Generating and navigating single cell dynamics via a geodesic bridge between nonlinear transcriptional and linear latent manifolds

Resumo Técnico: GeoBridge

Definição do Problema
O sequenciamento de RNA de célula única (scRNA-seq) em séries temporais captura processos celulares como instantâneos esparsos e não pareados. Essa limitação dificulta a reconstrução de transições contínuas de estados celulares e a capacidade de navegar entre estados de maneira controlada e interpretável. Embora métodos existentes, como ordenação por pseudotempo, velocidade de RNA e Transporte Ótimo Dinâmico (DOT), tentem aproximar transições contínuas a partir de dados estáticos, eles frequentemente dependem de métricas euclidianas em um espaço de alta dimensão de expressão gênica. Sob a hipótese do manifold, os dados biológicos residem em um manifold diferenciável não linear de baixa dimensão, onde a "distância" entre células é uma função não linear da expressão gênica. Assumir uma métrica euclidiana neste espaço curvo leva à distorção geométrica, resultando em estimativas imprecisas de velocidade de desenvolvimento, probabilidade de destino e distâncias de estado. Além disso, otimizar diretamente distâncias geodésicas arbitrárias no espaço original de alta dimensão é computacionalmente intratável.

Metodologia
Os autores propõem o GeoBridge, um framework baseado em dados que formula a interpolação do tempo biológico como um problema de aprendizado de métrica Riemanniana. A inovação central é a construção de uma "ponte geodésica" entre o manifold transcricional não linear e um manifold latente linear.

1. Mapeamento por Rede Neural Invertível (INN): O GeoBridge utiliza uma INN para aprender um mapeamento bijetivo, $\phi: \mathcal{M} \to \mathcal{N}$, do manifold original de expressão gênica de alta dimensão ($\mathcal{M}$) para um manifold euclidiano latente plano ($\mathcal{N}$).
2. Construção da Métrica de Pullback: Em vez de definir explicitamente um tensor métrico complexo no espaço original, o GeoBridge define uma métrica euclidiana simples ($g_\mathcal{N} = I$) no espaço latente. A métrica Riemanniana no manifold original ($g_\mathcal{M}$) é induzida via construção de pullback: $g_\mathcal{M}(x) = J_\phi(x)^\top J_\phi(x)$, onde $J_\phi$ é o Jacobiano do mapeamento.
3. Linearização Geodésica: Um resultado teórico fundamental (Teorema 2 nas Informações Suplementares) estabelece que, sob esta métrica de pullback, as geodésicas em $\mathcal{M}$ correspondem um-para-um às geodésicas em $\mathcal{N}$. Como as geodésicas no espaço latente plano são linhas retas de velocidade constante, as transições não lineares complexas no espaço original podem ser representadas como linhas retas no espaço latente.
4. Objetivos de Treinamento:
   • Perda de Velocidade Constante Linear ($\mathcal{L}_{CVL}$): Garante que os dados de séries temporais, quando mapeados para o espaço latente, sigam trajetórias de linha reta com velocidade constante. Isso é alcançado interpolando entre vetores latentes de origem e destino com base em razões de tempo biológico e minimizando a Discrepância de Média Máxima (MMD) entre as distribuições intermediárias geradas e as reais.
   • Regularização de Proporção Local ($\mathcal{L}_{LPR}$): Evita a distorção local excessiva (estiramento/compressão) do mapeamento. Ela incentiva que a razão das distâncias de vizinhança local no espaço original em relação ao espaço latente permaneça estável dentro de um intervalo de tempo, garantindo interpolações biologicamente plausíveis.
5. Aplicações de Jusante (Downstream):
   • Interpolação: Estados intermediários são gerados via interpolação linear de forma fechada no espaço latente e mapeados de volta para o espaço original.
   • Predição de Destino: Probabilidades de destino celular são estimadas usando planos de transporte ótimo com custos euclidianos no espaço latente.
   • Inferência de Pseudotempo: O potencial de Kantorovich (KP) derivado do transporte ótimo no espaço euclidiano latente está linearmente relacionado ao tempo real, servindo como um indicador de pseudotempo robusto.
   • Identificação de Genes Driver: Índices de driver dinâmicos são calculados computando o produto escalar dos gradientes de trajetória de expressão e componentes de velocidade.
   • Navegação de Destino: O framework permite a "navegação virtual", gerando caminhos geodésicos entre qualquer estado celular inicial arbitrário e um estado celular alvo, mesmo entre linhagens diferentes.

Principais Resultados
O GeoBridge foi validado em diversos sistemas biológicos:

• Progressão EMT–MET em Células-Tronco Cancerígenas: O GeoBridge reconstruiu com sucesso trajetórias contínuas para Transição Epitelial-Mesenquimal (EMT) e Transição Mesenquimal-Epitelial (MET). Identificou módulos regulatórios específicos de estágio e genes driver consistentes com a biologia conhecida (ex: ciclos de RHO GTPase no início da MET, organização de matriz extracelular no final da EMT).
• Diferenciação de Células-Tronco Pluripotentes Humanas (hPSC): O método resolveu a dinâmica de ramificação em direção a células $\beta$ e células enterocromafins derivadas de células-tronco. Capturou com precisão a expressão de genes marcadores resolvidos no tempo e identificou programas regulatórios distintos de início e fim para cada linhagem.
• Linhagens Hematopoiéticas de Múltiplos Alvos: Em um modelo unificado de múltiplos alvos, o GeoBridge navegou células-tronco hematopoiéticas (HSCs) em direção aos destinos neutrófilo, mastócito e megacariócito. Crucialmente, demonstrou a capacidade de guiar virtualmente células com viés para neutrófilos em direção a destinos de mastócitos ao longo de caminhos geodésicos biologicamente plausíveis, validando a interpretabilidade da geometria aprendida.
• Benchmarking: O GeoBridge superou métodos de estado da arte (MioFlow, TIGON, DeepRUOT) em precisão de interpolação em dados não utilizados para treinamento (medida pela distância Wasserstein-1) e inferência de pseudotempo (medida pela correlação de Pearson com rótulos de tempo reais). Notavelmente, alcançou esses resultados sem exigir redução de dimensionalidade preliminar, operando diretamente sobre entradas de alta dimensão (os 2.000 genes altamente variáveis).

Significância e Alegações
O artigo afirma que o GeoBridge estabelece um método de geometria de pullback principiado que transforma medições de célula única esparsas em um panorama contínuo e controlável. Sua principal significância reside em:

1. Rigor Geométrico: Evita as distorções geométricas das suposições euclidianas ao aprender uma métrica de Riemann onde o tempo biológico corresponde ao movimento geodésico.
2. Eficiência Computacional: Ao aproveitar a planaridade do espaço latente, permite a interpolação explícita de forma fechada, eliminando a necessidade de integração numérica computacionalmente intensiva (ex: Neural ODEs) exigida por outros métodos baseados em DOT.
3. Controlabilidade e Interpretabilidade: Fornece um framework para "navegar" em estados celulares, permitindo que pesquisadores simulem transições entre fenótipas arbitrários e identifiquem os genes específicos que impulsionam essas transições.
4. Robustez: O método é robusto ao ruído e à esparsidade de snapshots, recuperando programas transcricionais suaves mesmo quando treinado em dados sem anotações temporais explícitas (via refinamento iterativo de pseudotempo).

Os autores posicionam o GeoBridge não meramente como uma ferramenta de interpolação, mas como um modelo generativo fundamentado em construção geométrica explícita, oferecendo um novo paradigma para reconstruir, interpretar e manipular transições de estados celulares.