A Curvature Guided Composite Kernel Framework for Differential Gene Selection in Cancer Transcriptomics

Resumo Técnico: Uma Estrutura de Kernel Composto Guiada por Curvatura para Seleção Diferencial de Genes em Transcriptômica de Câncer

Problema
A análise de Expressão Diferencial de Genes (DEG) é fundamental para a descoberta de biomarcadores e identificação de alvos terapêuticos no câncer. No entanto, os métodos existentes enfrentam limitações significativas dependendo da modalidade de dados (RNA-seq em massa vs. RNA-seq de célula única) e das suposições estatísticas subjacentes.

• Métodos paramétricos (ex: DESeq2, edgeR) baseiam-se em distribuições binomial negativas e modelos lineares generalizados. Eles frequentemente enfrentam dificuldades com o desequilíbrio de classes, pequenos tamanhos de amostra e as características específicas de esparsidade de dados de célula única.
• Métodos não paramétricos (ex: SAMseq, NOIseq) lidam com variáveis profundidades de sequenciamento, mas podem ser computacionalmente caros devido ao reamostragem ou podem sofrer com perda de dados e redução do insight biológico.
• Abordagens de Aprendizado de Máquina utilizando kernels padrão (Linear, Polinomial, RBF) frequentemente falham em capturar as complexas relações não lineares e hierárquicas inerentes aos dados de alto rendimento (NGS). Kernels RBF, por exemplo, podem suavizar excessivamente características biológicas agudas ou tornar-se instáveis em linhas de separação de tendências.

O artigo postula que os métodos atuais carecem de uma estrutura unificada e agnóstica à modalidade que possa efetivamente modelar a natureza dual dos estados gênicos (normal vs. canceroso) enquanto preserva a estrutura geométrica intrínseca dos dados sem depender de suposições distributivas rígidas.

Metodologia
Os autores propõem uma "Estrutura de Kernel Composto Guiada por Curvatura" que integra analogias da mecânica quântica, geometria diferencial e otimização inspirada na física. A metodologia procede através das seguintes etapas:

1. Representação de Estado Inspirada em Mecânica Quântica:

   • Os estados de expressão gênica são modelados usando o primeiro postulado da mecânica quântica, representando genes como funções de onda $|\Psi\rangle$ em um espaço de Hilbert.
   • Um Kernel Composto é construído com base na abordagem de Combinação Linear de Orbitais Atômicos (LCAO). O vetor de estado gênico é particionado em dois regimes ortogonais: um regime "normal" ($|\Phi_i\rangle$) e um regime de "câncer" ($|\Xi_i\rangle$).
   • A estrutura impõe axiomas que garantem a ortogonalidade entre as funções de onda normais e de câncer, tratando um gene não como um único ponto, mas como uma entidade dual capaz de projeção simultânea nos estados saudável e patológico.
   • Um produto interno composto é definido para mapear a matriz de expressão em um Espaço de Hilbert Reproduzível (RKHS), gerando uma matriz Gram Positiva Semidefinida (PSD).

2. Análise Geométrica via Curvatura de Ricci:

   • O espaço de Hilbert induzido é modelado como uma variedade de Riemann. Os autores computam a Curvatura de Oliver-Ricci (ORC) no grafo discreto de transcritos gênicos.
   • Ao contrário dos operadores diferenciais contínuos, que são instáveis em conjuntos de dados finitos e ruidosos, a ORC baseia-se na topologia discreta da rede e nas probabilidades de transição para agregar estruturas geométricas locais em um valor de densidade para cada gene.
   • Este espectro de curvatura identifica anomalias geométricas; supõe-se que os DEGs críticos exibam curvatura de Ricci altamente negativa (gargalos), enquanto genes redundantes apresentam curvatura plana ou positiva.

3. Otimização por Busca Gravitacional:

   • Para determinar autonomamente o número ideal de DEGs ($k$) sem heurísticas visuais, um Algoritmo de Busca Gravitacional (GSA) é empregado.
   • Uma função de perda de representação $L_{rep}(S)$ é minimizada, compreendendo três termos:
     1. Erro de classificação empírica ($\epsilon_{class}$).
     2. Uma penalidade linear para o tamanho do subconjunto (promovendo a esparsidade).
     3. Um termo de regularização geométrica baseado no exponencial da curvatura de Ricci ($\exp(Ric)$). Este termo penaliza severamente a inclusão de genes de curvatura plana/positiva, enquanto minimiza o custo de incluir genes de gargalo de curvatura negativa.
   • Os genes são tratados como partículas com "massa" determinada pela sua contribuição de aptidão (fitness) para minimizar a perda global. Uma força gravitacional dinâmica move as partículas no espaço de características para convergir para o subconjunto de genes ideal.

Principais Contribuições

• Estrutura Inovadora: Introdução de um kernel composto inspirado em mecânica quântica que modela explicitamente a dualidade dos estados gênicos (normal vs. câncer) dentro de um espaço de Hilbert, diferenciando-se das combinações lineares padrão de kernels.
• Seleção Consciente da Geometria: Utilização da curvatura de Ricci em uma variedade de Riemann para identificar anomalias topológicas (gargalos) associadas a genes diferencialmente expressos, indo além da significância estatística pura.
• Otimização Informada pela Física: Desenvolvimento de um mecanismo de busca gravitacional que seleciona dinamicamente o subconjunto ideal de genes ao minimizar uma função de perda que equilibra precisão de classificação, esparsidade e relevância geométrica.
• Agnosticismo de Modalidade: O método é projetado para funcionar em diferentes modalidades de dados, incluindo RNA-seq em massa (NGS) e dados de microarray, sem exigir ajuste de parâmetros específicos da modalidade.

Resultos
A estrutura foi validada em múltiplos conjuntos de dados do The Cancer Genome Atlas (TCGA) e do Gene Expression Omnibus (GEO/CuMiDa), cobrindo cânceres como Adenocarcinoma de Pulmão (LUAD), Câncer de Cabeça e Pescoço (HNSC), Câncer de Mama (BRCA), Fígado e Câncer de Pâncreas.

• Desempenho de Classificação:
  • Nos conjuntos de dados do TCGA, o método proposto melhorou consistentemente a precisão da classificação em comparação com o uso do espaço de características transcriptômicas completo original. Para SVM com kernels RBF, a precisão aumentou de ~98% para ~99% em BRCA e LUAD.
  • O XGBoost também mostrou ganhos, particularmente em BRCA (precisão subindo de 95% para 97,85%).
  • O método superou ou igualou benchmarks estabelecidos (DESeq2, Voom-Limma, NOISeq) na maioria dos cenários. Notavelmente, embora o NOISeq tenha alcançado precisão perfeita em um conjunto de dados, ele falhou em identificar DEGs significativos em coortes de microarray, enquanto o método proposto permaneceu robusto.
• Validação Externa:
  • A estrutura demonstrou forte generalização entre plataformas. DEGs selecionados de dados do TCGA (NGS) mantiveram o desempenho preditivo quando aplicados a conjuntos de dados independentes do GEO (microarray), e vice-versa.
  • Na validação externa de câncer de mama, o uso de DEGs derivados do TCGA em dados GSE melhorou a precisão do XGBoost de 79,89% para 87,21%.
• Enriquecimento Biológico:
  • A Análise de Enriquecimento de Conjuntos de Genes (GSEA) e a análise de vias KEGG confirmaram que os genes selecionados eram biologicamente relevantes.
  • As vias identificadas incluíram consistentemente resposta a danos no DNA, controle do ciclo celular, apoptose, modulação imunológica e principais sinalizações oncogênicas (ex: p53, Notch, Hedgehog, RAS), alinhando-se com a biologia do câncer conhecida através de tipos de tecidos heterogêneos.
• Redução de Dimensionalidade:
  • Visualizações PCA e UMAP mostraram que os subconjuntos de DEGs selecionados criaram variedades de baixa dimensão com melhor compactação intra-classe e separabilidade inter-classe em comparação com os dados originais, removendo efetivamente ruído e redundância.

Significância e Alegações
O artigo afirma que este trabalho apresenta um novo paradigma para a identificação de DEG que vai além das suposições distributivas tradicionais. Ao utilizar axiomas da mecânica quântica para definir estados gênicos e a geometria diferencial para analisar a variedade latente, a estrutura extrai com sucesso assinaturas gênicas compactas, informativas e biologicamente coerentes.

Os autores enfatizam que o método é agnóstico à modalidade, capaz de lidar tanto com dados de NGS quanto de microarray com desempenho consistente. Os resultados de validação externa sugerem que as características selecionadas capturam assinaturas de expressão associadas à doença que são robustas a variações de plataforma e artefatos específicos de conjuntos de dados. O estudo conclui que esta estratégia baseada em geometria e inspirada em física oferece uma ferramenta promissora para a descoberta de biomarcadores e classificação de doenças, forneando uma representação estável e biologicamente significativa de dados transcriptômicos. Os autores observam que mais validações em coortes independentes maiores e conjuntos de dados de célula única são necessárias para avaliar totalmente o potencial de translação clínica.