🤖 machine learning

MapPFN: Learning Causal Perturbation Maps in Context

MapPFN est un réseau pré-entraîné sur des données synthétiques qui utilise l'apprentissage en contexte pour prédire les effets des perturbations biologiques et identifier les gènes différentiellement exprimés, surpassant les méthodes existantes en s'adaptant à de nouveaux contextes biologiques lors de l'inférence.

Auteurs originaux : Marvin Sextro, Weronika Kłos, Gabriel Dernbach

Publié 2026-04-22

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Marvin Sextro, Weronika Kłos, Gabriel Dernbach

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

🧪 Le Problème : Deviner l'effet d'un médicament sans le tester

Imaginez que vous êtes un chercheur en biologie. Vous voulez savoir ce qui se passe dans une cellule (une petite usine microscopique) si vous retirez un de ses "ouvriers" (un gène) ou si vous lui donnez un médicament.

Pour le savoir, vous avez deux choix :

Faire l'expérience réelle : C'est lent, cher et destructeur (on doit "tuer" la cellule pour la mesurer). De plus, on ne peut pas tester toutes les combinaisons possibles, car il y en a des milliards.
Utiliser un ordinateur : C'est rapide et pas cher. Mais les ordinateurs actuels sont comme des élèves qui ont appris par cœur un seul manuel. Si vous leur posez une question sur un contexte qu'ils n'ont jamais vu (par exemple, une cellule de peau au lieu d'une cellule de foie), ils sont perdus. Ils ne savent pas s'adapter.

🚀 La Solution : MapPFN, le "Chef Cuisinier" de l'IA

Les auteurs ont créé MapPFN. C'est un modèle d'intelligence artificielle conçu pour être un expert universel capable de s'adapter à n'importe quelle situation biologique, même celle qu'il n'a jamais vue.

Voici comment cela fonctionne, avec une analogie culinaire :

1. L'Entraînement : Apprendre avec des "Faux Plats" (Données Synthétiques)

Au lieu de faire goûter au modèle des millions de vrais plats (expériences biologiques réelles, qui sont rares), on lui fait goûter des millions de plats imaginaires générés par un ordinateur.

L'analogie : Imaginez un chef qui passe sa vie à cuisiner des milliers de plats fictifs dans une cuisine virtuelle. Il apprend les règles de base de la chimie des aliments : "Si je retire le sel, c'est fade", "Si j'ajoute du piment, ça pique".
Le but : Le modèle apprend la structure de la causalité (comment une action entraîne une réaction) plutôt que de mémoriser des recettes spécifiques. Il devient un expert des mécanismes, pas juste des ingrédients.

2. L'Apprentissage "In-Context" : La Devinette en Direct

C'est la partie la plus brillante. Quand on demande à MapPFN de prédire l'effet d'un nouveau médicament sur une nouvelle cellule, on ne lui donne pas juste une question. On lui donne un contexte.

L'analogie : Vous demandez au chef : "Qu'arrivera-t-il si je mets du piment dans ce plat ?"
- Les vieux modèles disent : "Je ne sais pas, je n'ai jamais vu ce plat."
- MapPFN regarde autour de lui et voit : "Ah, vous avez déjà essayé de mettre du sel (expérience A) et du poivre (expérience B) sur ce type de plat. J'ai vu que le sel rendait le plat plus lourd et le poivre plus piquant. Donc, si vous mettez du piment, je parie que ça va être très fort et chaud."
En termes techniques : Le modèle utilise l'apprentissage en contexte (In-Context Learning). Il regarde quelques expériences réelles faites sur la cellule actuelle (le contexte) et utilise cette information pour ajuster sa prédiction instantanément, sans avoir besoin d'être réentraîné.

3. La Prédiction : Le "Simulateur de Futur"

Une fois qu'il a compris le contexte, MapPFN génère une prédiction de ce que la cellule deviendra après l'intervention.

Il ne prédit pas juste un seul résultat, mais toute la distribution des possibles (comme si il prédisait que 80% des cellules deviendront rouges et 20% oranges).
Il est capable de dire quels gènes vont s'activer ou se désactiver (les "gènes différentiellement exprimés"), ce qui est crucial pour trouver de nouveaux médicaments.

🏆 Pourquoi c'est révolutionnaire ?

Zéro-shot (Zéro effort d'adaptation) : Même sans avoir jamais vu de données réelles sur un type de cancer spécifique, MapPFN peut faire des prédictions aussi bonnes que des modèles entraînés spécifiquement sur ce cancer, grâce à son entraînement sur des données synthétiques.
Adaptabilité : Si vous lui donnez plus d'expériences en cours de route (plus de contexte), il devient plus précis, comme un détective qui trouve plus de indices.
Économie de temps et d'argent : Il permet aux chercheurs de filtrer des milliers d'hypothèses sur ordinateur avant de faire les expériences réelles en laboratoire.

En résumé

MapPFN, c'est comme donner à un médecin une encyclopédie universelle de la biologie (les données synthétiques) et lui permettre de consulter un dossier patient en temps réel (le contexte d'intervention) pour prédire exactement comment le patient réagira à un nouveau traitement, sans avoir besoin de le tester sur lui d'abord.

C'est un pas de géant vers la création d'une "Cellule Virtuelle" capable de simuler la vie avec une précision incroyable, accélérant ainsi la découverte de nouveaux traitements.

Titre : MapPFN : Apprentissage de cartes de perturbation causales en contexte

1. Problématique

La compréhension des mécanismes biologiques et la planification d'interventions thérapeutiques efficaces reposent sur la capacité à prédire comment les systèmes biologiques (en particulier les cellules) répondent à des perturbations (ex: knockouts génétiques CRISPR, médicaments).

Limites des données existantes : Les jeux de données de perturbations à l'échelle du single-cell (cellule unique) sont coûteux à générer et couvrent un nombre très restreint de contextes biologiques (lignées cellulaires) et de gènes.
Défi de la généralisation : Les méthodes actuelles peinent à s'adapter à de nouveaux contextes biologiques ou à de nouveaux ensembles de gènes au moment de l'inférence, car elles sont souvent entraînées sur des données spécifiques et ne peuvent pas exploiter de nouvelles preuves interventionnelles sans réentraînement complet.
Problème de distribution non appariée : La séquençage détruit les cellules, rendant impossible l'appariement direct des cellules avant et après perturbation. Il s'agit donc d'apprendre une application (mapping) entre deux distributions non appariées : la distribution observationnelle $p(y_{obs})$ et la distribution post-perturbation $p(y_{int})$ .

2. Méthodologie : MapPFN

L'article propose MapPFN, un réseau pré-ajusté aux données antérieures (Prior-Data Fitted Network ou PFN) conçu pour l'apprentissage en contexte (In-Context Learning ou ICL) des effets de perturbations.

A. Formulation du problème
Le modèle vise à prédire la distribution post-perturbation $p(y^q_{int} | do(t^q), Y_{obs}, C)$ , où :

$Y_{obs}$ : Échantillons observationnels (état de base).
$C$ : Un ensemble de contextes interventionnels $\{(t_k, Y^k_{int})\}$ (expériences de perturbations connues dans le contexte cible).
$t^q$ : Une perturbation de requête inédite.
Contrairement aux méthodes précédentes qui ne conditionnent que sur les covariables ou la distribution observationnelle, MapPFN utilise les distributions interventionnelles du contexte ( $C$ ) pour adapter la prédiction.

B. Architecture et Pré-entraînement

Architecture : MapPFN utilise une variante du Multimodal Diffusion Transformer (MMDiT). Les cellules sont traitées comme des "tokens". L'architecture gère trois flux de modalités distincts (bruit, états cellulaires, traitements encodés en one-hot) via une attention croisée (joint attention).
Prior Synthétique (Synthetic Biological Prior) : Pour surmonter le manque de données réelles variées, le modèle est pré-entraîné exclusivement sur des données synthétiques générées à partir d'un prior sur des modèles causaux structurels (SCM).
- Utilisation de réseaux de régulation génique (GRN) simulés avec des propriétés réalistes (sparsité, modularité) via le simulateur SERGIO.
- Génération de distributions observationnelles et interventionnelles pour divers SCMs.
Objectif d'apprentissage : Le modèle apprend à minimiser une fonction de perte basée sur le Conditional Flow Matching (CFM). Il apprend un champ de vitesse qui transporte le bruit vers la distribution post-perturbation cible, conditionné par les données d'entrée.

C. Inférence et Adaptation

Apprentissage en contexte (ICL) : Au moment de l'inférence, MapPFN reçoit un ensemble d'expériences (contexte $C$ ) et prédit la réponse à une nouvelle perturbation en une seule passe avant (forward pass), sans mise à jour des poids du modèle.
Adaptabilité : Grâce au pré-entraînement sur des knockouts in silico, le modèle peut s'adapter à des ensembles de gènes arbitraires et à de nouveaux contextes biologiques sans réentraînement. Une technique d'augmentation au moment du test (Test-Time Augmentation) permet de gérer des ensembles de gènes plus larges que ceux vus durant l'entraînement.

3. Contributions Clés

Cadre In-Context Learning pour les perturbations : Première formulation de la prédiction de perturbations comme un problème de mappage de distributions avec un contexte interventionnel au moment du test, permettant l'adaptation à des contextes biologiques inédits.
Premier PFN pour les perturbations : Introduction de MapPFN, pré-entraîné sur un prior biologique synthétique. Cela permet un méta-apprentissage de cartes de perturbations à travers diverses structures causales, indépendamment de la disponibilité de données expérimentales massives.
Validation sur SCMs et Données Réelles : Démonstration que MapPFN surpasse les méthodes de référence (baselines) sur des benchmarks synthétiques (SCMs linéaires) et sur des jeux de données réels (mélanome et leucémie).
Analyse des ablations : Preuve que l'utilisation d'un contexte interventionnel et d'un prior apparié contre-factuel améliore significativement les prédictions par rapport à l'utilisation de données observationnelles seules.

4. Résultats Expérimentaux

Les expériences comparent MapPFN à des méthodes de pointe comme CPA, CondOT, CellFlow, STATE et MFM.

Sur les SCMs Synthétiques : MapPFN atteint les meilleures performances sur toutes les métriques (distance de Wasserstein, MMD, RMSE, score de discrimination de perturbation). Il évite le "collapse identitaire" (prédire simplement la distribution observationnelle) fréquent chez les autres modèles, avec un Magnitude Ratio proche de 1,0.
Sur les Données Réelles (Zero-Shot) : Pré-entraîné uniquement sur des données synthétiques, MapPFN récupère les gènes différentiellement exprimés (DEG) avec une précision (AUPRC) comparable aux modèles entraînés de zéro sur des données réelles.
Sur les Données Réelles (Fine-tuning) : Après un fine-tuning rapide (environ 10 minutes) sur les données réelles, MapPFN surpasse systématiquement toutes les baselines sur les deux jeux de données (mélanome et leucémie), confirmant que le méta-apprentissage sur des prior synthétiques se généralise bien.
Impact du Contexte : L'ablation montre que fournir un ensemble de distributions interventionnelles ( $C$ ) améliore les performances par rapport à un modèle conditionné uniquement sur les données observationnelles, grâce à une meilleure identifiabilité de la structure causale sous-jacente.

5. Signification et Perspectives

Virtual Cell Foundation Models : MapPFN représente une étape vers la création de modèles fondamentaux de "cellules virtuelles" capables de s'adapter dynamiquement à de nouveaux contextes biologiques et à de nouvelles perturbations sans réentraînement coûteux.
Réduction des coûts : En permettant une prédiction précise avec peu de données expérimentales (via l'ICL) et en s'appuyant sur des pré-entraînements synthétiques, cette approche pourrait accélérer la découverte de cibles thérapeutiques et réduire les coûts des validations en laboratoire (wet lab).
Limitations et Futur : Les performances dépendent de la qualité du prior synthétique. Le travail futur devra explorer des priors plus diversifiés, l'extension aux perturbations combinatoires et chimiques, et l'amélioration de l'échelle des dimensions d'entrée.

En résumé, MapPFN introduit un paradigme novateur en combinant l'apprentissage en contexte, les réseaux de flux de diffusion et les priors synthétiques pour résoudre le problème complexe de la prédiction des effets des perturbations génétiques dans des contextes biologiques variés et non vus auparavant.