FuncDECODE Resolves Cell-Type-Specific Functional Heterogeneity across Biological States and Spatial Contexts

Resumo Técnico: FuncDECODE

Definição do Problema
A remodelação funcional dos tecidos é impulsionada não apenas por mudanças na composição celular, mas também por mudanças na forma como tipos celulares individuais engajam programas biológicos através de estados de doença, transições e contextos terapêuticos. Embora a transcriptômica de célula única revele a heterogeneidade funcional dos tipos celulares, sua escala limitada de coortes restringe análises de associação em nível populacional e, geralmente, carece do contexto espacial necessário para localizar mudanças funcionais dentro dos tecidos. Por outro lado, coortes de RNA-seq bulk e perfis de transcriptômica espacial oferecem medições em larga escala ou resolvidas espacialmente, mas seus sinais de expressão mistos obscurecem as origens celulares da atividade de programas funcionais. Abordagens existentes de pontuação de conjuntos de genes (ex: AUCell, ssGSEA, GSVA) quantificam programas funcionais no nível de amostra agregada ou de célula única, mas permanecem insuficientes para resolver sistematicamente como diferentes tipos celulares impulsionam a remodelação funcional através de estados teciduais heterogêneos e regiões espaciais. Há uma necessidade urgente de integrar a resolução funcional de nível celular de atlas de referência de célula única com coortes bulk de larga escala e mapas espaciais para permitir a caracterização funcional resolvida por tipo celular.

Metodologia: O Framework FuncDECODE
O FuncDECODE é um framework computacional projetado para inferir as contribuições relativas de diferentes tipos celulares para programas funcionais a partir de perfis transcriptômicos mistos (RNA-seq bulk e spots espaciais). Ele emprega um framework de aprendizado de representação em três estágios:

1. Estágio 1: Construção do Espaço de Contribuição Funcional Supervisionado.
   O FuncDECODE converte dados de célula única de referência em um espaço alvo supervisionado. Para um programa funcional específico (definido por um conjunto de genes), a atividade é quantificada em cada célula única de referência. O framework gera "unidades pseudo-mistas" via amostragem aleatória para simular perfis bulk ou espaciais. A contribuição de cada tipo celular é formulada como sua atividade cumulativa específica do programa em relação à atividade total de todas as células na unidade pseudo-mista. Isso cria um alvo biologicamente interpretável para o aprendizado de contribuições resolvidas por tipo celular.

2. Estágio 2: Aprendizado de Representação Alinhado ao Domínio.
   Para abordar as discrepâncias entre os dados de treinamento simulados (unidades pseudo-mistas) e os dados alvo reais (variando em tecnologia de sequenciamento, processamento de amostra e contexto biológico), o FuncDECODE utiliza o alinhamento de domínio adversarial. Isso incentiva as características codificadas das amostras de treinamento e alvo a se tornarem indistinguíveis quanto à sua origem de dados, enquanto retêm informações preditivas das contribuições de tipos celulares resolvidas. Isso estabelece um espaço latente compartilhado onde a supervisão derivada da referência pode ser aplicada aos dados bulk e espaciais reais.

3. Estágio 3: Modelagem de Heterogeneidade Intra-Tipo Celular e Interação.
   Em vez de representar um tipo celular por um perfil funcional médio único, o FuncDECODE resume a distribuição da atividade específica do programa dentro de cada tipo celular a partir dos dados de referência. Essas representações conscientes da distribuição servem como priors funcionais específicos de cada tipo celular. O modelo integra esses pors com representações projetadas do perfil de expressão mista alvo. Um módulo de interação baseado em atenção modela adicionalmente as relações coordenadas entre as representações funcionais dos tipos celulares, permitindo que a contribuição inferida de um tipo celular seja informada pelo contexto funcional de outros dentro da mesma unidade mista.

Principais Contribuições

• Alvo de Inferência Inovador: Introduz a "contribuição relativa de diferentes tipos celulares para funções teciduais específicas" como um alvo aprendível, indo além da atividade de via agregada ou da simples estimativa de abundância de tipos celulares.
• Framework Unificado: Estabelece um framework de aprendizado de representação alinhado ao domínio que integra a atividade funcional de célula única derivada de referência, a variabilidade intra-tipo celular e os contextos de expressão alvo.
• Robustez a Desvios de Domínio: Modela explicitamente o alinhamento de domínio e a heterogeneidade intra-tipo celular, permitindo a inferência através de desvios de domínio de doadores, tecnologias e estados.
• Generalização: Demonstra robustez através de diferentes estratégias de pontuação de conjuntos de genes (AUCell vs. GSEApy) e definições de programas funcionais (vias KEGG vs. termos de Gene Ontology).

Resultados

• Benchmarking de Inferibilidade: Em benchmarks de simulação usando conjuntos de dados de PBMC humano (cross-donor) e NSCLC (cross-section espacial), o FuncDECODE superou consistentemente baselines adaptáveis (Scaden, scpDeconv) e estratégias de inferência indireta baseadas em abundância. Alcançou alta concordância (CCC médio de 0,97 e 0,86) na recuperação de contribuições funcionais resolvidas por tipo celular, demonstrando que essas contribuições contêm informações derivadas da expressão não capturadas apenas pela abundância.
• Generalização Através de Desvios: O FuncDECODE manteve um desempenho robusto em avaliações cross-technology (Smart-seq2 vs. 10x), cross-donor e cross-state (saudável vs. antracose; carcinoma de células escamosas vs. adenocarcinoma), superando alternativas particularmente sob condições de treinamento-alvo incompatíveis.
• Aplicações em Escala de Coorte (Bulk):
  • Vacinação: Aplicado a uma coorte longitudinal de vacinação de PBMC, as características derivadas pelo FuncDECODE capturaram estados imunológicos associados à vacinação de forma mais eficaz do que as características de abundância de tipos celulares, distinguindo estados imunológicos através de pontos temporais com AUCs mais altas.
  • Câncer de Mama: Nas coortes TCGA e METABRIC, o FuncDECODE identificou 62 características prognósticas de tipo celular–programa funcional. O agrupamento baseado nessas características forneceu uma estratificação de sobrevida superior em comparação com a abundância de tipos celulares ou o painel de 21 genes. O padrão de estratificação de risco foi reproduzível em coortes independentes, com 78,18% das características mostrando direcionalidade concordante.
• Aplicações Espaciais:
  • DLPFC: Nos dados de Visium do córtex pré-frontal dorsolateral humano (DLPFC), as características derivadas pelo FuncDECODE refinaram as anotações de domínios espaciais, melhorando o alinhamento com a organização laminar e aumentando o Índice de Rand Ajustado (ARI) em comparação com o STAligner sozinho.
  • Câncer de Próstata: Em uma coorte espacial de câncer de próstata, o FuncDECODE revelou uma organização espacial não aleatória das contribuições funcionais dentro das regiões de tumor e não-tumor. Identificou gradientes funcionais associados ao tratamento ao longo do eixo tumor–não-tumor, mostrando uma relocalização progressiva de programas de migração imune e adesão vascular durante a resistência ao tratamento (ex: mudanças do não-tumor para o enriquecimento em fronteira ou tumor durante NEADT e CRPC).

Significância e Alegações
O artigo afirma que o FuncDECODE fornece um framework geral para conectar a heterogeneidade funcional de célula única com a variação de doenças em escala de coorte e a organização tecidual espacial. Ao transformar a atividade funcional agregada em contribuições resolvidas por tipo celular interpretáveis, ele permite a interpretação de perfis transcriptômicos mistos como "ecossistemas funcionais". Os autores asseguram que esta abordagem move a análise funcional além da atividade de via agregada em direção a uma visão resolvida por tipo celular da organização funcional do tecido, permitindo que pesquisadores estudem como os tecidos se organizam, se adaptam e remodelam seus programas biológicos através da saúde, doença e perturbação terapêutica. O framework é apresentado como uma estratégia escalável para nomear estados funcionais específicos de tipos celulares que subjazem aos fenótipos teciduais, fornecendo candidatos testáveis para futura validação experimental.