Uncertainty-aware synthetic lethality prediction with pretrained foundation models

O artigo apresenta o CO_SCPLOWILANTROC_SCPLOWO_SCPCAP-C_SCPCAPO_SCPLOWSLC_SCPLOW, um framework sem grafos que utiliza modelos fundamentais biológicos pré-treinados e predição conformal para prever pares de letalidade sintética com incerteza calibrada, superando as limitações de métodos existentes ao evitar dependência de redes de interação proteica e anotações de ontologia gênica.

O essencial

Imagine que o câncer é como um castelo fortificado, cheio de guardas (genes) que protegem o rei (a célula cancerosa). A ideia da Letalidade Sintética é uma estratégia de guerra muito inteligente: se você tirar um único guarda, o castelo continua funcionando. Mas, se você tirar dois guardas específicos ao mesmo tempo, o castelo desaba e o rei morre. O problema é que existem milhões de combinações possíveis de guardas para testar, e fazer isso um por um no laboratório é caro, demorado e impossível de fazer tudo.

Os cientistas tentaram usar mapas de "quem conhece quem" (redes de interação de proteínas) para adivinhar quais pares de guardas são perigosos juntos. Mas esses mapas estão incompletos e muitas vezes ignoram os guardas menos famosos.

É aqui que entra o CILANTRO-SL, o novo "detetive" criado pelos autores deste artigo. Vamos entender como ele funciona usando uma analogia simples:

1. O Detetive que "Lê" a Mente (Modelos de Fundação)

Em vez de usar mapas antigos e incompletos, o CILANTRO-SL usa um "super-estudante" chamado Geneformer. Imagine que esse super-estudante leu milhões de livros (dados genéticos de células) e aprendeu como as células funcionam de verdade, sem precisar de um mapa prévio.

• A Simulação de "Apagão" (In Silico Knockout): O modelo pega uma célula cancerosa e, no computador, simula o que aconteceria se ele "desligasse" (apagasse) um gene específico. Ele compara a célula normal com a célula "apagada" e nota a diferença. É como se ele dissesse: "Se tirarmos o guarda X, a célula fica um pouco mais fraca".
• A "Identidade" do Gene: Para não se perder, o modelo também consulta um "dicionário de personalidades" (chamado Gene2vec) que diz como cada gene se comporta geralmente, mesmo em situações que o modelo nunca viu antes.

2. O Treinamento de Sobrevivência (Pre-treinamento)

O modelo pratica muito com dados reais de laboratório (onde cientistas já apagaram genes e viram se a célula morreu ou sobreviveu). Ele aprende a criar uma "carteira de identidade" para cada gene em cada tipo de célula. Essa carteira diz: "Se este gene for apagado nesta célula específica, o quanto a sobrevivência da célula cai?".

3. A Grande Aposta: Encontrando o Par Fatal

Agora, o modelo tenta adivinhar quais dois genes, se apagados juntos, matam a célula.

• Ele pega a "carteira de identidade" do Gene A e a do Gene B.
• Ele combina essas informações para ver se, juntos, eles causam um colapso total.
• O Diferencial: Diferente de outros métodos que dizem apenas "Sim" ou "Não", o CILANTRO-SL é honesto sobre o que ele não sabe.

4. O "Selo de Confiança" (Conformal Prediction)

Esta é a parte mais importante para os cientistas. Imagine que você está pedindo conselhos a um oráculo.

• Modelos antigos: Dizem "Vai dar certo!" ou "Vai falhar!", mas às vezes estão errados e você perde dinheiro testando.
• CILANTRO-SL: Diz: "Eu tenho 95% de certeza de que este par vai funcionar" ou "Eu não tenho certeza, não tente ainda".

Ele usa uma técnica matemática chamada Conformal Prediction para dar um "selo de confiança". Se o selo for alto, os cientistas podem ir ao laboratório e testar aquele par específico, sabendo que as chances de sucesso são reais. Se o selo for baixo, eles economizam tempo e dinheiro ignorando aquela possibilidade.

Por que isso é revolucionário?

1. Não depende de mapas velhos: Ele aprende diretamente dos dados, então funciona até para genes que ninguém estudou antes (o que chamam de "zero-shot").
2. Contexto é tudo: Ele entende que o que mata uma célula de câncer de pulmão pode não matar uma de pele. Ele é específico para cada tipo de tumor.
3. Economia de Recursos: Ao dizer claramente quais são as melhores apostas, ele ajuda os pesquisadores a focarem apenas nos experimentos que têm maior chance de curar o câncer.

Em resumo: O CILANTRO-SL é como um consultor de inteligência artificial super-honesto que, em vez de tentar adivinhar aleatoriamente, usa a experiência de milhões de células para dizer exatamente quais pares de genes devem ser atacados juntos para vencer o câncer, e avisa com clareza quando ele está confiante o suficiente para você gastar dinheiro testando essa ideia.

Resumo técnico

1. O Problema

A Letalidade Sintética (SL) é uma relação genética onde a perda simultânea de dois genes leva à morte celular, enquanto a perda de apenas um não compromete a sobrevivência. Esse conceito é fundamental para a oncologia de precisão, permitindo o desenvolvimento de terapias que matam seletivamente células cancerígenas (que já possuem uma mutação) ao inibir o gene parceiro de SL.

No entanto, a identificação experimental de pares de genes SL é:

• Custosa e demorada: O espaço de busca combinatório é enorme (centenas de milhões de pares).
• Contexto-dependente: Uma interação pode ser letal em um tipo de célula e neutra em outra.
• Viciada: Os dados atuais tendem a favorecer genes bem estudados.

Métodos computacionais existentes frequentemente dependem de redes de interação proteína-proteína (PPI) curadas e anotações de Ontologia de Genes (GO). Essas abordagens têm limitações de generalização para genes pouco caracterizados ou novos contextos celulares, pois dependem de topologias de interação pré-definidas e anotações densas que são incompletas. Além disso, a falta de estimativas de incerteza confiáveis dificulta a priorização de candidatos para validação experimental.

2. Metodologia: CILANTRO-SL

O artigo propõe o CILANTRO-SL, um framework de duas etapas, livre de grafos, que utiliza modelos de base biológica pré-treinados (Foundation Models) para prever pares SL com quantificação de incerteza calibrada.

Etapa 1: Aprendizado de Representações de Viabilidade (Viability Pretraining)

O objetivo é aprender representações de genes condicionadas ao contexto celular e a perturbações, sem depender de grafos de interação.

• Modelo de Base: Utiliza o Geneformer (um modelo de fundação de célula única pré-treinado em 30 milhões de transcriptomas) para obter embeddings de células.
• Simulação de Knockout In Silico: Para simular a deleção de um gene $g$ em uma linhagem celular $c$, o token correspondente ao gene é removido da sequência de entrada do Geneformer. O modelo gera um novo embedding perturbado ($X'_{c,g}$).
• Embeddings Delta: A diferença entre o embedding da célula não perturbada ($X_c$) e a perturbada ($\Delta X_{c,g} = X_c - X'_{c,g}$) captura o sinal de perturbação específico do contexto.
• Priors de Identidade do Gene: Para complementar o sinal de perturbação, utiliza-se um prior de identidade do gene baseado em dados de co-expressão em larga escala (Gene2vec).
• Fusão via FiLM: Os embeddings delta são condicionados ao prior do gene usando uma camada de Modulação Linear Específica por Recurso (FiLM - Feature-wise Linear Modulation). Isso permite que o modelo ajuste a representação de perturbação com base na identidade global do gene.
• Pré-treinamento de Regressão: Um MLP leve é treinado em dados de viabilidade do DepMap (CRISPR) para prever a pontuação de viabilidade (quanto mais negativo, maior a dependência do gene). A saída é um embedding de viabilidade ($V_{c,g}$) de 32 dimensões, que encapsula o efeito funcional do knockout em um contexto celular específico.

Etapa 2: Predição de SL e Quantificação de Incerteza

• Classificação de Pares: Para um par de genes candidatos $(g_1, g_2)$ em uma linhagem celular $c$, os embeddings de viabilidade são concatenados e alimentados em um classificador binário (MLP) para distinguir pares SL de não-SL.
• Predição Conformal (Conformal Prediction): Para garantir confiabilidade experimental, o framework aplica predição conformal sobre as probabilidades de saída do classificador.
  • Isso gera conjuntos de previsão calibrados com garantias de cobertura de erro finito.
  • Em vez de apenas uma pontuação, o modelo fornece um conjunto de rótulos possíveis (ex: {SL}, {Não-SL}, ou {Ambos}).
  • Conjuntos unitários (apenas um rótulo) indicam alta confiança, enquanto conjuntos maiores indicam ambiguidade. Isso permite aos pesquisadores priorizar candidatos com alta confiança estatística.

3. Principais Contribuições

1. Framework Livre de Grafos: Elimina a dependência de redes PPI e anotações GO, permitindo a generalização para genes não anotados ou pouco estudados.
2. Representações Orientadas a Perturbação: Introduz o uso de embeddings delta derivados de modelos de fundação (Geneformer) combinados com priors de co-expressão (Gene2vec) para capturar dependências funcionais diretamente dos dados de expressão e viabilidade.
3. Quantificação de Incerteza Calibrada: Integra a predição conformal para fornecer estimativas de confiança rigorosas, essenciais para a triagem experimental em um cenário de dados ruidosos e desbalanceados.
4. Generalização Zero-Shot: O modelo demonstra capacidade de prever interações envolvendo genes nunca vistos durante o treinamento (Gene-holdout), superando métodos baseados em grafos que falham nesse cenário.

4. Resultados

• Desempenho Superiores em Zero-Shot: Em cenários rigorosos de "Gene-holdout" (onde genes de teste são totalmente novos), o CILANTRO-SL superou significativamente os baselines baseados em grafos (como KG4SL, DDGCN) e métodos de fatoração de matriz.
  • Melhoria de 28,6% no F1-score em relação ao KG4SL e 49,9% em relação ao ESM4SL no cenário Gene-holdout.
  • O modelo manteve estabilidade mesmo com a mudança de distribuição de genes, enquanto outros modelos sofreram degradação severa.
• Ablação de Componentes:
  • O uso de embeddings delta (diferença) foi superior ao uso de embeddings perturbados brutos para a tarefa de classificação SL, indicando que a diferença captura melhor o sinal de dependência.
  • A inclusão do prior Gene2vec via FiLM melhorou consistentemente a performance em relação ao uso de apenas embeddings delta.
• Calibração de Incerteza: A predição conformal demonstrou coberturas empíricas alinhadas com os níveis de erro alvo (ex: 95% de cobertura real para um alvo de 95%).
  • Pares apoiados por dados experimentais de CRISPR tiveram maior probabilidade de receber previsões de alta confiança (conjuntos unitários), validando que as representações aprendidas capturam dependências biológicas reais.
• Descoberta Biológica: A análise de enriquecimento funcional dos pares SL de alta confiança revelou vias biologicamente coerentes, como tradução mitocondrial, resposta a danos no DNA e controle do ciclo celular.
  • O modelo identificou candidatos plausíveis como TP53-PARP1 e AURKA-BUB1B, que possuem relevância terapêutica e mecanismos biológicos sólidos, mesmo sem validação direta de CRISPR no banco de dados de treinamento.

5. Significado e Impacto

O CILANTRO-SL representa um avanço na predição de alvos terapêuticos ao transformar representações biológicas pré-treinadas em hipóteses acionáveis e incertas. Ao substituir a dependência de topologias de interação estáticas por representações aprendidas a partir de dados de perturbação e expressão, o método supera as limitações de generalização dos métodos atuais.

A integração de quantificação de incerteza é crucial para a biologia translacional, permitindo que pesquisadores priorizem experimentos caros com base em confiança estatística calibrada. O framework oferece uma base escalável para a descoberta de alvos terapêuticos em contextos celulares específicos, facilitando a transição da oncologia de precisão para a prática clínica ao identificar interações sintéticas letais em genes e contextos anteriormente inexplorados.