Coding agents author interpretable single-cell embedding models from the literature

Resumo Técnico: Agentes de Codificação Autores de Modelos de Embedding de Célula Única Interpretáveis

Problema
A análise de sequenciamento de RNA de célula única (scRNA-seq) depende da redução de perfis de expressão de alta dimensão em embeddings de baixa dimensão para visualizar, agrupar e ordenar células. Métodos convencionais aprendem essas representações de novo a partir da matriz de expressão, produzendo espaços latentes densos onde as dimensões são funções complexas de muitos genes. Estes exigem interpretação post-hoc e etapas dedicadas de correção de lote (batch-correction) para lidar com a variação técnica. Embora a literatura científica codifique uma representação complementar, esparsa e composicional dos estados celulares como programas de genes marcadores validados, esse conhecimento está disperso em artigos e bancos de dados. Métodos interpretáveis existentes (ex: UCell, expiMap) dependem de bases de dados de conjuntos de genes fixos e curados por humanos que não podem ser dinamicamente compostos em eixos estruturados ou adaptados a cenários biológicos específicos sem treinamento. Além disso, modelos de fundação frequentemente falham em superar baselines simples sem ajuste fino (fine-tuning) e permanecem como caixas pretas.

Metodologia
Os autores propõem um framework onde um agente de codificação autoria modelos de embedding de célula única interpretáveis diretamente da literatura científica, recebendo apenas uma descrição de um cenário biológico (espécie, tecido e notas opcionais). O agente nunca vê os dados de expressão, não requer treinamento e não utiliza um banco de dados de conjuntos de genes pré-existente.

O fluxo de trabalho consiste em duas etapas:

1. Autoria (Estágio A): O agente recebe uma configuração de cenário e um template Python fixo. Ele edita uma única função build_blueprint() para curar programas de genes nomeados e citados na literatura e compô-los em eixos de embedding. O agente seleciona genes e programas relevantes para o cenário, citando recursos revisados por pares (artigos, atlas ou bancos de dados).
2. Refinamento (Estágio B, Opcional): Um agente discriminador critica a cobertura biológica do blueprint, e um agente gerador revisa-o para endereçar descobertas, garantindo um embasamento robusto na literatura.

O blueprint resultante é um script Python curto e declarativo (10–40 KB) em vez de um modelo treinado. Ele define três tipos de eixos:

• Eixos simples (Plain axes): Leem um único programa de genes.
• Eixos de contraste (Contrast axes): Opoem dois programas para separar populações.
• Eixos de portão (Gated axes): Restringem um programa a uma classe pai, permitindo o encadeamento de portões para codificar estruturas hierárquicas (ex: árvores de desenvolvimento).

A construção do embedding é uma passagem determinística, apenas de CPU, onde cada célula é pontuada nos genes curados de cada eixo. O output é uma tabela célula-por-eixo. O agente é limitado por uma API fixa para garantir que o output seja padronizado, auditável e reprodutível.

Contribuições Principais

• Autoria de Modelo Autônoma: Demonstra que agentes de codificação podem sintetizar modelos de embedding interpretáveis a partir de literatura não estruturada sem acesso a dados ou treinamento.
• Curadoria Dinâmica: Ao contrário de métodos com bases de dados fixas, o agente cura dinamicamente programas de genes específicos para o cenário biológico, permitindo a descoberta de estados celulares de grão fino (ex: subclasses corticais) frequentemente ausentes em bases de dados padrão.
• Interpretabilidade e Auditabilidade Inerentes: Cada dimensão é um eixo nomeado composto por módulos de genes citados. O modelo é auditável até o nível de genes individuais, programas e citações.
• Topologia Direcionável: O agente pode ser instruído via linguagem natural para organizar eixos em topologias específicas, como uma árvore de desenvolvimento ordenada no tempo, onde a profundidade reflete o estágio embrionário.
• Robustez de Lote por Construção: Como o blueprint pontua as células apenas em genes marcadores curados e validados na literatura, ele é inerentemente robusto a efeitos de lote (batch effects) sem a necessidade de correção explícita ou variáveis de lote.

Resultados
A abordagem foi validada em tecidos de camundongo e humano (isocórtex de camundongo, pâncreas humano, sistema imunológico humano e gastrulação de camundongo).

• Qualidade Biológica: Os blueprints zero-shot são competitivos com baselines convencionais (PCA, scVI), de modelos de fundação (scVI-census, UCE) e informados por programas (UCell, expiMap). No isocórtex de camundongo, o blueprint superou métodos de base de dados fixa na resolução de subclasses de grão fino (scIB Total 0.63–0.64 vs. 0.49–0.60) ao curar ~23 eixos de subclasses nomeadas não presentes em bases de dados padrão.
• Robustez de Lote: O blueprint atinge pontuações de correção de lote comparáveis a métodos treinados (scVI, expiMap) e significativamente superiores a métodos sem conhecimento prévio. Essa invariância é estrutural: o modelo carece de canais para que a variação técnica se carregue.
• Reprodutibilidade: Em 10 execuções de reautoria, a geometria do embedding mostrou alta reprodutibilidade (média de CKA pairwise ~0.85), apesar de o agente selecionar genes parcialmente diferentes a cada vez. O vocabulário biológico central (genes, módulos, eixos) permaneceu estável.
• Árvore de Desenvolvimento: No atlas de gastrulação de camundongo, uma única instrução de linguagem natural direcionou o agente para organizar os eixos em uma árvore onde a profundidade correlacionava-se com o tempo embrionário (Spearman $\rho \approx 0.98$ por linhagem). Esta estrutura foi projetada (designed-in), contrastando com ferramentas de inferência de trajetória que recuperam grafos post-hoc da geometria dos dados.
• Eficiência: A autoria leva minutos (2–7 min) e gera scripts na escala de kilobytes, contrastando com as pegadas de megabytes-a-gigabytes e tempos de treinamento mais longos dos métodos convencionais.

Significância
O artigo afirma fornecer um novo paradigma para o aprendizado de representação interpretável em genômica de célula única. Ele preenche a lacuna entre o conhecimento qualitativo na literatura científica e modelos quantitativos e auditáveis. Ao tratar a literatura como um modelo latente de estados celulares, a abordagem oferece uma "lente da literatura" que é complementar às visões baseadas em dados. Os autores enfatizam que este método entrega uma combinação única de propriedades: interpretabilidade, robustez de lote, adaptabilidade dinâmica a cenários específicos e direcionabilidade para topologias estruturadas, algo que nenhum outro método provê simultaneamente. O trabalho é apresentado como um passo para converter o conhecimento de domínio qualitativo e disperso em modelos quantitativos e auditáveis, desde que o output do agente seja disciplinado por uma API estruturada. Os autores observam limitações, incluindo a dependência da qualidade da literatura e do pré-treinamento do modelo de linguagem, e sugerem direções futuras, como combinar esses priors com modelos aprendidos leves para capturar a estrutura biológica residual.