CAPRA predicts single-cell transcriptional responses to genetic perturbations with response anchoring and residual correction

Resumo Técnico: CAPRA – Arquitetura de Resíduo de Perturbação Ancorada em Controle

Problema
Triagens de perturbação de célula única (ex: Perturb-seq, CROP-seq) mapeiam intervenções genéticas para estados celulares, mas a cobertura experimental permanece esparsa devido a limitações de custo e rendimento (throughput). Isso é particularmente agudo para perturbações combinatórias (multigênicas), onde o espaço de busca cresce exponencialmente. Embora existam métodos computacionais para extrapolar respostas, eles enfrentam duas limitações primárias:

1. Opacidade da Evidência: Os preditores existentes (usando representações latentes, grafos de genes ou modelos de fundação) frequentemente absorvem a evidência de resposta específica que sustenta uma previsão para dentro das representações latentes do modelo. Isso torna difícil distinguir previsões fundamentadas em efeitos de gene único medidos de aquelas impulsionadas principalmente por extrapolação ou similaridade semântica.
2. Colapso de Variância na Análise Downstream: Quando células preditas são passadas para fluxos de trabalho padrão de célula única (ex: Scanpy) para chamada de Expressão Diferencial de Genes (DEG), a variabilidade das células preditas frequentemente colapsa. Isso leva a estatísticas de teste infladas para pequenas mudanças de média, fazendo com que a recuperação de genes afetados falhe, mesmo quando os rankings de resposta média retêm sinal.

Metodologia: Arquitetura CAPRA
Os autores introduzem o CAPRA (Arquitetura de Resíduo de Perturbação Ancorada em Controle), um modelo ancorado na resposta projetado para tornar o suporte da previsão explícito e preservar a variabilidade para análise downstream. A arquitetura opera em três estágios:

1. Construção da Âncora de Resposta:

   • Para uma determinada perturbação, o CAPRA amostra um estado de controle ($\mu_{control}$) para definir a linha de base.
   • Ele constrói uma âncora de resposta ($\Delta_{anchor}$) no espaço de expressão representando o efeito esperado da perturbação.
   • Suporte Exato: Se o gene da perturbação possui um efeito de gene único observado no banco de treinamento, esse efeito exato é utilizado.
   • Suporte Recuperado: Se não houver efeito exato, o CAPRA recupera uma resposta de gene único de vizinho mais próximo no espaço de embeddings do GenePT (usando K-vizinhos mais próximos baseados em vetores GenePT).
   • Para perturbações de genes duplos, as âncoras de nível de slot são somadas ($\Delta_{GA} + \Delta_{GB}$).
   • Crucialmente, o modelo registra a proveniência da âncora (exata vs. recuperada) como metadados.

2. Correção de Resíduo Condicionada à Âncora:

   • O modelo aprende uma correção de resíduo para refinar a âncora com base no contexto e composição.
   • Um operador de resposta de baixo rank compartilhado aprende desvios da âncora, condicionado ao estado de controle ($Z_0$), características de suporte da âncora e a própria âncora de resposta.
   • Resíduo Aditivo: Captura correções específicas de contexto.
   • Resíduo de Par (apenas para genes duplos): Um caminho simétrico captura os efeitos de interação específicos de pares de genes que não podem ser explicados pela simples soma.

3. Montagem e Calibração da Predição:

   • O perfil final é montado no espaço de expressão: $X_{pred} = \mu_{control} + \Delta_{anchor} + \lambda_{add}r_{add} + \lambda_{pair}r_{pair}$.
   • Calibração de Variância: Para evitar o colapso da variância, o CAPRA retorna células preditas determinísticas e calibradas na escala do controle. Ele adiciona variabilidade reproduzível dentro da condição derivada de estatísticas de escala de controle ($\sigma_{cal}$), em vez de aprender a variância a partir do conjunto de teste. Isso garante compatibilidade com fluxos de trabalho padrão de chamada de DEG baseados em testes t.

Principais Contribuições

• Evidência de Resposta Explícita: Ao contrário dos modelos de espaço latente, o CAPRA expõe a "hipótese inicial" (a âncora) e sua origem (medida vs. recuperada), vinculando o desempenho preditivo a uma evidência de resposta explícita.
• Estratégia de Ancoragem Híbrida: Combina efetivamente dados experimentais exatos com recuperação semântica (via GenePT) para genes que carecem de suporte direto no treinamento, usando a correção de resíduo para adaptar essas âncoras a contextos específicos.
• Interface de Inferência Calibrada: O modelo fornece células preditas com variabilidade interna preservada, permitindo fluxos de trabalho de recuperação de genes diferencialmente expressos que tipicamente falham com outros modelos generativos.

Resultos
Os autores avaliaram o CAPRA em um painel de 13 conjuntos de dados de perturbação genética (9 de gene único, 4 de genes duplos) contra métodos de estado da arte (Scouter, GEARS, GenePert, scGPT).

• Predição de Direção de Resposta: O CAPRA alcançou o maior PCC-delta médio (correlação de Pearson sobre mudanças centradas no controle para os top 100 DEGs) tanto em tarefas de gene único (0.592) quanto de genes duplos (0.728), superando o Scouter e outros baselines.
• Generalização sob Suporte Esparso: Em tarefas de genes duplos, o CAPRA manteve desempenho superior nas categorias "seen2" (ambos os genes vistos), "seen1" (um gene visto) e "seen0" (nenhum dos genes visto). A vantagem persistiu mesmo em cenários "seen0", onde as previsões dependem de âncoras vizinhas do GenePT e adaptação de resíduo.
• Especificidade: Mesmo utilizando uma estratégia de pontuação de "referência perturbada" (centrada no estado médio da perturbação em vez do controle para remover a estrutura compartilhada pós-perturbação), o CAPRA reteve o maior sinal de direção de resposta, indicando que captura informações específicas da perturbação além de padrões compartilhados.
• Recuperação de Genes Afetados: Em fluxos de trabalho padrão de teste t do Scanpy, os métodos que não utilizam CAPRA mostraram recuperação de Jaccard próxima de zero para os principais DEGs devido ao colapso da variância. As células calibradas do CAPRA alcançaram pontuações de Jaccard significativamente maiores (0.093 para gene único, 0.174 para genes duplos), recuperando com sucesso as assinaturas de genes afetados.
• Análise de Componentes: Estudos de ablação confirmaram que a âncora de resposta fornece a hipótese primária (especialmente para tarefas de gene único), enquanto a correção de resíduo é mais crítica quando o suporte de gene único é incompleto ou para modelar interações de pares de genes.

Significância
O artigo afirma que o CAPRA aborda o "hiato de design" nos atuais modelos de predição de perturbação ao tornar a evidência que sustenta uma previsão inspecionável. Ao separar a âncora de resposta medida/recuperada da correção aprendida, o CAPRA permite que pesquisadores priorizem intervenções genéticas não medidas com base na qualidade de sua evidência subjacente. Além disso, ao resolver o problema do colapso de variância, ele permite o uso direto de células preditas em pipelines padrão de expressão diferencial, preenchendo a lacuna entre a predição computacional e os fluxos de trabalho de validação experimental. Os autores observam que, embora o estudo atual seja retrospectivo, o framework foi desenhado para suportar a seleção prospectiva de perturbações e a transferência para outras modalidades (ex: perturbações químicas, leituras multimodais).