Generating Joint Transcriptomic and Morphological Responses to Drug Perturbations via Rectified Flow

O artigo apresenta o PertFlow, um novo framework computacional unificado que prevê simultaneamente respostas transcriptômicas e gera imagens morfológicas celulares a partir de perturbações químicas, preenchendo uma lacuna crítica na modelagem conjunta de mudanças moleculares e fenotípicas induzidas por fármacos.

O essencial

Imagine que você é um detetive tentando prever o futuro de uma cidade (uma célula) quando um novo produto químico (um remédio) é despejado nela.

Até agora, os cientistas tinham duas ferramentas separadas para investigar:

1. A Lista de Compras (Transcriptômica): Uma lista de todos os ingredientes que a célula decidiu comprar e usar (os genes que foram ativados).
2. A Foto da Cidade (Morfologia): Uma foto tirada do céu mostrando como a cidade mudou de aparência (a forma das células, se elas encolheram, se ficaram bagunçadas, etc.).

O problema é que os cientistas costumavam olhar para a lista de compras e a foto separadamente. Eles sabiam que, se a lista de compras mudasse, a foto mudaria, mas não conseguiam prever ambas ao mesmo tempo com base apenas no remédio que foi adicionado. Era como tentar adivinhar como uma cidade vai ficar apenas olhando para a lista de compras, sem ver a foto, ou vice-versa.

A Solução: O "PertFlow" (O Oráculo Mágico)

Os autores deste artigo criaram um novo sistema chamado PertFlow. Pense nele como um Oráculo Mágico ou um Simulador de Realidade Virtual super avançado.

Aqui está como ele funciona, usando analogias simples:

1. O Treinamento (Aprendendo a Dança)

O PertFlow foi treinado com um monte de dados reais. Ele viu milhares de vezes o que acontece quando uma célula "saudável" (antes do remédio) toma um remédio específico.

• Ele viu a Lista de Compras mudar.
• Ele viu a Foto da Cidade mudar.
• Ele aprendeu a conectar os dois: "Ah, quando o remédio X aparece, a célula compra o ingrediente Y e, consequentemente, a foto mostra que as células ficam redondas e se afastam."

2. A Magia do "Fluxo Retificado" (O Caminho Direto)

Para gerar essas previsões, o sistema usa uma técnica chamada "Rectified Flow" (Fluxo Retificado).

• Analogia: Imagine que você quer ir de um ponto A (célula saudável) para um ponto B (célula doente pelo remédio).
  • Métodos antigos eram como tentar caminhar em ziguezague, tropeçando em buracos (ruído) e demorando muito para chegar lá.
  • O Fluxo Retificado é como construir uma estrada reta e perfeita entre A e B. O sistema sabe exatamente qual é o caminho mais rápido e direto para transformar a célula saudável na célula afetada pelo remédio, sem se perder.

3. O Olho que Tudo Vê (Atenção Cruzada)

O sistema tem uma parte muito inteligente chamada "Atenção Cruzada".

• Analogia: Imagine que você tem dois tradutores: um que fala a língua dos "Genes" e outro que fala a língua das "Imagens".
• O PertFlow faz esses dois tradutores conversarem o tempo todo. Enquanto ele prevê como a lista de compras vai mudar, ele pergunta ao tradutor de imagens: "Ei, se a lista mudar assim, a foto deve ficar assim?". E vice-versa. Isso garante que a previsão da foto e a previsão dos genes combinem perfeitamente, como se fossem duas faces da mesma moeda.

O Que Eles Conseguiram Fazer?

O sistema foi testado em laboratórios virtuais com 3 tipos de células e 40 remédios diferentes. Os resultados foram impressionantes:

1. Precisão na Lista de Compras: Ele previu quais genes seriam ativados com uma precisão muito alta (como acertar 78% das palavras em um jogo de adivinhação complexa).
2. Fotos Realistas: Ele gerou imagens de células doentes que pareciam reais. Quando mostraram essas imagens para médicos especialistas (patologistas), eles ficaram impressionados, dando notas de 7 a 8 em uma escala de 10. Eles disseram: "Isso parece muito com o que vemos no microscópio real!".
3. Descobrindo o "Porquê": O sistema não só mostrou a foto, mas explicou a causa. Por exemplo, ele conseguiu prever que um remédio específico quebraria o "esqueleto" da célula (microtúbulos) ou danificaria o "manual de instruções" (DNA), exatamente como os cientistas sabiam que acontecia na vida real.

Por que isso é importante?

Antes, para testar um novo remédio, você precisava:

1. Fazer o experimento no laboratório (caro e demorado).
2. Esperar dias para ver o resultado.
3. Analisar os dados separadamente.

Com o PertFlow, os cientistas podem:

• Simular o futuro: "Se eu misturar este remédio com esta célula, o que vai acontecer?"
• Economizar tempo e dinheiro: Testar milhares de combinações no computador antes de ir para o laboratório.
• Entender melhor: Ver como a química (genes) se transforma em física (forma da célula) instantaneamente.

Resumo Final

O PertFlow é como um simulador de voo para biologia. Ele permite que os cientistas "voem" através de milhões de cenários de tratamentos médicos, prevendo tanto a reação química interna quanto a mudança visual externa das células, tudo ao mesmo tempo e com uma precisão que antes era impossível. É um grande passo para descobrir novos remédios mais rápido e entender melhor como eles funcionam no nosso corpo.

Resumo técnico

Resumo Técnico: PertFlow

1. Problema e Motivação

A compreensão de como as drogas alteram os estados celulares é fundamental para a descoberta de medicamentos e a medicina personalizada. Atualmente, o perfilamento de alto rendimento permite a obtenção de dados pareados de sequenciamento de RNA (transcriptômica) e imagens de microscopia (morfologia celular).

• Limitação Atual: A maioria dos métodos existentes trata essas modalidades de forma isolada. Modelos focados em transcriptômica não conseguem prever efeitos morfológicos, e modelos de geração de imagens (como os baseados em Cell Painting) operam sem contexto transcriptômico.
• O Desafio: Não existe nenhum método atual capaz de prever simultaneamente perfis de expressão gênica e gerar imagens de morfologia celular a partir de perturbações químicas, capturando as dependências complexas e simultâneas entre o molecular e o fenotípico.
• Objetivo: Desenvolver um framework unificado que gere respostas conjuntas (RNA-seq e imagens) condicionadas a metadados de drogas (identidade, dose, tipo celular, tempo).

2. Metodologia: O Framework PertFlow

O PertFlow é um framework computacional unificado que utiliza Fluxo Retificado (Rectified Flow) e mecanismos de Atenção Cruzada (Cross-Modal Attention) para mapear estados celulares de controle para estados de tratamento.

Arquitetura e Componentes:

1. Codificadores de Modalidade Individual:

   • RNA-seq: Utiliza atenção auto-regressiva (self-attention) para capturar interações gene-gene, integrando conhecimento de grafos heterogêneos (PrimeKG) sobre interações proteína-proteína e vias biológicas.
   • Imagens: Utiliza uma arquitetura convolucional estilo ResNet com pooling global para extrair características visuais hierárquicas da morfologia celular.
   • Drogas: Codifica a identidade do composto (usando fingerprints moleculares Morgan/RDKit e descritores 2D/3D), tipo celular, concentração e tempo.

2. Mecanismo de Atenção Cruzada:

   • Os tokens de RNA e de imagem passam por atenção bidirecional, alinhando características entre as modalidades antes de serem fundidos. Isso permite que a morfologia influencie a previsão de genes e vice-versa.

3. Espaço de Embedding Compartilhado:

   • As representações enriquecidas das duas modalidades, juntamente com as condições da droga, são fundidas em um espaço latente compartilhado ($h_{shared}$).

4. Cabeças de Geração (Heads):

   • Predição de Transcriptoma: Uma camada totalmente conectada realiza regressão direta a partir do embedding compartilhado para prever o perfil de expressão gênica do tratamento.
   • Geração de Imagem (Fluxo Retificado): Em vez de modelos de difusão tradicionais, o PertFlow adapta o Fluxo Retificado. Este método define caminhos de interpolação linear entre o estado de ruído e a imagem de tratamento, permitindo uma geração mais eficiente e estável. Uma rede UNet prevê o campo de velocidade condicional ao estado ruidoso, ao tempo e ao embedding compartilhado.

Função de Perda (Loss Function):
O modelo é otimizado com uma função de perda composta:

• Perda de Transcriptoma: Combina Erro Quadrático Médio (MSE) para precisão no nível do gene e perda de correlação de Pearson para preservar padrões relativos de expressão.
• Perda de Imagem: Otimiza a previsão de velocidade no fluxo retificado.
• Perda de Consistência Tripla (Triplet Contrastive): Força a coerência multimodal, penalizando previsões onde as características de RNA e imagem não estão alinhadas corretamente.

3. Contribuições Chave

• Primeira Abordagem Conjunta: O PertFlow é o primeiro método a gerar simultaneamente perfis de expressão gênica (bulk RNA-seq) e imagens morfológicas (Cell Painting) a partir de perturbações químicas.
• Integração Multimodal Eficiente: Utiliza atenção cruzada e grafos de conhecimento (PrimeKG) para alinhar espaços de representação fundamentalmente diferentes (vetores discretos de genes vs. pixels contínuos).
• Uso de Fluxo Retificado: Aplica a eficiência computacional do Fluxo Retificado (transporte em linha reta entre distribuições) para a geração de imagens biológicas, superando a instabilidade de modelos de difusão padrão em baixas taxas de sinal-ruído.
• Validação Biológica Rigorosa: Inclui avaliação por patologistas certificados e análise de enriquecimento de vias gênicas para confirmar a relevância biológica.

4. Resultados e Desempenho

O modelo foi avaliado em um conjunto de dados pareado do Ginkgo Data Platform (GDPx3), contendo 17.242 amostras de 3 linhagens celulares e 40 compostos.

• Desempenho Transcriptômico:
  • Alcançou uma correlação de Pearson de 0,780 ± 0,264 e Spearman de 0,792 ± 0,041.
  • Superou significativamente baselines como MLP simples, VAEs (PRNet) e modelos unimodais.
• Desempenho Morfológico (Geração de Imagens):
  • Obteve um FID (Fréchet Inception Distance) de 24,06, superando baselines de difusão (PhenDiff: 62,50) e UNet simples.
  • Métricas SSIM e PSNR também foram superiores às abordagens de comparação.
• Validação Humana:
  • Patologistas certificados avaliaram as imagens geradas com notas medianas de 7,11 a 7,89 em uma escala de 10, indicando alta similaridade e plausibilidade biológica em comparação com imagens reais.
• Recuperação de Mecanismos Biológicos:
  • O modelo recuperou com sucesso mecanismos de drogas conhecidos, como desestabilização de microtúbulos (ex: Cevipabulina, Podofilotoxina), dano ao DNA (ex: Camptotecina) e inibição da via MAPK (ex: Dabrafenib).
  • A análise de enriquecimento de genes confirmou a ativação de vias esperadas (EMT, p53, apoptose) e respostas específicas ao tipo celular.

5. Significado e Impacto

O PertFlow representa um avanço fundamental na modelagem computacional de respostas a drogas:

• Triagem Virtual de Drogas: Permite prever tanto os efeitos moleculares quanto os fenotípicos de novos compostos sem necessidade de testes experimentais extensivos.
• Descoberta de Mecanismos: A capacidade de gerar dados multimodais coerentes facilita a geração de hipóteses sobre como alterações moleculares se traduzem em fenótipos celulares.
• Integração de Dados: Demonstra que a integração de transcriptômica e morfologia em um espaço latente compartilhado melhora a precisão preditiva em ambas as modalidades, superando a abordagem de "silos" de dados.
• Futuro: Abre caminho para modelos farmacológicos mais integrados e interpretáveis, embora desafios permaneçam na generalização para linhagens celulares não vistas e na modelagem de interações microambientais complexas (ex: imunomodulação).

Em suma, o PertFlow estabelece um novo padrão para a geração multimodal em biologia computacional, unindo a precisão molecular à riqueza visual da morfologia celular sob perturbações farmacológicas.