineando padrões de similaridade em larga escala.
2. Grafo Global Gene-Gene ($G^{(2)}$): Modela dependências funcionais entre genes que atravessam múltiplas células. Utiliza a matriz de expressão transposta e atenção multi-cabeça para aprender associações robustas entre genes, independentes do contexto celular específico.
3. Grafo Local Gene-Gene ($G^{(3)}$): Captura dependências específicas de contexto. Baseado no grafo global de células, subgrafos são extraídos para vizinhanças celulares específicas (vizinhos k-hop). Dentro de cada subgrafo, a similaridade entre genes é reavaliada para capturar interações dependentes do contexto local.

B. Fusão Adaptativa via Mixture-of-Experts (MoE)
Para integrar as representações aprendidas em cada um dos três grafos ($Z^{(1)}, Z^{(2)}, Z^{(3)}$), o GatorSC utiliza uma arquitetura Mixture-of-Experts:

• Cada grafo é processado por um "especialista" (uma rede GCN + MLP).
• Uma rede de portão (gating network) adapta dinamicamente os pesos de cada especialista com base nas características da entrada (célula ou conjunto de dados).
• Isso permite que o modelo dê mais peso à visão estrutural mais informativa para cada célula ou dataset, em vez de usar uma fusão estática.

C. Aprendizado Auto-Supervisionado Unificado
O modelo é treinado sem rótulos de tipo celular, utilizando um objetivo combinado que integra:

• Reconstrução de Grafos: O modelo tenta reconstruir a estrutura original do grafo (preservando a fidelidade estrutural) e imputar valores ausentes. Isso é feito através de perdas de entropia cruzada binária (BCE) em pares de arestas positivas e negativas.
• Aprendizado Contrastivo de Grafos: O modelo aprende representações invariantes ao ruído, maximizando a similaridade entre pares positivos (nós conectados ou versões aumentadas do mesmo nó) e minimizando a similaridade com pares negativos.
• Aumento de Dados: Utiliza caminhadas aleatórias (Random Walks) para realizar operações de nível de caminho (deleção e adição de arestas), criando vistas aumentadas para treinamento robusto.

3. Principais Contribuições

• Integração Multi-Escala: É o primeiro framework a modelar simultaneamente estruturas globais (célula-célula e gene-gene) e locais (gene-gene dependente de contexto) dentro de uma única representação unificada.
• Fusão Dinâmica (MoE): Substitui a fusão fixa por um mecanismo de portão adaptativo, permitindo que o modelo se ajuste à heterogeneidade dos dados.
• Objetivo Dual: Combina reconstrução (para denoising e imputação) e aprendizado contrastivo (para robustez e consistência semântica) em um único objetivo de otimização.
• Versatilidade: O framework é projetado para ser extensível a modalidades multi-ômicas e espaciais.

4. Resultados

O GatorSC foi avaliado em 19 conjuntos de dados públicos de scRNA-seq, cobrindo diversos tecidos, espécies e plataformas de sequenciamento.

• Agrupamento de Células (Clustering): Superou consistentemente métodos de ponta (baseados em geradores profundos, grafos e aprendizado contrastivo) em métricas como ARI, NMI e Acurácia. A vantagem foi particularmente notável em datasets heterogêneos com muitos tipos celulares (ex: Pancreas, Global).
• Imputação de Expressão Gênica: Demonstrou desempenho superior na recuperação de valores de expressão perdidos (dropouts) em taxas de 10% a 50%. O GatorSC manteve alta correlação de Pearson (PCC) e baixo erro L1 mesmo sob alta esparsidade, superando métodos como scSimGCL e MAGIC.
• Anotação de Tipos Celulares: Em tarefas supervisionadas, o modelo alcançou desempenho de ponta em F1-score e precisão, transferindo bem as representações aprendidas para classificação.
• Análises Biológicas:
  • Inferência de Trajetória: No dataset "Binary Tree 8", recuperou com precisão a estrutura de ramificação e pseudotempo, alinhando-se com a biologia conhecida.
  • Marcadores e Vias: Em um dataset de diaphragma, recuperou padrões de expressão de genes marcadores de linhagem.
  • Estudo de Caso (Alzheimer): Aplicado a dados de RNA de núcleo único (snRNA-seq) de córtex entorrinal humano, o GatorSC segregou células em populações cerebrais principais e identificou alterações específicas de vias (ex: supressão da via MAPK em oligodendrócitos) associadas à doença de Alzheimer.

5. Significância

O GatorSC estabelece uma nova base para a análise de transcriptômica de célula única ao resolver o problema fundamental de fusão de informações heterogêneas. Ao integrar explicitamente a estrutura global e local de células e genes através de uma fusão adaptativa e auto-supervisionada, o método produz representações latentes mais robustas, biologicamente significativas e interpretáveis.

Isso permite não apenas melhor desempenho em tarefas computacionais padrão (agrupamento, imputação), mas também uma maior confiança em análises biológicas downstream, como a descoberta de trajetórias de desenvolvimento e a identificação de assinaturas de vias específicas de tipos celulares em doenças complexas. O código-fonte está disponível publicamente, facilitando sua adoção pela comunidade de bioinformática.