What Drives GNN Performance in Tissue Dynamics? Insights from Vertex-Model Simulations

Resumo Técnico: Um Benchmark In Silico Controlado para a Predição de Dinâmica de Tecidos por GNN

Definição do Problema
Compreender a dinâmica tecidual, particularmente o remodelamento epitelial durante a morfogênese e a cicatrização de feridas, requer a modelagem de como mudanças mecânicas e bioquímicas locais se propagam através de uma rede de contato celular. Embora as Redes Neurais de Grafo (GNNs) ofereçam uma abordagem promissora para aprender medições de tecidos estruturados em grafos, avaliar sua eficácia é dificultado pelas limitações dos dados experimentais: os conjuntos de dados são frequentemente pequenos, ruidosos e específicos de um sistema. Essa variabilidade torna difícil isolar se o desempenho do modelo advém da superioridade arquitetônica, da disponibilidade de características ou de regimes teciduais específicos. Além disso, estudos existentes frequentemente confundem a descoberta de eventos (predizer quando e onde ocorre um evento de remodelamento) com a predição de resposta condicional (predizer o resultado geométrico dado um determinado estímulo). Há uma carência de benchmarks controlados que possam variar sistematicamente a geometria, a mecânica e as características de entrada do tecido para diagnosticar os drivers específicos do desempenho de GNNs na remodelagem tecidual.

Metodologia
Os autores introduzem um benchmark in silico controlado baseado em um modelo de vértice 2D de tecidos epiteliais confluentes. A tarefa central é um problema de regressão de estado total: dada uma representação de grafo de um tecido e uma perturbação topológica local especificada (uma transição T1, ou troca de vizinhança celular), predizer os comprimentos relaxados pós-evento de todas as interfaces célula-célula.

• Protocolo de Simulação: Os tecidos são gerados usando um modelo de vértice onde as configurações celulares minimizam um funcional de energia que penaliza comprimentos de arestas e desvios de uma área celular preferencial. Para gerar diversos estados pré-T1, o sistema passa por uma fase de "fusão" com ruído ativo (simulando flutuações estocásticas de actomiosina) seguida por um resfriamento (quench) para um estado passivo. Uma única transição T1 é então imposta em uma interface aleatória, e o sistema é relaxado para um novo equilíbrio mecânico.
• Conjunto de Dados: O benchmark compreende 32 coortes de simulações (1.632 grafos de tecido únicos), variando os níveis de ruído ativo para controlar o desordem tecidual (quantificada pela hexagonalidade). O conjunto de dados é dividido em conjuntos de treinamento, validação e teste com base nos níveis de ruído para garantir a cobertura do espaço de parâmetros.
• Arquiteturas: Cinco arquiteturas de GNN são comparadas:
  • Redes de Passagem de Mensagem (MPNNs): GraphSAGE, Graph Attention Network (GAT), Graph Isomorphism Network (GIN) e Principal Neighborhood Aggregation (PNA).
  • Rede de Ordem Superior: Provavelmente Poderosas Redes de Grafos (PPGN), que opera em representações par a par de nós para capturar motivos de conectividade global.
• Variáveis Experimentais: O estudo varia sistematicamente:
  • Tamanho do conjunto de treinamento (1 a 32 coortes).
  • Características de entrada (com características de aresta vs. apenas topologia).
  • Regimes mecânicos (coeficiente de elasticidade de área, cisalhamento global).
  • Propriedades teciduais (tamanho, desordem/hexagonalidade).
  • Complexidade da perturbação (eventos T1 simples vs. duplos).
• Métricas: O desempenho é avaliado pelo Erro Médio Absoluto (MAE) normalizado contra uma "linha de base de identidade" (que prediz comprimentos pós-T1 iguais aos comprimentos pré-T1). A métrica é uma razão logarítmica ($\log_2(\text{Erro do Modelo} / \text{Erro de Identidade})$), onde valores negativos indicam melhoria sobre a linha de base. A resolução espacial é mantida analisando o erro como uma função da distância de "salto" (hop) topológico do evento T1.

Principais Contribuições e Resultados

1. Eficiência de Amostragem e Classificação de Arquitetura:

   • No regime com características de aresta (onde os comprimentos pré-T1 são fornecidos), PNA e PPGN demonstraram eficiência de amostragem superior, superando a linha de base de identidade com apenas 41 grafos de treinamento.
   • GraphSAGE e GIN exigiram conjuntos de dados maiores (81+ grafos) para superar a linha de base, enquanto GAT consistentemente teve dificuldade em superar a linha de base de identidade em todos os tamanhos de dataset.
   • À medida que o tamanho do dataset aumentava, GraphSAGE e PNA alcançavam um desempenho máximo comparável, sugerindo que a eficiência de amostragem é um diferencial crítico em regimes de poucos dados comuns na biologia.

2. O Modo de Falha "Predizer-ou-Copiar":

   • Os autores identificaram um modo de falha específico onde modelos, particularmente PPGN e MPNNs em saltos distais (longe da perturbação), deixaram de predizer mudanças geométricas e passaram a copiar os comprimentos das arestas pré-T1.
   • Experimentos contrafatuais confirmaram que isso era uma cópia literal da entrada: modificar o comprimento de entrada pré-T1 resultava em um deslocamento proporcional na predição, movendo a saída para longe do valor real (ground truth).
   • Estudos de ablação revelaram que, em MPNNs, esse comportamento é impulsionado pelo acesso direto aos atributos de aresta brutos no cabeçalho de regressão final. No PPGN, o comportamento persiste mesmo quando esse acesso direto é removido, sugerindo que o modelo codifica a informação de comprimento internamente através de representações ocultas par a par.

3. Importância das Características Geométricas:

   • Em um regime de "apenas topologia" (onde os comprimentos pré-T1 e o rótulo da interface T1 específica são omitidos), todas as arquiteturas sofreram uma queda acentuada de desempenho. Nenhuma conseguiu recuperar a precisão alcançada pelos modelos com características de aresta treinados em pequenos datasets, mesmo com os maiores datasets de apenas topologia.
   • Isso destaca que a informação métrica explícita (comprimento das arestas) não é meramente um impulsionador de desempenho, mas um pré-requisito para o aprendizado eficiente de amostras da geometria relaxada do tecido neste contexto.

4. Dependência da Estrutura e Mecânica do Tecido:

   • Desordem Tecidual: A precisão da predição correlacionou-se fortemente com a hexagonalidade. Tecidos ordenados (alta hexagonalidade) foram mais fáceis de predizer, enquanto tecidos desordenados aumentaram o erro.
   • Regime Mecânico: Alterar o coeficiente de elasticidade de área ou aplicar cisalhamento global alterou o ranking das arquiteturas. Por exemplo, o PPGN permaneceu robusto ao variar a elasticidade, enquanto o desempenho do GraphSAGE degradou significativamente conforme a elasticidade diminuía.
   • Tamanho do Tecido: Tecidos maiores aumentaram o peso relativo dos erros de campo distante nas médias de nível de grafo, revelando que o desempenho do modelo é sensível à extensão espacial do problema de predição.

5. Consistência Geométrica:

   • O estudo analisou se os comprimentos de aresta preditos poderiam ser incorporados em um layout de tecido 2D consistente. Embora o erro de predição tenha se correlacionado com o erro de reconstrução de incorporação (embedding), a razão entre o erro de incorporação e o erro de predição variou por arquitetura. O PPGN produziu os campos geometricamente mais consistentes (menor razão), sugerindo que suas representações par a par preservam melhor as restrições métricas.

Significância e Alegações
O artigo afirma fornecer um ambiente de teste reprodutível e controlado para diagnosticar o comportamento de GNNs na remodelagem tecidual, indo além de simples métricas de precisão para analisar por que os modelos têm sucesso ou falham.

• Desempenho Dependente de Contexto: Os autores argumentam que não existe uma "melhor" arquitetura universal para a predição de tecidos; o desempenho é condicional à disponibilidade de características, tamanho do dataset e ao regime mecânico específico do tecido.
• Valor Diagnóstico de Benchmarks: O benchmark revela comportamentos ocultos, como a estratégia de "predizer-ou-copiar", que seriam mascarados por erros médios de nível de grafo. Demonstra que uma alta precisão pode, às vezes, advir de atalhos triviais (copiar entradas) em vez de aprender leis físicas complexas.
• Necessidade de Características: Os resultados sugerem que, para que as GNNs aprendam a dinâmica tecidual de forma eficaz a partir de dados limitados, pistas geométricas explícitas (como comprimentos de aresta) são essenciais, distinguindo a computabilidade teórica da aprendibilidade prática.
• Direções Futuras: Os autores posicionam este trabalho como uma linha de base para aplicações futuras em dados vivos. Eles sugerem que futuros benchmarks devem expandir as representações de entrada para incluir marcadores biológicos (ex: polaridade, localização de proteínas) e incorporar quantificação de incerteza para lidar com a estocasticidade dos tecidos vivos. O estudo enfatiza que verificações de consistência geométrica são necessárias para garantir que as predições sejam fisicamente realizáveis.

Em resumo, o artigo estabelece que o desempenho das GNNs na dinâmica tecidual é governado por uma interação complexa entre arquitetura, regime de dados e física do tecido, fornecendo um framework para desmembrar esses fatores para guiar o desenvolvimento de modelos biológicos mais robustos.