DVPNet: A New XAI-Based Interpretable Genetic Profiling Framework Using Nucleotide Transformer and Probabilistic Circuits

Este estudo apresenta o DVPNet, um novo framework de perfilamento genético interpretável baseado em IA explicável que combina o Nucleotide Transformer e circuitos probabilísticos para quantificar a importância dos genes na distinção entre células cancerígenas e normais, revelando insights biológicos que vão além das estatísticas tradicionais.

O essencial

Imagine que você tem um livro de receitas muito antigo (o nosso DNA) escrito em uma língua estranha. Por séculos, os cientistas tentaram entender quais ingredientes (genes) faziam a diferença entre um bolo saudável e um bolo estragado (células normais vs. células cancerígenas).

O problema é que, até agora, eles olhavam apenas para quantas vezes cada ingrediente aparecia na lista. "Ah, o açúcar aparece 100 vezes no bolo estragado, então o açúcar deve ser o vilão!" Mas, às vezes, o açúcar aparece 100 vezes no bolo saudável também. A contagem simples não conta a história completa.

É aqui que entra o DVPNet, o novo "detetive de receitas" criado pelo pesquisador Taishi Kusumoto.

1. O Grande Detetive: O Nucleotide Transformer

Primeiro, o autor usa um "super-robô" chamado Nucleotide Transformer. Pense nele como um tradutor genial que não apenas lê as letras do DNA, mas entende o contexto e o significado delas. É como se ele lesse uma frase e entendesse a ironia, a emoção e a intenção, não apenas as palavras soltas.

Esse robô transforma cada gene em um "cartão de identidade" digital (um vetor de embedding) que carrega todo o conhecimento biológico sobre o que aquele gene faz, como ele se comporta e com quem ele conversa na célula.

2. O Juiz Transparente: Circuitos Probabilísticos

Agora, temos os cartões de identidade dos genes, mas precisamos de um juiz para decidir quem é o culpado (câncer) e quem é inocente (normal).

A maioria dos juízes modernos (Inteligências Artificiais comuns) são "caixas-pretas". Eles dizem "É câncer!" mas não explicam por quê. O DVPNet, no entanto, é um juiz transparente. Ele usa uma técnica chamada "Circuitos Probabilísticos".

Imagine que o juiz tem uma lousa onde ele escreve, para cada gene, uma nota de 0 a 100:

• "Este gene contribuiu 80% para a decisão de que é câncer."
• "Aquele gene contribuiu apenas 5%."

Isso é o que chamamos de Interpretabilidade (XAI). O modelo não apenas dá a resposta; ele mostra o raciocínio passo a passo.

3. A Grande Descoberta: O Contrário da Estatística

Aqui está a parte mais mágica do estudo.

O modelo olhou para 9.540 genes. Ele percebeu que, para 1.524 deles, a lógica da "contagem simples" estava errada.

• A lógica antiga: "O gene X aparece mais vezes em células normais, então ele deve ser um gene 'normal'."
• A descoberta do DVPNet: "Espera aí! O gene X aparece mais em células normais, mas quando ele aparece em uma célula cancerígena, ele grita tão alto (pelo seu contexto biológico) que o modelo diz: 'Isso é um sinal de alerta vermelho! É câncer!'."

O modelo encontrou genes que, mesmo sendo raros no câncer, são tão perigosos ou importantes naquele contexto específico que valem mais do que genes comuns. É como se, em um time de futebol, o goleiro (gene raro) fosse mais importante para a vitória do que o jogador que corre o campo o tempo todo (gene comum).

4. O Resultado: Um Novo Mapa do Tesouro

O estudo identificou genes famosos na pesquisa do câncer (como ITGA5 e TP73) que o modelo validou como cruciais. Mas o mais importante é que ele mostrou que a biologia não é apenas sobre "quem aparece mais", mas sobre "quem faz o que e quando".

O DVPNet criou um novo tipo de mapa de conexões entre os genes, baseado no que eles fazem (sua função biológica entendida pelo robô) e não apenas em quem eles conhecem (quem aparece junto na estatística).

Resumo em uma frase:

O DVPNet é como um detetive que, em vez de contar apenas quantas vezes um suspeito foi visto na cena do crime, analisa a expressão facial e o comportamento dele para entender se ele é realmente o culpado, revelando segredos que a simples contagem de números nunca conseguiria mostrar.

Isso abre portas para novos tratamentos, pois agora sabemos quais genes são realmente importantes para o câncer, mesmo que eles não sejam os mais comuns.

Resumo técnico

Resumo Técnico: DVPNet – Um Framework de Perfilagem Genética Interpretável Baseado em XAI

1. Problema e Motivação

As redes de co-expressão gênica tradicionais, construídas a partir de dados de sequenciamento de RNA (RNA-seq), baseiam-se em correlações estatísticas de níveis de expressão. Embora úteis para inferir funções gênicas e associações a doenças, essas redes possuem limitações fundamentais:

• Falta de Causalidade: Elas indicam quais genes estão ativos nos mesmos processos, mas não distinguem entre genes reguladores e regulados, nem fornecem informações sobre causalidade.
• Limitações Contextuais: Genes na mesma via biológica nem sempre exibem padrões de expressão de RNA semelhantes, o que impede que redes puramente correlacionais capturem relações funcionais, regulatórias ou dependentes de contexto.
• Caixa-Preta: Modelos de classificação tradicionais baseados em redes neurais profundas (como CNNs e Transformers) são "caixas-pretas", dificultando a interpretação do processo de decisão e a extração de contribuições específicas de cada gene.

O objetivo deste trabalho é desenvolver um novo fluxo de trabalho que vá além da análise estatística de níveis de expressão, utilizando representações de características biológicas intrínsecas codificadas em sequências de nucleotídeos para distinguir células cancerígenas de normais de forma interpretável.

2. Metodologia

O estudo propõe o DVPNet (Deep Probabilistic Vector Network), um modelo de classificação genética explicável que combina a capacidade de extração de características do Nucleotide Transformer com a interpretabilidade matemática dos Circuitos Probabilísticos (Probabilistic Circuits).

Fluxo de Trabalho:

1. Codificação de Genes (Nucleotide Transformer):

   • Em vez de usar apenas os níveis de expressão, o modelo extrai sequências de nucleotídeos de 2.500 pb (de -2000 pb a +500 pb do Sítio de Início da Transcrição - TSS) para cada gene expresso.
   • Essas sequências são processadas pelo Nucleotide Transformer (um modelo de fundação pré-treinado em 3.202 genomas humanos e 850 de outras espécies) para gerar vetores de incorporação (embeddings) de 1.024 dimensões.
   • Isso captura informações biológicas funcionais e regulatórias que podem ser perdidas ao analisar apenas a expressão madura do RNA.

2. Amostragem e Pré-processamento:

   • Para evitar viés baseado apenas na frequência de ocorrência de genes, o modelo seleciona aleatoriamente 900 genes expressos por célula, independentemente do nível de expressão (alto ou baixo).
   • Os vetores de incorporação são padronizados por amostra.

3. Arquitetura do Modelo (DVPNet):

   • Derivado do VPNet (originalmente para imagens), o DVPNet substitui o Vision Transformer pelo Nucleotide Transformer.
   • O núcleo do modelo é um Circuito Probabilístico Tractável. Ele preserva a decomposabilidade e a suavidade, permitindo calcular distribuições de probabilidade conjuntas de forma eficiente.
   • O modelo calcula a probabilidade condicional de uma amostra pertencer à classe "Câncer" ou "Normal" ($P(sample | class)$) como o produto das contribuições probabilísticas de cada um dos 900 genes.
   • A otimização utiliza uma perda combinada de entropia cruzada e regularização de entropia de Shannon, com uma posterior de potência (power posterior) para estabilidade.

4. Extração de Contribuições:

   • Devido à natureza probabilística e decomponível do circuito, é possível extrair a contribuição condicional de cada gene individualmente para cada classe ($P(G_i | cancer)$ vs. $P(G_i | normal)$).
   • Define-se uma Pontuação de Contribuição ($S(gene)$) como a diferença entre as contribuições logarítmicas para a classe de câncer e a classe normal.

3. Principais Contribuições

• Framework XAI Genético: Introdução do DVPNet, que oferece interpretabilidade total no nível do gene, permitindo visualizar quais genes impulsionam a decisão de classificação.
• Integração de Modelos de Fundação: Uso bem-sucedido do Nucleotide Transformer para codificar informações biológicas profundas (sequência de DNA/RNA) em vetores que alimentam um classificador probabilístico.
• Descoberta Além da Estatística: Demonstração de que o modelo identifica genes importantes baseando-se em representações de características biológicas, e não apenas na frequência de ocorrência nos dados de treinamento.
• Análise de Redes e Vias: Proposta de uma nova forma de construir redes genéticas (baseada em contribuições probabilísticas em vez de correlação de expressão) e análise de enriquecimento de vias biológicas (GO) derivada dessas contribuições.

4. Resultados

O modelo foi treinado e testado no atlas de câncer de pulmão de célula única GSE131907 (208.506 células).

• Desempenho de Classificação:

  • O modelo alcançou alta precisão, com AUROC de 0,975 e F1-score de 0,939 no conjunto de teste (modelo misto de pacientes), indicando que não houve underfitting nem overfitting severo.
  • O modelo generalizou bem para combinações de genes não vistas durante o treinamento.

• Correlação com Frequência Estatística:

  • Houve uma correlação moderada ($r = 0,356$) entre a diferença de contagem de genes e a pontuação de contribuição. Isso confirma que o modelo não depende apenas da frequência estatística, mas utiliza as representações do Nucleotide Transformer.

• Genes Contraditórios (Descoberta Chave):

  • Foram identificados 1.524 genes cujas pontuações de contribuição contradiziam suas frequências de ocorrência (ex: um gene mais frequente em células normais, mas com alta pontuação de contribuição para a classe de câncer).
  • Entre os genes de topo nesta categoria contraditória, destacam-se genes bem estudados em oncologia, como ITGA5, SIGLEC9, NOTUM e TP73, validando a relevância biológica do modelo.

• Análise de Vias e Módulos:

  • A análise de enriquecimento GO revelou que as vias com maior contribuição para o câncer envolvem complexos de imunoglobulina, ativação do complemento e citotoxicidade celular dependente de anticorpos.
  • A análise de módulos (baseada em conectividade intramodular) identificou 50 módulos distintos, com o módulo "orange" (genes como KRT83) tendo a maior contribuição positiva para o câncer e o módulo "royal blue" a maior contribuição negativa.

5. Significado e Conclusão

O DVPNet representa um avanço significativo na genética computacional ao:

1. Superar Limitações Estatísticas: Demonstrar que a importância de um gene para o câncer não é determinada apenas por quão frequentemente ele aparece, mas por como suas características biológicas codificadas na sequência de nucleotídeos interagem no contexto da célula.
2. Interpretabilidade Profunda: Fornecer um mecanismo transparente para entender a "lógica" de decisão do modelo, algo raramente alcançado em modelos de deep learning aplicados a genômica.
3. Novas Perspectivas Biológicas: A capacidade de identificar genes contraditórios sugere que o modelo captura nuances regulatórias e funcionais complexas que as análises de co-expressão tradicionais ignoram.

Embora o estudo tenha limitações (foco em câncer de pulmão e uso de dados de microambiente tumoral), o framework estabelece uma nova base para a construção de redes genéticas interpretáveis e para a descoberta de alvos terapêuticos baseada em inteligência artificial explicável.