Learning Adaptive Perturbation-Conditioned Contexts for Robust Transcriptional Response Prediction

---

1. Problématique et Contexte

La prédiction des réponses transcriptionnelles cellulaires aux perturbations génétiques (par exemple, des knockouts CRISPR) est un défi majeur en génomique fonctionnelle. Les modèles existants peinent à gérer deux caractéristiques inhérentes aux données de séquençage ARN à cellule unique (scRNA-seq) :

• Le bruit expérimental élevé : Les mesures sont intrinsèquement bruyantes.
• La nature sparse des effets : Pour une perturbation donnée, seul un petit sous-ensemble de gènes (les gènes différentiellement exprimés ou DEGs) présente des changements significatifs, tandis que la majorité des gènes reste inchangée.

Le problème central identifié : L'effondrement vers la moyenne (Mean Collapse).
Les auteurs observent que de nombreuses méthodes de l'état de l'art souffrent d'un "effondrement vers la moyenne". Au lieu de prédire les changements spécifiques à la perturbation, les modèles tendent à prédire une expression proche de la moyenne globale des données. Cela se produit parce que les fonctions de perte standard (comme l'erreur quadratique moyenne) sont dominées par les gènes non-réactifs (non-DEGs), poussant le modèle à minimiser l'erreur globale en sous-estimant les effets réels des gènes cibles. Cela entraîne un grand nombre de faux positifs et une faible interprétabilité biologique.

De plus, les approches récentes intégrant des graphes de connaissances biologiques (KG) traitent souvent ces graphes comme des structures denses et statiques, partagées uniformément entre toutes les perturbations. Cette approche propage le bruit à travers des gènes non pertinents et obscurcit les signaux réels.

2. Méthodologie : ADAPERT

Pour résoudre ces problèmes, les auteurs proposent ADAPERT, un cadre d'apprentissage conditionné par la perturbation qui modélise explicitement la parcimonie (sparsity) et la structure biologique. L'architecture se compose de deux modules principaux :

A. Extraction de Sous-Graphes Conditionnés par la Perturbation

Au lieu d'utiliser le graphe de connaissances biologique complet (KG) de manière statique, ADAPERT apprend à extraire un sous-graphe contextuel spécifique à chaque perturbation.

• Représentation Sémantique : Pour un gène perturbé $p$, une description textuelle (issue de NCBI) est encodée via un modèle de langage (LLM, GPT-4o) pour obtenir une embedding sémantique $s_p$.
• Représentation Structurelle : Les nœuds du graphe (gènes) sont représentés par des embeddings structurels $h_v$ appris via un réseau de neurones à graphes (GNN) sur le KG.
• Scoring et Échantillonnage : Le modèle calcule un score de pertinence pour chaque nœud en combinant l'embedding structurel du gène et l'embedding sémantique de la perturbation. Un échantillonnage Gumbel-Softmax différentiable est utilisé pour sélectionner un ensemble sparse de nœuds pertinents, formant ainsi un sous-graphe compact $G_{context}$ centré sur les gènes biologiquement liés à la perturbation.

B. Schéma d'Apprentissage Adaptatif pour la Séparation Signal-Bruit

ADAPERT utilise trois termes de perte complémentaires pour séparer le signal réel du bruit pendant l'entraînement :

1. Perte de Reconstruction Globale ($L_{recon}$) : Assure la fidélité globale du profil d'expression prédit par rapport à l'observé.
2. Perte Robuste Non-DEG ($L_{non}$) : Applique une pénalité (fonction de perte de Huber) sur les gènes non-différentiellement exprimés. Cela force le modèle à supprimer les variations spurious (fausses) sur les gènes qui ne devraient pas changer, luttant directement contre le "mean collapse".
3. Perte d'Alignement Adaptatif ($L_{align}$) : Guide la représentation du sous-graphe extrait pour qu'elle encode spécifiquement les motifs d'expression des DEGs. Le modèle aligne la représentation du contexte avec une cible dérivée des effets réels des DEGs.

3. Contributions Clés

1. Identification et Résolution du "Mean Collapse" : Les auteurs identifient formellement l'effondrement vers la moyenne comme un mode d'échec critique et proposent une architecture conçue spécifiquement pour le contrer via la modélisation de la parcimonie.
2. Contexte Dynamique et Sparse : Contrairement aux méthodes précédentes utilisant des graphes statiques, ADAPERT apprend dynamiquement un sous-graphe pertinent pour chaque perturbation, intégrant à la fois la structure du réseau biologique et la sémantique textuelle des gènes.
3. Séparation Signal-Bruit Adaptative : L'introduction de la perte $L_{non}$ et de l'alignement $L_{align}$ permet au modèle de distinguer les vrais effets biologiques du bruit expérimental, améliorant la précision sur les gènes cibles sans sacrifier la stabilité globale.

4. Résultats Expérimentaux

Le modèle a été évalué sur deux jeux de données de perturbations CRISPR à cellule unique (K562 et RPE1) dans un cadre de perturbations non vues lors de l'entraînement (out-of-distribution).

• Performance Globale : ADAPERT surpasse systématiquement les méthodes de référence (y compris GEARS, TxPert, MorPH, CPA, scVI) sur les métriques globales (Pearson-∆ et PDS - Perturbation Discrimination Score). L'amélioration du PDS indique une meilleure capacité à distinguer les effets de différentes perturbations.
• Métriques Sensibles aux DEGs : Sur les métriques spécifiques aux gènes différentiellement exprimés (DES@K, corrélation de Spearman, cohérence de direction), ADAPERT obtient les meilleurs résultats. Il parvient à mieux classer les vrais DEGs parmi les gènes prédits, réduisant ainsi les faux positifs.
• Robustesse à la Taille de l'Effet : L'analyse montre que ADAPERT est particulièrement robuste pour les perturbations à faible effet (où le "mean collapse" est le plus sévère), surpassant les méthodes existantes de manière significative sur les métriques de récupération des DEGs.
• Validation Biologique : Une analyse d'enrichissement de voies (GSEA) sur une perturbation HIRA montre une corrélation significative entre les voies prédites et les données réelles, confirmant que le modèle capture des signatures biologiques cohérentes au niveau des voies métaboliques.

5. Signification et Impact

Ce travail marque une avancée significative dans la modélisation des perturbations génétiques en passant d'une approche de reconstruction globale à une approche conditionnée et adaptative.

• Fiabilité Biologique : En évitant le "mean collapse", ADAPERT fournit des prédictions plus fiables pour l'identification de cibles thérapeutiques et la compréhension des mécanismes génétiques.
• Utilisation Efficace des Connaissances : Il démontre que les graphes de connaissances biologiques ne doivent pas être utilisés comme des templates rigides, mais doivent être dynamiquement filtrés et adaptés à chaque contexte expérimental.
• Gestion du Bruit : La méthodologie proposée offre une nouvelle voie pour traiter le bruit inhérent aux données omiques à cellule unique, en séparant explicitement le signal biologique du bruit de fond via des mécanismes d'apprentissage adaptés.

En résumé, ADAPERT établit un nouvel état de l'art pour la prédiction des réponses transcriptionnelles, en combinant efficacement l'apprentissage profond, les graphes de connaissances et la modélisation de la parcimonie pour des résultats biologiquement interprétables.