Graph-Regularised Multi-Omics Autoencoders Improve Stability and Clinical Coherence of Breast Cancer Patient Embeddings

Resumo Técnico: Autoencoders Multi-ômicos Regularizados por Grafos para Embeddings de Pacientes com Câncer de Mama

Declaração do Problema
A estratificação não supervisionada de pacientes utilizando dados multi-ômicos de câncer requer representações aprendidas que sejam simultaneamente estáveis em execuções de treinamento independentes, geometricamente organizadas e clinicamente informativas. Estruturas de autoencoders padrão tipicamente tratam os inputs moleculares como vetores planos não estruturados, descartando a rica topologia de interação codificada em redes de interação proteína-proteína (PPI). Embora existam abordagens baseadas em grafos, elas frequentemente confundem vieses estruturais com objetivos supervisionados ou complexidade arquitetônica, tornando difícil isolar a contribuição específica do viés estrutural. Este estudo aborda a lacuna na compreensão de como um viés indutivo biologicamente motivado, introduzido tanto através do objetivo de treinamento quanto de um design arquitetônico específico, afeta a estabilidade, a geometria e a relevância clínica de embeddings multi-ômicos não supervisionados.

Metodologia
Os autores conduziram uma comparação controlada de três variantes de autoencoders treinadas na coorte TCGA-BRCA (941 pacientes, 13.001 genes, quatro modalidades ômicas: RNA-seq, Variação do Número de Cópias, Metilação de DNA e Mutação Somática). Todos os modelos foram pareados para dimensionalidade latente ($d=64$) e seleção estrita de hiperparâmetros não supervisionados.

1. Autoencoder de Linha de Base (BAE): Um autoencoder padrão sem corrupção de entrada e sem prior biológico, tratando todas as características gênicas como independentes. Utiliza um MLP de nível de paciente achatado (flattened).
2. Autoencoder de Denoising (DAE): Compartilha a arquitetura do BAE (MLP de nível de paciente achatado), mas introduz corrupção estocástica de entrada (ruído Gaussiano, $\sigma=0.3$) para melhorar a robustez estatística sem um prior estrutural explícito.
3. Autoencoder de Denoising Regularizado por Grafo (GR-DAE): Este modelo introduz a estrutura PPI através de uma arquitetura modificada e da função de perda.
   • Arquitetura: Diferente do MLP de nível de paciente achatado dos baselines, o GR-DAE utiliza um codificador MLP por gene com pesos compartilhados que processa o vetor ômico de 4 dimensões de cada gene independentemente, produzindo representações latentes ao nível do gene ($Y \in \mathbb{R}^{G \times 64}$). Os embeddings de pacientes são derivados via pooling médio sobre essas representações gênicas.
   • Função de Perda: O objetivo de treinamento aumenta o Erro Quadrático Médio (MSE) de reconstrução por gene com uma penalidade de suavidade de Laplaciano:
     $$L_{GR-DAE} = L_{recon} + \lambda \text{Tr}(Y^\top L_{sym} Y)$$
     onde $L_{sym}$ é o Laplaciano simétrico normalizado do grafo PPI (derivado do STRING v11, confiança $\ge 0.85$). Este termo penaliza a dissimilaridade latente entre genes conectados na rede PPI, forçando que genes que interagem ocupem posições similares no espaço latente.
   • Seleção de Hiperparâmetros: A força de regularização $\lambda$ foi selecionada usando uma busca em grade baseada puramente em critérios de estabilidade não supervisionada (estabilidade de agrupamento entre reinicializações e preservação de geometria), sem utilizar rótulos clínicos. O valor ótimo encontrado foi $\lambda = 10^{-6}$.

Principais Contribuições

• Isolamento do Viés Indutivo: O estudo desenha um framework experimental que isola o efeito de um regularizador de Laplaciano baseado em PPI do denoising e de objetivos orientados por rótulos. Embora o framework inclua uma variante não regularizada por gene ($\lambda=0$) para contabilizar parcialmente as mudanças arquitetônicas, os autores explicitamente observam que o desmembramento total das contribuições da arquitetura por gene versus o prior de grafo explícito permanece uma direção aberta para trabalhos futuros.
• Quantificação de Estabilidade: Demonstra que mesmo uma regularização de Laplaciano muito fraca ($\lambda = 10^{-6}$), combinada com a arquitetura por gene, melhora substancialmente a estabilidade entre reinicializações e a preservação da geometria latente comparado aos baselines não estruturados sob um protocolo livre de rótulos.
• Análise de Codificação Clínica: Quantifica como a estrutura informada por PPI remodela a informação clínica codificada no espaço latente, destacando especificamente a emergência do status metastático como um fator organizador dominante.
• Complementaridade com PAM50: Caracteriza a relação entre os embeddings informados por PPI e os subtipos moleculares PAM50 estabelecidos, mostrando uma organização complementar em vez de redundante.

Resultados

• Estabilidade de Representação: O GR-DAE superou significativamente o DAE em estabilidade entre reinicializações. O Índice Rand Ajustado (ARI) para agrupamento entre 5 sementes de treinamento independentes aumentou de 0,861 (DAE) para 0,980 (GR-DAE). Da mesma forma, a preservação da geometria latente (correlação de Spearman de matrizes de distância pareadas) melhorou de 0,915 para 0,997.
• Geometria Latente: A introdução do termo de Laplaciano causou um "colapso de dimensionalidade". Enquanto o DAE exigia 13 componentes principais para explicar 90% da variância, o GR-DAE exigiu apenas 3. O primeiro componente principal explicou 59,5% da variância no GR-DAE comparado a 24,6% no DAE, indicando um espaço latente mais organizado e anisotrópico.
• Associação Clínica:
  • Nível de Cluster: Clusters não supervisionados do GR-DAE mostraram uma associação altamente significativa com o status metastático (classificação M, $p = 9,5 \times 10^{-8}$), enquanto o DAE não mostrou associações significativas com nenhuma variável clínica.
  • Nível de Dimensão: No GR-DAE, 60,9% das 64 dimensões latentes codificaram o status metastático após correção de FDR, comparado a 0% no DAE.
• Alinhamento com PAM50: Embora o acordo ao nível de partição (ARI/NMI) entre os clusters do GR-DAE e os subtipos PAM50 tenha sido próximo de zero (como esperado para métodos não supervisionados vs. supervisionados), um teste qui-quadrado revelou uma dependência estatística altamente significativa ($\chi^2 = 108,7, p = 7,9 \times 10^{-16}$). Isso indica que os subtipos PAM50 não estão distribuídos aleatoriamente através dos clusters informados por PPI, sugerindo que os embeddings capturam estruturas moleculares complementares.

Significância e Alegações
O artigo afirma que um único termo de regularização biologicamente motivado, quando combinado com um design arquitetônico por gene, pode remodelar substancialmente a geometria latente e a codificação clínica de embeddings multi-ômicos não supervisionados. Os autores postulam que a topologia PPI atua como um "empurrão estrutural suave" que estreita o espaço de hipóteses, reduzindo a diversidade de mínimos locais e levando a uma estratificação de pacientes mais reprodutível.

O estudo conclui que a regularização de Laplaciano baseada em PPI deve ser considerada um componente de alto impacto e baixo custo em pipelines de aprendizado de representação não supervisionada. Além disso, os autores argumentam que a estabilidade da representação entre execuções de treinamento independentes deve ser adotada como um critério de avaliação obrigatório para representações clínicas não supervisionadas, pois embeddings instáveis podem levar a conclusões clínicas inconsistentes, mesmo que modelos downstream pareçam performantes. Os achados são apresentados como específicos de coorte e geradores de hipóteses, destinados a motivar validações adicionais em conjuntos de dados independentes.