Graph Neural Networks for link prediction of nucleus-Golgi polarity vectors

Diogo Guilherme de Castro Soares Moura

Key information

Authors:

Diogo Guilherme de Castro Soares Moura (Diogo Guilherme de Castro Soares Moura)

Supervisors:

Maria Margarida Campos da Silveira (Maria Margarida Campos da Silveira); Hemaxi Narotamo (Hemaxi Narotamo)

Published in

June 19, 2024

Abstract

Um aspecto crucial da organização celular é o estabelecimento de vectores de polaridade entre núcleos e o Golgi, que dita a direção do movimento dos organelos e do tráfego molecular dentro das células e influencia processos celulares críticos como a angiogénese, a formação de novos vasos sanguíneos a partir de vasos pré-existentes. Portanto, é essencial prever as conexões existentes entre núcleos e Golgi, devido à sua influência nesses processos. Abordagens anteriores para prever vetores de polaridade núcleo-Golgi utilizaram ou versões clássicas de algoritmos de correspondência bipartida, como o algoritmo Húngaro para previsão de conexões, ou utilizaram máscaras de segmentação para associar núcleos e Golgi, evitando a necessidade de treinar um classificador para a previsão de conexões, realizando ao invés segmentação e pareamento conjuntos. Este trabalho apresenta uma abordagem inovadora para a previsão de conexões núcleo-Golgi usando modelos de Redes Neuronais para Grafos, aplicando pela primeira vez modelos de aprendizagem profunda à previsão de conexões entre núcleos e Golgi. A nossa proposta identifica uma arquitetura de rede neuronal optimizada para esta tarefa, examina a robustez dos modelos em vários tipos de dados e aplica restrições de correspondência bipartida para melhorar o desempenho dos modelos de aprendizagem profunda especificamente para esta tarefa. Embora os algoritmos clássicos de correspondência bipartida se destaquem com dados manualmente anotados e sintéticos, nossos modelos de Redes Neuronais para Grafos superam esses algoritmos em dados com centróides detectados automaticamente por um modelo CNN. One crucial aspect of cellular organization is the establishment of polarity vectors between nuclei and Golgi, which dictates the directionality of organelle movement and molecular traffic within cells and influences critical cellular processes such as angiogenesis, the formation of new blood vessels from pre-existing ones. It is, therefore, essential to predict the existing connections between nuclei and Golgi due to their influence on these processes. Previous approaches for predicting nucleus-Golgi polarity vectors have either used classical bipartite matching algorithms for link prediction, such as the Hungarian algorithm, or used segmentation masks to associate nuclei and Golgi, avoiding the need to train a classifier for link prediction and performing instead joint segmentation and pairing. This work introduces a novel approach for nucleus-Golgi link prediction using state-of-the-art Graph Neural Network (GNN) models, presenting the first instance of deep learning models performing link prediction on nucleus-Golgi data. Our approach identifies an optimized GNN architecture for this task, examines the robustness of GNN models across various data types, and applies bipartite matching constraints to enhance the performance of deep learning models. While classical bipartite matching algorithms excel with manually annotated and synthetic data, our GNN models outperform them on data with automatically detected centroids by a CNN model. This offers an improved and fully automated solution that better handles centroid detection errors inherent to this type of data, surpassing both cost-based minimization classical bipartite matching algorithms and segmentation mask-based approaches.