🧬 biology

HEIST: A Graph Foundation Model for Spatial Transcriptomics and Proteomics Data

Cet article introduit HEIST, un modèle de fondation transformer de graphes hiérarchiques préentraîné sur 22,3 millions de cellules à résolution spatiale qui intègre le contexte spatial avec les réseaux de gènes et de protéines intracellulaires pour atteindre des performances de pointe en l'annotation cellulaire, l'imputation de gènes et la prédiction des résultats cliniques, tout en se généralisant à des types de données inédits comme la protéomique spatiale.

Auteurs originaux : Hiren Madhu, João Felipe Rocha, Tinglin Huang, Siddharth Viswanath, Smita Krishnaswamy, Rex Ying

Publié 2026-06-05

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Hiren Madhu, João Felipe Rocha, Tinglin Huang, Siddharth Viswanath, Smita Krishnaswamy, Rex Ying

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de comprendre une ville trépidante et bondée. Vous disposez de deux types de données sur cette ville :

La Liste des Gens : Un tableur massif qui détaille ce que chaque personne pense et fait (son « expression génique »).
La Carte : Un GPS qui montre exactement où chaque personne se trouve et qui se tient à côté de qui (sa « localisation spatiale »).

Pendant longtemps, les scientifiques ont dû choisir entre regarder la Liste des Gens ou la Carte. S'ils regardaient la liste, ils manquaient le contexte du quartier. S'ils regardaient la carte, ils manquaient les pensées internes des individus. De plus, la plupart des modèles informatiques traitaient le « vocabulaire » de chaque personne comme étant fixe, ce qui signifie qu'ils ne pouvaient pas comprendre une nouvelle ville si celle-ci utilisait des mots différents (gènes ou protéines) de ceux sur lesquels ils avaient été entraînés.

Entrez en scène : HEIST.

HEIST est un nouveau « modèle de fondation » (une base d'IA ultra-intelligente) conçu pour comprendre simultanément les pensées internes des cellules et leur contexte de voisinage. Voici comment il fonctionne, en utilisant des analogies simples :

1. La Carte de la Ville à Deux Niveaux (Graphes Hiérarchiques)

La plupart des modèles observent une ville d'une seule manière. HEIST l'observe comme une poupée russe ou un immeuble à deux étages :

L'étage supérieur (Le Quartier) : C'est une carte de tout le tissu. Elle connecte les cellules en fonction de qui se tient à côté de qui. Elle sait qu'une cellule dans un « quartier tumoral » est différente d'une cellule dans un « quartier sain ».
L'étage inférieur (Le Bureau Interne) : À l'intérieur de chaque cellule, HEIST construit un mini-réseau des gènes de cette cellule. Il ne se contente pas de lister les gènes ; il les connecte en fonction de la manière dont ils communiquent entre eux (co-expression).

Le Tour de Magie : HEIST ne se contente pas de regarder l'étage supérieur ou l'étage inférieur. Il permet à ces deux niveaux de communiquer.

Si une cellule se trouve dans un quartier bruyant et encombré (un environnement tissulaire spécifique), HEIST met à jour les « pensées » internes de cette cellule pour refléter ce stress.
Inversement, si les gènes à l'intérieur d'une cellule crient un message spécifique, HEIST utilise cela pour mettre à jour la perception de la place de la cellule dans le quartier.

2. Pas de Dictionnaire Fixe (Généralisation)

Imaginez que vous ayez entraîné un traducteur à parler anglais, mais qu'ensuite on vous remette un livre écrit en français. Un modèle standard planterait car il ne connaîtrait que le « vocabluire anglais ».

HEIST est différent. Au lieu de mémoriser une liste fixe de mots (gènes), il apprend comment les mots sont liés entre eux.

S'il voit une nouvelle protéine qu'il n'a jamais vue auparavant (comme dans les données protéomiques), il ne panique pas. Il observe comment cette nouvelle protéine « parle » à ses voisines et en déduit son sens grâce à ces relations.
Cela permet à HEIST de passer de l'étude de l'ARN (transcriptomique) à l'étude des Protéines (protéomique) sans avoir besoin d'être réentraîné de zéro. C'est comme un polyglotte capable d'apprendre une nouvelle langue simplement en comprenant la grammaire et la structure des phrases, même s'il n'a jamais entendu les mots auparavant.

3. Comment il a appris (L'Entraînement)

HEIST a été entraîné sur un ensemble de données de « ville » massif contenant 22,3 millions de cellules provenant de 15 organes différents et 124 tissus différents.

Le Jeu de l'Enseignant : Pour apprendre, l'IA a joué deux jeux :
1. Le jeu du « Trouvez la différence » (Apprentissage contrastif) : On lui montrait deux cellules et on lui demandait : « Ces voisines sont-elles similaires ou différentes ? » Elle a appris à regrouper les cellules similaires et à écarter les différentes.
2. Le jeu du « Remplissez les blancs » (Auto-encodage masqué) : L'IA se voyait présenter une cellule dont certains gènes ou données de localisation étaient cachés (masqués). Elle devait deviner les morceaux manquants en se basant sur ce qu'elle savait des voisins de la cellule et de son réseau génique interne.

4. Ce que HEIST peut faire (Les Résultats)

L'article affirme que HEIST est un « superpouvoir » pour la biologie dans quatre domaines spécifiques :

Trouver des Clusters Cachés : Il peut trouver de minuscules sous-groupes de cellules cachés que d'autres modèles manquent. Par exemple, il peut repérer un type spécifique de cellule immunitaire qui n'existe que dans un « micro-environnement » très précis au sein d'une tumeur, là où les modèles précédents ne voyaient que des « cellules immunitaires génériques ».
Prédire les Résultats de Santé : Il peut observer un échantillon de tissu et prédire si un patient atteint d'un cancer répondra à l'immunothérapie ou si un placenta est sain, dépassant souvent les autres modèles de pointe.
Combler les Lacunes : Si une mesure de gène est manquante ou bruitée (un problème courant dans les laboratoires), HEIST peut deviner avec précision ce qu'elle devrait être.
Vitesse : Il est incroyablement rapide — 8 fois plus rapide que certains concurrents et 48 fois plus rapide que d'autres — car il utilise une méthode intelligente et parcimonieuse pour observer les données plutôt que d'essayer de connecter chaque cellule à toutes les autres.

Résumé

Considérez HEIST comme l'ultime détective biologique. Il ne se contente pas de lire les cartes d'identité des cellules (les gènes) ; il examine la scène du crime (la carte du tissu), comprend les relations entre les suspects (les réseaux de gènes) et utilise ce contexte pour résoudre des mystères que d'autres détectives (modèles) étaient trop aveugles pour voir. Il est le premier modèle à avoir réussi à combiner le « qui » (les gènes), le « où » (l'espace) et le « comment ils communiquent » (les réseaux) en un système unique et adaptable.

Résumé Technique : HEIST - Un modèle de fondation par graphes pour la transcriptomique et la protéomique spatiales

Énoncé du Problème

La transcriptomique et la protéomique à l'échelle de la cellule unique ont permis une compréhension approfondie de l'hétérogénéité cellulaire, pourtant la transcriptomique sur cellule unique traditionnelle (scRNA-seq) manque du contexte spatial nécessaire pour comprendre l'organisation des tissus, les interactions du microenvironnement et la manière dont la co-expression génique influence les comportements au niveau tissulaire. Bien que la transcriptomique et la protéomique spatiales répondent à cela en préservant les localisations physiques, les modèles computationnels existants font face à des limitations significatives :

Ignorance de la complexité spatiale ou moléculaire : De nombreux modèles ignorent soit l'information spatiale, soit échouent à modéliser les programmes génétiques et protéomiques complexes au sein des cellules, empêissant l'inférence de la manière dont la régulation interne s'adapte aux signaux du microenvironnement.
Vocabulaires fixes : La plupart des modèles de fondation utilisent des vocabulaires de gènes fixes, ce qui entrave leur généralisabilité à des jeux de données contenant des gènes ou des protéines absents lors du pré-entraînement.
Absence de modélisation hiérarchique : Les approches existantes traitent souvent les cellules et les gènes comme des structures plates ou des graphes entièrement connectés, échouant à capturer le biais inductif de réseaux de co-expression clairsemés et biologiquement plausibles interagissant avec les voisinages spatiaux.

Méthodologie : Architecture HEIST

Les auteurs proposent HEIST (Hierarchical EmbeddIngs for Spatial Transcriptomics), un modèle de fondation par transformateur de graphes hiérarchique conçu pour modéliser conjointement la proximité spatiale et les réseaux internes de co-expression génique.

1. Construction de graphes hiérarchiques

HEIST modélise les tissus comme un graphe hiérarchique à deux niveaux :

Niveau supérieur (Graphe spatial) : Un graphe cellule-cellule ( $G_c$ ) construit en calculant des polygones de Voronoi à partir des coordonnées cellulaires et en connectant les cellules dans des polygones adjacents pour capturer la proximité spatiale et l'architecture tissulaire.
Niveau inférieur (Réseaux de co-expression génique) : Chaque cellule est représentée par un réseau de co-expression génique de niveau inférieur ( $G^k_g$ ). Ces réseaux sont construits par type cellulaire en calculant l'information mutuelle par paire entre les gènes débruités (via MAGIC) et en connectant les paires au-dessus d'un seuil adaptatif piloté par les données $\tau$ .

2. Architecture du modèle

HEIST emploie un Transformateur de Graphe Hiérarchique qui effectue deux types distincts de passage de messages :

Passage de messages intra-niveau : Au sein de chaque couche, le modèle met à jour les plongements (embeddings) cellulaires à l'aide d'un CellGraphTransformer (capturant les interactions spatiales à longue portée) et les plongements de gènes à l'aide d'un GeneGraphTransformer (capturant les motifs de co-expression fins).
Passage de messages inter-niveaux : Un mécanisme d'attention directionnel novateur intègre les deux modalités.
- Du gène vers la cellule : Les plongements cellulaires sont affinés à l'aide de résumés agrégés de leurs gènes constituants, garantissant que les états transcriptionnels façonnent l'identité spatiale.
- De la cellule vers le gène : Les plongements de gènes sont mis à jour en fonction du contexte spatial de leur cellule parente. Cela permet au même gène d'être encodé différemment selon son contexte cellulaire, permettant au modèle de se généraliser à des gènes ou des caractéristiques protéomiques non vus sans réentraînement.

3. Objectifs de pré-entraînement

HEIST est pré-entraîné sur 22,3 millions de cellules issues de 124 tissus répartis dans 15 organes, en utilisant une combinaison d'objectifs auto-supervisés :

Apprentissage contrastif : Aligne les cellules et les gènes similaires (par exemple, des cellules voisines du même type, des gènes co-exprimés) tout en éloignant les paires dissemblables. Il inclut un alignement contrastif inter-niveaux pour assurer la cohérence entre les représentations de gènes et de cellules.
Auto-encodeur masqué (MAE) : Le modèle reconstruit les valeurs d'expression génique et les coordonnées spatiales masquées, le forçant à inférer les données manquantes et à apprendre des représentations robustes des signaux géniques et des indices spatiaux.
Régularisation d'orthogonalité : Encourage les dimensions d'embedding à être décorrélées, favorisant des représentations diverses et non redondantes.

Principales Contributions

Premier modèle de fondation hiérarchique pour l'omique spatiale : HEIST est le premier modèle qui incorpore explicitement les réseaux de co-expression aux côtés des graphes spatiaux dans un cadre hiérarchique unifié, permettant aux programmes géniques locaux d'influencer l'organisation tissulaire et vice versa.
Plongements de gènes dynamiques et sensibles au contexte : Contrairement aux modèles dépendant de vocabulaires fixes, HEIST calcule dynamiquement les plongements de gènes à partir des réseaux de co-expression et du contexte cellulaire. Cela permet de se généraliser à de nouveaux types de données, incluant la protéomique spatiale, sans réentraînement.
Efficacité computationnelle : En utilisant une modélisation parcimonieuse et en évitant l'auto-attention complète sur tous les gènes, HEIST atteint des accélérations significatives, rapportées comme étant 8× plus rapide que SCGPT-SPATIAL et 48× plus rapide que SCFOUNDATION pour l'extraction d'embeddings.
Biais inductif biologique : L'architecture capture la co-expression génique fine au sein des cellules et les interactions cellulaires à longue portée via le passage de messages inter-niveaux, produisant des plongements biologiquement contextualisés.

Résultats Expérimentaux

HEIST a été évalué sur quatre tâches en aval à travers plusieurs technologies (MERFISH, Xenium, CODEX, MIBI) et organes :

Clustering de cellules : HEIST a surpassé les bases de référence (STAGATE, GraphST, CellPLM, scGPT-spatial) en termes de scores d'Information Mutuelle Normalisée (NMI). Crucialement, il a identifié avec succès des sous-populations informées spatialement que les modèles précédents avaient fusionnées, révélant une hétérogénéité pilotée par le microenvironnement (par exemple, des sous-clusters distincts de neurones L4-IT).
Annotation de types cellulaires : A atteint des scores F1 de pointe sur quatre des cinq jeux de données, avec des améliorations substantielles (par exemple, +48,5 % sur les données de la région cervicale de l'UPMC) par rapport aux modèles de référence.
Prédiction des résultats cliniques : HEIST a obtenu l'AUC-ROC le plus élevé dans six des sept scénarios, incluant la prédiction de la réponse à l'immunothérapie, de la rémission et des conditions placentaires. Notamment, il a surpassé les bases de référence spécifiques à la protéomique jusqu'à 44,3 % en exploitant tous les marqueurs disponibles sans réentraînement.
Imputation de gènes : Après ajustement fin (fine-tuning), HEIST a surpassé toutes les bases de référence (y compris MAGIC et les modèles de fondation affinés) en corrélation de Pearson pour l'imputation de gènes sur les jeux de données de placenta et de peau.
Prédiction Ligand-Récepteur : HEIST a atteint un AUC-ROC de 0,995 dans la prédiction des interactions ligand-récepteur, surpassant de manière significative les autres modèles de fondation, indiquant que ses plongements capturent efficacement les signatures spatiales de la communication cellulaire.

Signification et Revendications

L'article affirme que HEIST représente une avancée significative dans la modélisation de l'omique spatiale en unifiant les hiérarchies spatiales et moléculaires. Sa principale importance réside dans sa capacité à :

Découvrir une biologie nouvelle : En capturant des sous-populations spécifiques au microenvironnement manquées par les modèles précédents, HEIST offre des perspectives plus profondes sur l'organisation tissulaire et la progression des maladies (par exemple, la progression des stades de Braak dans la maladie d'Alzheimer).
Permettre le transfert inter-modalités : Le mécanisme d'embedding dynamique permet au modèle de se généraliser aux données de protéomique et aux jeux de données avec des ensembles de gènes différents, adressant une limitation majeure des modèles de fondation actuels à vocabulaire fixe.
Fournir une base scalable : Avec des performances de pointe et une grande efficacité computationnelle, HEIST offre une base pratique et polyvalente pour diverses tâches biologiques et cliniques en aval, de l'annotation cellulaire à la prédiction des réponses thérapeutiques.

Les auteurs concluent que la modélisation à la fois de l'information moléculaire (co-expression) et spatiale est essentielle pour développer des modèles transférables pour l'omique spatiale, un fossé que HEIST vise à combler.