💻 bioinformatics

POME: Graph-based embeddings for partially observed mixed-type data

O artigo apresenta o POME, um modelo de incorporação baseado em grafos e autossupervisionado projetado para gerar representações de baixa dimensão para dados biomédicos de tipos mistos parcialmente observados, alcançando desempenho de estado da arte em imputação e permitindo tarefas subsequentes eficazes, como descoberta de subgrupos de pacientes, modelagem preditiva e recomendação de terapia.

Autores originais: Woller, F., Arend, L., Kist, A. M., List, M., Rahimi, F., Sirocchi, C., Blumenthal, D. B.

Publicado 2026-09-15

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Woller, F., Arend, L., Kist, A. M., List, M., Rahimi, F., Sirocchi, C., Blumenthal, D. B.

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo

Na vasta paisagem da medicina moderna, os dados são a principal ferramenta para compreender doenças e orientar tratamentos. Médicos e pesquisadores coletam quantidades imensas de informações sobre pacientes, que variam desde os tipos específicos de células encontradas em um tumor até os resultados de exames de sangue e o histórico de doenças passadas. Essa informação raramente é uniforme; é uma mistura caótica de números, categorias e texto, frequentemente referida como dados de tipos mistos. Além disso, esses dados quase nunca estão completos. Pacientes faltam a consultas, certos testes não são solicitados para todos e registros são perdidos, deixando lacunas que parecem espaços vazios em uma planilha. Por décadas, essas lacunas e a variedade desordenada de tipos de dados forçaram os cientistas a descartar registros incompletos ou a usar truques estatísticos para preenchê-los, ambos os quais podem distorcer a imagem real da saúde de um paciente e levar a conclusões falhas.

Uma equipe de pesquisadores desenvolveu agora uma nova maneira de lidar com essa realidade desordenada, transformando as lacunas e a variedade em características, em vez de defeitos. Eles criaram uma ferramenta chamada POME, que significa partially observed mixed-type data embeddings (embeddings de dados de tipos mistos parcialmente observados). Em vez de tentar forçar todos os diferentes tipos de dados médicos em um único formato rígido ou simplesmente deletar as partes ausentes, o POME trata todo o conjunto de dados como um mapa de conexões. Imagine uma rede onde os pacientes são um conjunto de pontos e cada possível informação sobre eles é outro conjunto de pontos. Quando um paciente tem um resultado de exame de sangue, uma linha o conecta a esse resultado. Quando uma peça de dado está faltando, a linha simplesmente não é desenhada. Essa abordagem permite que o computador aprenda as relações entre pacientes e seus sintomas, mesmo quando os dados estão incompletos e misturados.

Os pesquisadores testaram essa abordagem em três grandes coleções de registros médicos do mundo real, envolvendo milhares de pacientes com câncer de pulmão, câncer de cabeça e pescoço e várias outras condições tratadas com quimioterapia. Eles descobriram que o POME conseguia preencher as informações ausentes com um nível de precisão que igualava ou excedia os melhores métodos existentes. Mais importante ainda, a ferramenta criou uma nova espécie de "impressão digital" para cada paciente. Essas impressões digitais não eram apenas resumos simples, mas representações ricas e de baixa dimensão que capturavam a complexa interação dos diversos marcadores de saúde de um paciente. Quando os pesquisadores usaram essas impressões digitais para agrupar pacientes sem dizer ao computador o que procurar, os grupos que se formaram foram medicamente significativos. Por exemplo, a ferramenta separou naturalmente pacientes com base em se seus tumores estavam ligados a um vírus específico, um fator conhecido por influenciar as taxas de sobrevivência, ou agrupou-os pela densidade de células imunes em seus tumores, que é um sinal de como o corpo está combatendo a doença.

O poder dessas impressões digitais estendeu-se além de apenas classificar pacientes. Os pesquisadores usaram elas para olhar para trás em decisões de tratamento históricas e ver se faziam sentido. Ao comparar a impressão digital de um novo paciente com as de pacientes do passado, o sistema podia sugerir qual estratégia de tratamento havia funcionado melhor para indivíduos semelhantes no passado. Em um teste envolvendo pacientes com câncer de cabeça e pescoço, aqueles cujo tratamento real coincidia com a recomendação do sistema baseada nessas impressões digitais tiveram taxas de sobrevivência de cinco anos significativamente melhores do que aqueles cujo tratamento não correspondia. Isso sugere que a ferramenta pode identificar padrões sutis na forma como diferentes combinações de sintomas e histórico respondem a terapias específicas, oferecendo uma maneira de apoiar médicos na tomada de decisões mais informadas.

O estudo também mostrou que essas impressões digitais poderiam ser usadas para prever resultados futuros, como se um paciente desenvolveria um efeito colateral específico da quimioterapia, muitas vezes superando outros métodos padrão para lidar com dados mistos. Os pesquisadores até olharam dentro da ferramenta para ver o que ela havia aprendido sobre as próprias variáveis. Eles descobriram que a ferramenta havia agrupado corretamente termos médicos que são biologicamente relacionados, como diferentes tipos de glóbulos brancos, demonstrando que ela havia aprendido a lógica subjacente dos dados médicos, em vez de apenas memorizar números.

Embora a ferramenta seja atualmente otimizada para rodar em hardware de computação potente e exija memória significativa para conjuntos de dados muito grandes, os pesquisadores demonstraram que ela é rápida o suficiente para ser útil em fluxos de trabalho do mundo real. Eles disponibilizaram o software ao público para que outros cientistas possam testá-lo em seus próprios dados. O trabalho não pretende resolver todos os problemas da análise de dados médicos, mas oferece uma nova maneira robusta de transformar os registros desordenados, incompletos e variados da prática clínica em insights claros e acionáveis. Ao respeitar a estrutura natural dos dados, incluindo suas partes ausentes, o POME permite que os pesquisadores vejam o paciente com mais clareza, potencialmente levando a diagnósticos melhores e tratamentos mais eficazes.

Resumo Técnico: POME – Embeddings Baseados em Grafos para Dados de Tipos Mistos Parcialmente Observados

Declaração do Problema

A pesquisa biomédica frequentemente depende de conjuntos de dados de Tipos Mistos Parcialmente Observados (POM), que combinam tipos de recursos heterogêneos (numéricos, binários e categóricos multiclasse) com frações substanciais de valores ausentes. Os fluxos de trabalho analíticos tradicionais enfrentam desafios significativos com tais dados:

Heterogeneidade: Métodos padrão como a Análise de Componentes Principais (PCA) são limitados a dados numéricos, enquanto outros como a Análise de Fatores de Dados Mistos (FAMD) ou t-SNE têm dificuldade em integrar valores ausentes ou combinar diferentes tipos de variáveis sem pré-processamentos ad hoc.
Ausência de Dados (Missingness): Estratégias comuns para lidar com dados ausentes, como análise de casos completos ou exclusão por pares, introduzem viés sistemático. Por outro lado, técnicas de imputação padrão frequentemente falham em capturar a estrutura conjunta complexa de dados de tipos mistos ou exigem estratégias específicas para cada tipo de variável.
Lacuna na Aprendizagem de Representação: Métodos de embedding existentes (ex: UMAP, scVI, MOFA) ou não suportam nativamente dados de tipos mistos com valores ausentes ou carecem de implementações prontas para uso que lidem com as restrições específicas de conjuntos de dados POM (ex: variáveis categóricas multiclasse com ausência de dados).

Metodologia: O Modelo POME

Os autores propõem o POME (Partially Observed Mixed-type data Embeddings), um modelo de aprendizado autossupervisionado projetado para gerar representações vetoriais de baixa dimensão tanto para amostras quanto para variáveis. O POME trata o conjunto de dados como um grafo bipartido onde a ausência de dados é naturalmente codificada como a ausência de arestas.

1. Representação de Grafo

O conjunto de dados $X$ é modelado como um grafo bipartido $G = (S \cup R, E)$ :

Nós:
- Nós de Amostra ( $S$ ): Representam observações individuais.
- Nós de Valor ( $R$ ): Representam os valores das variáveis.
  - Para variáveis categóricas, os nós de valor correspondem a classes específicas.
  - Para variáveis numéricas, os valores são discretizados em bins ( $B$ ) via uma estratégia de binagem (padrão: binagem por z-score com $B=15$ ). Os nós de valor representam esses bins.
Arestas: Uma aresta existe entre um nó de amostra $i$ e um nó de valor $r$ se a amostra possui um valor observado correspondente àquela classe ou bin. Valores ausentes são representados pela ausência de uma aresta.
Aprendizado de Conceito Compartilhado:
- Codificações de Variáveis ( $e_j$ ): Compartilhadas entre todos os nós de valor de uma variável específica.
- Codificações de Bin ( $e_b$ ): Compartilhadas entre todas as variáveis numéricas para o mesmo índice de bin, permitindo que o modelo aprenda um semântico unificado para intervalos numéricos (ex: "valor alto").
- Codificações de Classe ( $e_c$ ): Específicas para a variável, já que as categorias de diferentes variáveis não são semanticamente comparáveis.

2. Arquitetura

O POME emprega um framework de Redes Neurais de Grafos (GNN):

Encoder: Um Graph Attention Network (GAT) de duas camadas aprende embeddings ( $z_u$ ) para todos os nós. O mecanismo de atenção permite que o modelo pese a contribuição de diferentes variáveis de forma não uniforme.
Decoder: Um Perceptron de Camadas Multicamadas (MLP) de duas camadas realiza a predição de ligação (link prediction), reconstruindo o grafo ao prever a probabilidade de uma aresta entre uma amostra e um nó de valor.
Função de Perda: Uma perda de entropia cruzada binária é minimizada para distinguir arestas observadas (positivas) de não-arestas amostradas aleatoriamente (negativas).

3. Raciocínio Indutivo

Para lidar com novas amostras não vistas (cenário indutivo), o POME inicializa novos nós de amostra com codificações zero. Crucialmente, durante a inferência, as arestas são direcionadas apenas dos nós de valor para o novo nó de amostra. Isso garante que a nova amostra agregue informações de seus valores observados sem perturbar as representações aprendidas dos nós existentes ou de outras novas amostras, permitindo o embedding eficiente de novos dados em lotes.

4. Aplicações Downstream

Imputação: Valores categóricos são imputados selecionando o nó de valor com a maior pontuação de predição de ligação. Valores numéricos são imputados usando uma cabeça de regressão leve treinada nos embeddings de amostra e de variável aprendidos.
Estratificação e Visualização: Embeddings de amostra ( $z_i$ ) são usados para agrupamento/clustering (ex: Leiden) e visualização (ex: t-SNE).
Modelagem Preditiva: Embeddings servem como recursos de entrada para tarefas supervisionadas (probing linear).
Semântica de Variáveis: Codificações de variáveis ( $e_j$ ) são analisadas para compreender as relações semânticas aprendidas.

Principais Resultados

Os autores avaliaram o POME em três conjuntos de dados biomédicos reais: TCGA-LUAD (adenocarcinoma de pulmão), HANCOCK (câncer de cabeça e pescoço) e MIMIC-IV (efeitos colaterais de quimioterapia).

Desempenho de Imputação:
- O POME alcançou desempenho de estado da arte em variáveis categóricas em todos os conjuntos de dados e razões de ausência de dados (1%–50%), superando significativamente o k-NN, MissForest e AutoComplete.
- Em variáveis numéricas, o POME teve desempenho comparável ao MissForest e significativamente melhor que o k-NN e AutoComplete em dois dos três conjuntos de dados.
Estratificação de Amostras Não Supervisionada:
- Os embeddings do POME produziram qualidade de agrupamento superior (maiores scores de Silhueta, menores índices de Davies-Bouldin) em comparação ao UMAP, particularmente em dimensões de embedding mais baixas (16 e 32).
- Os clusters identificados no conjunto de dados HANCOCK foram clinicamente significativos, recuperando marcadores prognósticos conhecidos (ex: status de HPV, local do tumor, densidade de células CD3+) e mostrando diferenças significativas na sobrevida global.
Modelagem Preditiva (Probing Linear):
- Modelos de regressão logística treinados em embeddings do POME superaram aqueles treinados em embeddings do UMAP em 7 de 8 variáveis alvo binárias através dos conjuntos de dados.
- O POME demonstrou utilidade superior na representação conjunta de dados numéricos e categóricos, enquanto o UMAP exigiu modelos separados que foram combinados post-hoc.
Recomendação de Terapia Adjuvante:
- Em um estudo retrospectivo usando o conjunto de dados HANCOCK, consultas de similaridade baseadas no POME foram usadas para recomendar modalidades de terapia adjuvante.
- Pacientes cuja terapia real coincidiu com a recomendação baseada no POME ("consistente com o POME") mostraram frações de sobrevida global de 5 anos significativamente maiores em comparação com aqueles cuja terapia não coincidiu, mesmo em subgrupos onde nenhuma terapia foi administrada.
Semântica de Variáveis:
- A análise exploratória das codificações de variáveis no MIMIC-IV revelou que o espaço semântico aprendido se alinhava com o conhecimento biomédico. Por exemplo, o embedding para "aplasia" agrupou-se proximamente com variáveis relacionadas a glóbulos brancos (neutrófilos, monócitos), consistente com marcadores de imunossupressão conhecidos.

Significância e Alegações

O artigo posiciona o POME como uma solução versátil e pronta para uso para os desafios específicos de dados POM na pesquisa biomédica.

Framework Unificado: O POME elimina a necessidade de estratégias separadas para lidar com dados ausentes e integração de variáveis, aprendendo uma representação conjunta que respeita inerentemente a estrutura de grafo dos dados observados.
Utilidade Prática: O modelo é rápido (treinar em 10.000 amostras leva <2 minutos em GPU) e suporta raciocínio indutivo, tornando-o adequado para fluxos de trabalho de análise iterativa e implantação no mundo real.
Relevância Clínica: O estudo demonstra que os embeddings do POME não são apenas abstrações matemáticas, mas capturam informações clinicamente acionáveis, permitindo a descoberta de subgrupos de pacientes, melhoria da modelagem preditiva e recomendações de terapia baseadas em dados.
Acessibilidade: Os autores fornecem um pacote Python totalmente documentado (pome-py) disponível no PyPI e GitHub para facilitar a adoção.

Os autores mantêm um tom modesto quanto a melhorias futuras, sugerindo que, embora melhorias arquiteturais (ex: blocos de atenção, decoders baseados em transformer) possam aumentar o desempenho, o valor central do POME reside em sua aplicação bem-sucedida de aprendizado de grafo bipartido para dados POM. Eles reconhecem limitações atuais de consumo de memória para conjuntos de dados muito grandes e a otimização para hardware de GPU.