📊 statistics

Conformal inference for cell type annotation with graph-structured constraints

Cet article présente un nouveau cadre d'inférence conforme implémenté dans le package R `scConform` qui exploite des ontologies cellulaires structurées en graphes et le contrôle du risque pour améliorer l'interprétabilité et la cohérence des annotations de types cellulaires en transcriptomique sur cellule unique, tout en traitant également les décalages de distribution entre les données d'entraînement et de test.

Auteurs originaux : Daniela Corbetta, Livio Finos, Ludwig Geistlinger, Davide Risso

Publié 2026-06-09

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Daniela Corbetta, Livio Finos, Ludwig Geistlinger, Davide Risso

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

L'idée générale : Deviner avec un filet de sécurité

Imaginez que vous êtes un détective essayant d'identifier un suspect parmi un groupe de 15 personnes. Un modèle informatique standard agit comme un détective qui pointe une seule personne du doigt et dit : « C'est elle ! ». Mais parfois, le détective n'est pas sûr à 100 %. Peut-être que le suspect ressemble un peu à la Personne A, mais aussi un peu à la Personne B.

Si le détective choisit simplement la Personne A, il pourrait se tromper. S'il choisit à la fois A et B, il est plus prudent, mais si A et B sont des étrangers complets l'un pour l'autre (comme un boulanger et un pilote), la liste n'a pas beaucoup de sens.

Ce document présente une nouvelle façon pour les ordinateurs de faire ces suppositions. Au lieu de simplement pointer une personne, il donne une liste de possibilités qui garantit d'inclure la bonne réponse la plupart du temps. Mieux encore, il s'assure que les personnes sur la liste sont liées entre elles, comme un arbre généalogique, afin que la liste soit logique.

Le Problème : L'« Arbre Généalogique » des cellules

En biologie, les scientifiques étudient de minuscules blocs de construction appelés cellules. Il existe de nombreux types de cellules (comme les lymphocytes T, les lymphocytes B, les cellules musculaires), et elles sont liées entre elles selon une hiérarchie spécifique, un peu comme un arbre généalogique.

L'Arbre : Tous les « lymphocytes T » sont les enfants des « Lymphocytes ». Les « lymphocytes T CD4+ » et les « lymphocytes T CD8+ » sont des cousins.
Le Problème : Les anciennes méthodes informatiques pourraient dire qu'une cellule est soit un « lymphocyte T CD4+ », soit une « Cellule musculaire ». Ces deux types sont très éloignés sur l'arbre généalogique. Si l'ordinateur est confus, vous donner une liste comprenant ces deux options sans rapport est déroutant et peu utile.

La Solution : Un « Filet de Sécurité Intelligent »

Les auteurs ont développé une méthode appelée Inférence Conforme (Conformal Inference). Voyez cela comme un « filet de sécurité » pour les prédictions.

La Garantie : La méthode promet : « Si vous utilisez ma liste de suppositions, je garantis que la vraie réponse se trouve dans cette liste 90 % du temps. » Peu importe si le modèle informatique d'origine est bon ou mauvais, le filet de sécurité s'ajuste pour tenir cette promesse.
La Contrainte de Graphe : C'est la touche spéciale de ce document. Au lieu de simplement saisir des suppositions aléatoires, la méthode consulte l'« Arbre Généalogique » (le graphe).
- Si l'ordinateur est très sûr de lui, il vous donne une feuille spécifique de l'arbre (ex : « lymphocyte T CD4+ »).
- S'il est incertain, au lieu de vous donner un mélange aléatoire de parents éloignés, il remonte dans l'arbre généalogique vers un ancêtre commun.
- Analogie : Si vous n'êtes pas sûr si le suspect est un « lymphocyte T CD4+ » ou un « lymphocyte T CD8+ », la méthode ne dresse pas une liste des deux. À la place, elle dit : « C'est certainement un lymphocyte T ». C'est une réponse unique et claire qui couvre les deux possibilités sans être déroutante.

Gérer le problème des « Différentes Pièces » (Décalage de distribution)

Imaginez que vous avez entraîné votre détective avec des photos de personnes de New York, mais que maintenant, vous essayez d'identifier des personnes de Tokyo. L'éclairage, les vêtements et les traits moyens peuvent être différents. C'est ce qu'on appelle un « décalage de distribution » (distribution shift).

Le Problème : Si votre ordinateur a été entraîné sur un ensemble de données contenant principalement des « Cellules Musculaires » et que vous le testez sur un ensemble de données contenant principalement des « Cellules Sanguines », le filet de sécurité pourrait se briser car l'ordinateur est confus par ce nouveau mélange.
La Solution : Les auteurs ont créé une astuce de « rééchantillonnage ». Avant de faire le filet de sécurité final, ils font semblant de mélanger les photos d'entraînement de manière à ce que le mélange de personnes dans la salle d'entraînement ressemble exactement au mélange de personnes dans la salle de test. Cela aide le filet de sécurité à fonctionner correctement même lorsque les données proviennent de sources différentes (comme différents hôpitaux ou patients).

Tests en Conditions Réelles

Les auteurs ont testé cette idée de deux manières :

Le Test de l'Intestin de Souris : Ils ont utilisé des données provenant d'intestins de souris. Ils ont constaté que leur nouvelle méthode produisait des listes plus logiques. Quand l'ordinateur était incertain, il regroupait les cellules apparentées (comme dire « lymphocyte T » au lieu de mélanger « CD4 » et « cellule B »). Ils ont également montré que lorsque l'ordinateur était véritablement confus (comme face à un type de cellule qu'il n'avait jamais vu auparavant), leur méthode disait : « Je ne sais pas, cela pourrait être n'importe lequel de ceux-ci », ce qui est une réponse honnête et utile.
Le Test COVID-19 : Ils ont examiné des cellules sanguines de patients atteints de la COVID-19. Ils ont simulé un scénario où ils devaient prédire les types de cellules pour un nouveau patient à partir de données anciennes. Leur méthode a réussi à gérer les différences de comptage de cellules entre les anciennes et les nouvelles données, fournissant des groupes de suppositions fiables qui respectent l'arbre généalogique biologique.

L'Essentiel

Ce document offre aux scientifiques un outil pour réaliser des prédictions cellulaires qui sont :

Honnêtes : Elles admettent quand elles ne sont pas sûres en donnant une liste plus large et plus sûre.
Logiques : Les listes respectent l'arbre généalogique biologique, de sorte que les réponses ont du sens.
Fiables : Elles possèdent une garantie mathématique que la bonne réponse se trouve généralement dans la liste.
Adaptables : Elles peuvent gérer les situations où les nouvelles données diffèrent des anciennes données d'entraînement.

Les auteurs ont mis cet outil à disposition via un progiciel gratuit appelé scConform afin que d'autres scientifiques puissent l'utiliser pour rendre leurs propres prédictions cellulaires plus dignes de confiance.

Résumé Technique : Inférence Conforme pour l'Annotation des Types Cellulaires avec Contraintes de Structure de Graphe

Énoncé du Problème
La transcriptomique en cellule unique fait face à des défis importants concernant la prédiction des types cellulaires, particulièrement en ce qui concerne la quantification de l'incertitude. Les approches traditionnelles basées sur des références reposent souvent sur des prédictions ponctuelles (l'attribution d'une étiquette unique ayant la probabilité la plus élevée), ce qui ne parvient pas à capturer l'incertitude inhérente au modèle, surtout lorsque plusieurs types cellulaires présentent des probabilités comparables. Bien que la prédiction conforme offre un cadre pour générer des ensembles de prédiction avec des garanties en échantillon fini, son application en génomique de cellule unique reste peu explorée. De plus, les méthodes conformes standards produisent souvent des ensembles de prédiction contenant des étiquettes sémantiquement éloignées ou sans rapport au sein de la hiérarchie biologique (par exemple, prédire à la fois un lymphocyte T spécifique et une cellule stromale), ce qui complique l'interprétation. En outre, les applications réelles souffrent fréquemment de décalages de distribution, spécifiquement le décalage d'étiquette (label shift) où la composition des types cellulaires diffère entre la référence (entraînement/calibration) et les ensembles de test, violant ainsi l'hypothèse d'échangeabilité requise pour l'inférence conforme standard.

Méthodologie
Les auteurs proposent un nouveau cadre qui intègre le contrôle du risque conforme avec les contraintes de structure de graphe de l'Ontologie Cellulaire.

Contrôle du Risque Conforme Structuré par Graphe :
- Intégration de l'Ontologie : La méthode utilise l'Ontologie Cellulaire comme un Graphe Acyclique Dirigé (DAG), où les nœuds feuilles représentent des types cellulaires spécifiques et les nœuds internes représentent des catégories plus larges.
- Construction du Score : Pour une classe prédite $\hat{y}(x)$ , l'algorithme calcule des scores $g(v, x)$ pour les nœuds ancêtres $v$ , définis comme la somme des probabilités prédites de tous les descendants feuilles de $v$ .
- Construction de l'Ensemble de Prédiction : Au lieu de retourner des nœuds feuilles dispersés, l'algorithme identifie l'ancêtre le plus spécifique $v$ de la classe prédite dont le score cumulé dépasse un seuil $\lambda$ . L'ensemble de prédiction $C_\lambda(x)$ consiste en tous les descendants feuilles de cet ancêtre, plus les descendants feuilles de tout autre ancêtre dont les scores sont strictement inférieurs à $\lambda$ (pour assurer la propriété d'imbrication requise pour le contrôle du risque).
- Fonction de Perte : La méthode emploie une fonction de perte de sous-couverture, garantissant que la probabilité que l'étiquette réelle se trouve en dehors de l'ensemble de prédiction est bornée par un taux d'erreur $\alpha$ spécifié par l'utilisateur.
Traitement du Décalage de Distribution (Décalage d'Étiquette) :
- Reconnaissant que les compositions de types cellulaires diffèrent souvent entre les ensembles de données de référence et de test, les auteurs proposent une approche en deux étapes. Premièrement, ils supposent que les décalages de covariables techniques et biologiques sont atténués via des méthodes d'intégration existantes (ex. Harmony, LIGER).
- Deuxièmement, pour traiter le décalage d'étiquette (différences de fréquences de types cellulaires), ils introduisent une stratégie de rééchantillonnage. Les données de test sont divisées en deux sous-ensembles ( $S_1, S_2$ ). Un modèle est entraîné sur les données de référence, et les probabilités sont estimées sur $S_1$ . Le jeu de calibration est ensuite rééchantillonné selon ces probabilités estimées pour correspondre à la distribution de test. Ce jeu est utilisé pour calibrer les ensembles de prédiction pour $S_2$ . Le processus est répété en inversant les rôles. Cette stratégie approxime l'espérance pondérée par l'importance requise pour une couverture valide sous décalage d'étiquette sans nécessiter de connaissance préalable de la distribution de test.

Contributions Clés

Ensembles de Prédiction Contraints par un Graphe : Le papier introduit un algorithme conforme qui exploite la structure hiérarchique des ontologies cellulaires pour générer des ensembles de prédiction sémantiquement cohérents. Au lieu d'étiquettes disjointes, la méthode renvoie des ensembles correspondant à des ancêtres spécifiques dans l'ontologie, fournissant une étiquette unique (ou ses descendants) qui résume l'incertitude.
Correction du Décalage d'Étiquette : Les auteurs fournissent une technique de rééchantillonnage pratique pour corriger les problèmes de sous-couverture lors de l'annotation de cellules uniques, restaurant les garanties de couverture valide lorsque les ensembles de données de référence et de test ont des compositions de types cellulaires différentes.
Implémentation : La méthode est implémentée dans le package R open-source scConform (disponible via Bioconductor), rendant cette approche accessible à la communauté de la génomique.

Résultats
Les auteurs ont évalué leur méthode en utilisant deux jeux de données :

Jeu de données Merfish Mouse Ileum :
- Comparée à l'inférence conforme par division (split conformal inference) standard, la méthode structurée par graphe a produit des ensembles de prédiction avec des distances intra-ensembles plus faibles (distance moyenne 1,148 contre 1,616), indiquant une cohérence sémantique plus élevée.
- Bien que les ensembles basés sur le graphe soient légèrement plus grands en moyenne, ils produisent fréquemment des prédictions à étiquette unique lorsque la confiance est élevée.
- Crucialement, pour les cellules appartenant à des catégories non présentes dans la référence (ex. "Myenteric Plexus"), la méthode basée sur le graphe a correctement produit des ensembles "inconcluants" (contenant les 15 étiquettes), tandis que l'inférence conforme standard a incorrectement assigné des étiquettes de référence spécifiques, échouant à signaler la nature hors distribution des données.
Jeu de données de Patients COVID-19 :
- Dans un contexte clinique réaliste avec des distributions de types cellulaires déséquilibrées, la stratégie de rééchantillonnage proposée a réussi à corriger les problèmes de sous-couverture.
- Sans rééchantillonnage, la couverture empirique dépassait le niveau nominal (sur-couverture). Avec la correction par rééchantillonnage (tant oracle qu'estimée), la couverture convergeait plus près de la cible de 0,9.
- La méthode a réussi à consolider les prédictions fines en ancêtres biologiquement significatifs (ex. regroupant les sous-types de plasmocytes sous "cellule sécrétant des anticorps"), démontrant une interprétabilité améliorée.

Signification et Revendications
Le papier affirme que l'incorporation de contraintes structurées par graphe améliore considérablement l'interprétabilité des prédictions de types cellulaires dans les données de cellule unique. En alignant les ensembles de prédiction sur la hiérarchie biologique, la méthode évite l'ambiguïté des étiquettes disjointes et fournit un résumé plus intuitif de l'incertitude du modèle.

Les auteurs soulignent que leur approche fournit des garanties de validité en échantillon fini, indépendamment de la précision du classifieur sous-jacent. Contrairement aux méthodes de classification hiérarchique qui propagent les erreurs vers le bas de l'arbre sans garanties de couverture, cette méthode garantit que l'ensemble rapporté contient le type cellulaire réel avec une probabilité prescrite ( $1-\alpha$ ). De plus, la stratégie de rééchantillonnage proposée offre une solution fondée sur des principes au problème courant du décalage d'étiquette en génomique, permettant une quantification de l'incertitude fiable même lorsque les ensembles de données de référence et de test diffèrent de composition. Ce travail positionne l'inférence conforme comme un outil robuste pour l'analyse en aval, permettant aux chercheurs d'incorporer explicitement l'incertitude du modèle plutôt que de s'appuyer sur des estimations ponctuelles potentiellement trompeuses.