Um tutorial da documentação do SnapATAC2 monta um atlas de cromatina humana com 92 amostras de scATAC-seq e aproximadamente 650 mil células [1]. É um número que impressiona até quem convive com matrizes esparsas. E, no entanto, boa parte dessas células não pode ser comparada diretamente com a célula da amostra vizinha: se o laboratório A chamou um pico de acessibilidade em certas coordenadas do cromossomo 7 e o laboratório B chamou um pico deslocado cinquenta pares de bases adiante, os dois conjuntos descrevem a mesma região regulatória sem compartilhar uma única coluna na matriz. O dado é o mesmo; a feature, não.
Essa assimetria, trivial na aparência, é o problema central de um artigo publicado na Nature Communications por Yuqi Cheng e Xiuwei Zhang, do Georgia Institute of Technology [2]. O trabalho apresenta o EpiPack, um toolkit computacional para dados de scATAC-seq que faz duas coisas que os pipelines atuais fazem mal: mapear células de um experimento novo sobre um atlas de referência e detectar quando uma célula simplesmente não pertence à referência — tudo isso sem exigir que as amostras compartilhem o mesmo conjunto de picos [2][3]. A tese deste texto é que o EpiPack importa menos pelo ganho de acurácia que relata e mais por nomear um problema metodológico que a área vinha empurrando para debaixo do tapete — a heterogeneidade do espaço de features — e por transformar a "novidade biológica" em um alvo computacional explícito.
O pico é uma coordenada, não um gene
Quem vem do transcriptoma estranha o scATAC-seq por um motivo específico: no RNA de célula única, a feature é o gene, e o gene tem um identificador estável. No ATAC, a feature é um pico de cromatina aberta, e o pico é o produto de um algoritmo de peak calling aplicado a uma amostra particular, com cobertura particular, em um genoma de referência particular. O resultado é que cada amostra chega com seu próprio vocabulário de colunas.
As duas saídas convencionais para esse desalinhamento têm custos conhecidos. A interseção de picos entre amostras preserva apenas as regiões chamadas em todas elas e joga fora justamente a acessibilidade específica de tipo celular — o sinal que interessa. A união de picos infla a matriz com regiões que só existem em uma amostra, gerando colunas quase inteiramente zeradas e agravando a esparsidade que já é a marca da tecnologia. Um benchmark independente publicado na Genome Biology mostra que a escolha do pipeline de pré-processamento altera propriedades estruturais do embedding: Signac e ArchR tendem a apresentar autocorrelação espacial positiva do tamanho de biblioteca, enquanto agregação, SnapATAC e SnapATAC2 tendem a valores menores [4]. Ou seja, o método de construção da matriz já enviesa o que se pode concluir depois.
O EpiPack entra exatamente aí. Em vez de forçar todas as amostras a um espaço homogêneo de picos antes da modelagem, o componente de construção de referência e mapeamento do pacote, chamado PEIVI, trabalha com as features heterogêneas e as incorpora ao processo de inferência [2][5]. Segundo os autores, os testes de benchmark mostraram a superioridade desse desenho sobre ferramentas que usam um espaço de features homogêneo [3]. É uma inversão de estratégia: a variação técnica que os pipelines tentavam eliminar na porta de entrada vira informação aproveitável dentro do modelo.
PEIVI: apostar na heterogeneidade em vez de suprimi-la
A documentação do EpiPack descreve o pacote como uma ferramenta em Python para análise de ponta a ponta de scATAC-seq, organizada em três componentes: o PEIVI, para construção da referência e mapeamento da query; um classificador, para transferência de rótulos; e detectores de células fora da referência [5]. A contribuição está em fazer essas etapas conversarem dentro de um único arcabouço, no qual a representação dos picos informa a construção do espaço latente, em vez de ser um artefato posterior ao alinhamento.
O detalhe que merece atenção é a ideia de transferência entre espaços heterogêneos. A palavra "transferência" aqui não descreve apenas pegar um modelo treinado e aplicá-lo a outro conjunto: descreve a operação de transportar informação entre espaços de features que não coincidem — o cenário real de qualquer laboratório que tente anotar seu experimento contra um atlas público. A literatura de mapeamento de referência já havia mostrado que âncoras entre modalidades permitem anotar automaticamente perfis de scATAC-seq a partir de mapas de referência transcriptômicos estabelecidos, como no caso do cérebro de mamífero [6]. O EpiPack aposta que um raciocínio semelhante pode funcionar dentro da própria modalidade de cromatina, sem depender de um atlas de RNA como ponte.
Há uma ressalva de cronologia. Uma versão preliminar do trabalho, intitulada Discovering cell types and states from reference atlases with heterogeneous single-cell ATAC-seq features, foi depositada no bioRxiv em setembro de 2025 [3]. Para um método computacional, o intervalo até a publicação em periódico é relevante: nesse período o ecossistema de ferramentas de célula única se moveu, e a comparação com o estado da arte precisa ser lida com essa defasagem em mente.
OOR: a pergunta que os métodos de mapeamento não sabiam fazer
Existe uma assimetria silenciosa nos fluxos de trabalho de mapeamento de referência: a maioria dos métodos é construída para responder "a que tipo celular da referência esta célula se parece?", e não "esta célula pertence à referência?". São perguntas diferentes, e a segunda é a que importa quando o objeto de estudo é doença, perturbação genética ou tratamento farmacológico.
A contribuição do EpiPack nesse ponto é a detecção out-of-reference (OOR) em dois níveis, global e local [2][5]. Na definição da documentação, a OOR global corresponde a agrupamentos discretos no espaço latente conjunto, separados por distâncias euclidianas claras dos agrupamentos da referência; a OOR local corresponde a desvios graduais dentro da geometria local do embedding, que muitas vezes refletem mudanças de estado associadas a doença ou ativação [5]. A distinção é o que dá substância ao método: uma perturbação pode criar uma população inteiramente nova ou apenas deslocar um subconjunto de células dentro de um tipo aparentemente normal. Métricas de confiança agregadas por cluster capturam o primeiro caso e tendem a ser cegas para o segundo.
O exemplo de aplicação do preprint ilustra a ideia: os autores construíram uma referência a partir de dados de células mononucleares do sangue periférico (PBMC) de pessoas saudáveis e a usaram para identificar agrupamentos associados à doença em amostras de COVID-19 [3]. É aqui que o trabalho se afasta da tradição de anotação e entra na tradição de descoberta. O que faltava ao campo não era um modelo maior, e sim uma ferramenta que dissesse, com algum critério explícito, quando a resposta é "nenhum dos tipos acima".
A posição incômoda: menos modelo de fundação, mais engenharia de dados
Aqui vale assumir uma posição que o entusiasmo atual com grandes modelos costuma evitar. A obsessão por modelos de fundação de célula única está, em boa medida, mal direcionada — e o EpiPack é evidência indireta disso. Uma avaliação zero-shot publicada na Genome Biology em 2025 concluiu que modelos como Geneformer e scGPT podem enfrentar problemas de confiabilidade e não superam de forma consistente métodos mais simples quando usados sem ajuste fino [7]. Isso não invalida esses modelos, mas sugere que o ganho que oferecem depende mais do regime de dados e do ajuste do que da escala do pré-treinamento.
O ponto cego que o EpiPack expõe é anterior a qualquer transformer. Se as features de entrada não são comparáveis entre amostras, nenhum modelo — grande ou pequeno — resolve o problema; ele apenas aprende o artefato. A contribuição mais durável do trabalho pode não ser o PEIVI em si, mas o argumento de que a heterogeneidade de picos é uma fonte de sinal e não um defeito a ser normalizado. É uma tese de engenharia de dados disfarçada de tese de aprendizado de máquina.
Há limites óbvios nessa defesa. O trabalho é uma contribuição de método, não um benchmark independente: a comparação com alternativas foi desenhada e executada pelos próprios autores [2][3]. A avaliação da detecção OOR depende de cenários em que a "perturbação" é conhecida — o que é viável em simulação e em experimentos controlados, mas problemático em coortes humanas, onde a fronteira entre variação biológica rara e novidade real é turva. E a tecnologia de scATAC-seq continua se movendo: um estudo de 2026 avaliou plataformas de scATAC-seq justamente pela capacidade de treinar modelos de sequência-para-função, e concluiu que modelos treinados com dados de plataformas customizadas ou comerciais têm desempenho comparável em predição de enhancers [8]. Se a tecnologia de medição muda, o espaço de picos muda com ela, e toda referência pré-treinada envelhece.
Software e reuso
O EpiPack é distribuído como pacote Python, com código-fonte público no GitHub e documentação própria [5]. A divisão em componentes separados — construção de referência, classificação e detecção OOR — não é detalhe de engenharia: é o que permite que uma referência construída com um conjunto de amostras seja reutilizada por um laboratório que sequer tem poder computacional para reconstruí-la. Ferramentas de infraestrutura desse tipo raramente recebem o mesmo crédito que a descoberta de um tipo celular específico, embora sejam elas que tornam essas descobertas possíveis e reproduzíveis.
Discussão: o que realmente muda se o mapeamento der certo
O EpiPack articula três camadas que costumam ser tratadas separadamente: a construção da referência, o mapeamento da query e a recusa em mapear. Ao juntá-las, o trabalho desloca o critério de sucesso. Um bom método de anotação deixa de ser aquele que atribui um rótulo a 99% das células e passa a ser aquele que sabe dizer quando não deve atribuir rótulo nenhum — uma preocupação que a área de mapeamento de referência em geral também persegue [6].
As tensões ficam claras quando se olha o conjunto. Primeiro, a heterogeneidade de features é simultaneamente o problema e o sinal, e a fronteira entre aproveitá-la e sobreajustá-la ainda não foi estabelecida de forma independente. Segundo, a detecção OOR exige um conceito operacional de "perturbação" que só existe com clareza em desenhos experimentais controlados, não em coortes observacionais. Terceiro, o ecossistema de ferramentas — o Signac, com sua cadeia de peak calling, quantificação, controle de qualidade, redução de dimensionalidade e agrupamento [9]; os benchmarks que comparam agregação, SnapATAC e SnapATAC2 [4]; modelos estatísticos que corrigem a profundidade de sequenciamento e separam múltiplos fatores que afetam a acessibilidade, como o PACS [10] — não vai convergir para uma interface única. Ferramentas como o EpiPack competem e cooperam ao mesmo tempo com esse ecossistema, e o custo de adoção é real.
A lacuna mais honesta é a validação externa. Há dados públicos suficientes — 92 amostras e cerca de 650 mil células reunidas em um único atlas de referência [1], e um atlas de cromatina humana que cobre 30 tipos de tecido adulto e integra dados de 15 tipos de tecido fetal [11] — para que a comunidade teste o PEIVI e a detecção OOR de forma independente. Enquanto isso não acontece, o resultado deve ser lido como promessa metodológica bem argumentada, não como consenso.
Conclusão
O EpiPack não resolve o problema da cromatina de célula única; ele o nomeia com precisão suficiente para que outros possam atacá-lo. Ao tratar picos heterogêneos como features legítimas e ao transformar a ausência de correspondência em alvo de detecção, Cheng e Zhang deslocam o eixo da discussão de "qual modelo é maior" para "qual representação é comparável" — um deslocamento menos glamouroso e mais consequente
[2].
Três direções parecem inevitáveis. A primeira é a padronização parcial de espaços de picos, não por consenso de coordenadas, mas por camadas de representação que permitam auditoria cruzada entre atlas. A segunda é a criação de conjuntos de referência com perturbações rotuladas — linhagens editadas, tratamentos controlados, tecidos doentes com histologia pareada — sem os quais a detecção OOR permanece difícil de avaliar fora do simulador. A terceira é a integração entre abordagens baseadas em picos e modelos de sequência-para-função, hoje já usados para comparar tecnologias de atlas [8]. Se essa integração amadurecer, o pico desalinhado deixará de ser um estorvo de pré-processamento e passará a ser o dado que se quer medir.
Referências
[1] SnapATAC2 documentation. Atlas-scale Analysis: a cell atlas of human chromatin accessibility. https://snapatac2.scverse.org/tutorials/atlas.html
[2] Cheng, Y. & Zhang, X. (2026). EpiPack: A computational framework for reference mapping and out-of-reference detection for single-cell ATAC-seq data with heterogeneous peak features. Nature Communications. https://www.nature.com/articles/s41467-026-78924-9
[3] Cheng, Y. & Zhang, X. (2025). Discovering cell types and states from reference atlases with heterogeneous single-cell ATAC-seq features (preprint). bioRxiv. https://www.biorxiv.org/content/10.1101/2025.09.19.677191v1.full-text
[4] Luo, S., Germain, P.-L., Robinson, M. D. & von Meyenn, F. (2024). Benchmarking computational methods for single-cell chromatin data analysis. Genome Biology, 25, 225. https://pmc.ncbi.nlm.nih.gov/articles/PMC11328424/
[5] EpiPack documentation. Welcome to EpiPack's documentation! / Introduction to Global and Local OOR Detection. https://epipack.readthedocs.io/en/main/oor_intro.html
[6] Lotfollahi, M., Hao, Y., Theis, F. J. & Satija, R. (2024). The future of rapid and automated single-cell data analysis using reference mapping. Cell, 187(10), 2343–2358. https://pmc.ncbi.nlm.nih.gov/articles/PMC11184658/
[7] Kedzierska, K. Z., Crawford, L., Amini, A. P. & Lu, A. X. (2025). Zero-shot evaluation reveals limitations of single-cell foundation models. Genome Biology, 26, 101. https://pmc.ncbi.nlm.nih.gov/articles/PMC12007350/
[8] Dickmänken, H. et al. (2026). Evaluating single-cell ATAC-seq atlasing technologies using sequence-to-function modeling. Nature Communications, 17, 1951. https://pmc.ncbi.nlm.nih.gov/articles/PMC12929571/
[9] Stuart, T. et al. (2021). Single-cell chromatin state analysis with Signac. Nature Methods. https://stuartlab.org/pdf/Single-cell%20chromatin%20state%20analysis%20with%20Signac.pdf
[10] Miao, Z. et al. (2025). Depth-corrected multi-factor dissection of chromatin accessibility for scATAC-seq data with PACS. Nature Communications. https://www.nature.com/articles/s41467-024-55580-5
[11] Zhang, K. et al. (2021). A single-cell atlas of chromatin accessibility in the human genome. Cell, 184(24), 5985–6001. https://pmc.ncbi.nlm.nih.gov/articles/PMC8664161/