VeloTree: Inferring single-cell trajectories from RNA velocity fields with varifold distances

Le papier présente VeloTree, une nouvelle méthode qui infère des arbres de différenciation à partir de champs de vitesse d'ARN en utilisant une mesure de dissimilarité basée sur la distance varifold entre les courbes intégrales, démontrant ainsi une grande précision sur des données simulées et réelles.

L'essentiel

🌳 VeloTree : Cartographier l'histoire de vie d'une cellule

Imaginez que vous êtes un détective dans une ville très peuplée : la ville des cellules. Votre mission ? Reconstituer l'histoire de la vie de chaque habitant. Comment sont-ils arrivés là ? Sont-ils des enfants, des adolescents ou des adultes ? Ont-ils suivi le même chemin ou ont-ils pris des routes différentes ?

C'est ce qu'on appelle l'inférence de trajectoire. Le problème, c'est que quand on regarde les cellules (via le séquençage de l'ARN), on ne voit qu'une photo instantanée. C'est comme si vous preniez une photo d'une foule en mouvement : vous voyez tout le monde à un instant T, mais vous ne savez pas qui vient d'où ni où ils vont.

🏎️ Le super-pouvoir : La "Vitesse ARN"

Heureusement, la science a fait une découverte géniale : la vitesse ARN.
Imaginez que chaque cellule ne porte pas seulement une photo de son apparence (ses gènes), mais aussi un panneau de signalisation indiquant la direction et la vitesse à laquelle elle va changer.

• Si une cellule a beaucoup de "panneaux" pointant vers le futur, on sait qu'elle est en train de se transformer.
• C'est comme si chaque cellule avait un petit moteur et une boussole intégrée.

🧩 Le problème : Le brouillard et les virages

Le problème, c'est que ces panneaux sont parfois flous (bruit de fond) et que les routes sont complexes.
Les anciennes méthodes pour reconstruire l'arbre généalogique des cellules étaient un peu comme essayer de relier des points au hasard avec une règle. Si un point était mal placé à cause d'une erreur de mesure, toute la carte devenait fausse. C'était fragile, comme un château de cartes dans un courant d'air.

🚀 La solution VeloTree : Remonter le temps

L'équipe derrière VeloTree a eu une idée brillante : au lieu de regarder où les cellules vont maintenant, regardons d'où elles viennent en remontant le temps.

1. Le film à l'envers : Ils prennent la vitesse de chaque cellule et inversent le film. Ils demandent : "Si cette cellule a bougé ici, où était-elle il y a 5 minutes ? Et il y a 10 minutes ?"
2. Les traces de pas : En faisant cela pour chaque cellule, ils obtiennent une longue trajectoire imaginaire, comme une trace de pas dans la neige qui mène du futur vers le passé (la racine de l'arbre).
3. La mesure de distance magique : Maintenant, ils comparent ces traces de pas.
   • Imaginez deux personnes qui ont suivi le même chemin jusqu'à un carrefour, puis ont pris des directions différentes. Leurs traces de pas sont très similaires au début, puis divergent.
   • VeloTree utilise une mesure mathématique très précise (la distance varifold) pour dire : "Ces deux traces sont presque identiques jusqu'ici, donc ces deux cellules sont proches dans l'arbre généalogique."

🌲 Reconstruire l'arbre

Une fois qu'ils ont mesuré la "distance" entre toutes les traces de pas, ils utilisent un algorithme intelligent pour assembler le puzzle. Ils construisent l'arbre de différenciation :

• La racine est la cellule souche (l'ancêtre commun).
• Les branches sont les différents chemins de spécialisation (devenir un globule rouge, un neurone, une cellule de peau, etc.).
• Les feuilles sont les cellules matures.

🍎 Pourquoi c'est mieux que les autres ?

Les autres méthodes essayaient souvent de deviner la structure en regardant juste la position des cellules sur une carte 2D. C'est comme essayer de deviner l'histoire d'une famille en regardant juste où les gens se tiennent dans un parc, sans savoir qui est parent de qui.

VeloTree, lui, regarde la direction du mouvement.

• Analogie : Imaginez que vous voulez savoir si deux voitures ont suivi la même route.
  • Méthode ancienne : Regarder où elles sont garées maintenant. Si elles sont proches, on dit qu'elles ont fait le même trajet. (Faux ! Elles peuvent juste être garées l'une à côté de l'autre par hasard).
  • Méthode VeloTree : Regarder les traces de pneus et la direction des roues. Si les pneus montrent qu'elles ont tourné au même endroit il y a 10 minutes, alors oui, elles ont suivi le même chemin.

🧪 Les résultats

L'article montre que cette méthode fonctionne incroyablement bien, même avec du bruit (des données imparfaites).

• Sur des données simulées (des jeux de données créés par ordinateur), VeloTree retrouve l'arbre parfait presque à chaque fois.
• Sur de vraies données (des cellules du pancréas de souris), il réussit à retrouver des histoires complexes, comme le fait qu'un certain type de cellule (les cellules alpha) peut avoir deux origines différentes, un détail que les autres méthodes rataient souvent.

En résumé

VeloTree est un outil qui prend les "panneaux de vitesse" des cellules, remonte le temps pour tracer leurs chemins passés, et utilise ces chemins pour reconstruire l'arbre généalogique parfait de la différenciation cellulaire. C'est passer d'une photo floue à un film HD de l'évolution de la vie.

Résumé technique

1. Problématique

L'inférence de trajectoires (Trajectory Inference) est un défi majeur en transcriptomique à cellule unique (scRNA-seq). L'objectif est de reconstruire le processus dynamique sous-jacent (comme la différenciation cellulaire) à partir d'un instantané de données de séquençage.

• Contexte : Les méthodes traditionnelles reconstruisent souvent des arbres de différenciation en calculant le plus court chemin dans un graphe de voisins les plus proches (MST). Cependant, ces approches sont très sensibles au bruit et aux artefacts d'observation.
• Limites des méthodes existantes : Les méthodes récentes intégrant la vitesse ARN (RNA velocity), qui fournit un vecteur de direction et de taux de changement d'expression génique, utilisent souvent des mesures de dissimilarité basées sur la corrélation temporelle ou les distances euclidiennes. Ces mesures ont tendance à sur-séparer les cellules au même stade de différenciation ou à échouer à capturer la nature hyperbolique des distances de chemin sur un arbre (la distance euclidienne ne reflète pas fidèlement la topologie d'un arbre).
• Objectif : Développer une méthode robuste pour inférer la topologie d'un arbre de différenciation à partir des champs de vitesse ARN, en utilisant une approche basée sur les distances qui soit moins sensible au bruit et capable de capturer la structure hiérarchique fine.

2. Méthodologie

La méthode proposée, VeloTree, repose sur une approche d'inférence d'arbre basée sur les distances, utilisant une nouvelle mesure de dissimilarité définie par la distance varifold entre les courbes d'intégration du champ de vitesse.

Le pipeline se décompose en quatre étapes principales :

A. Prétraitement et Intégration du Champ de Vitesse

1. Réduction de dimensionnalité : Les profils d'expression et les vecteurs de vitesse sont projetés sur les $d$ premières composantes principales (PCA) pour conserver la variabilité significative.
2. Dénommage du champ de vitesse :
   • Lissage : Application d'un opérateur de chaleur (via des cartes de diffusion) pour lisser le champ de vitesse en tenant compte de la géométrie locale des données.
   • Projection tangentielle : Projection des vecteurs de vitesse sur le fibré tangent estimé localement (via l'analyse des composantes principales des voisinages) pour garantir la cohérence avec la géométrie de la variété des données.
3. Intégration rétrograde : Pour chaque cellule, une courbe intégrale $\gamma_i$ est reconstruite en intégrant le champ de vitesse lissé vers l'arrière dans le temps (de l'état actuel vers l'état ancestral). Cela modélise l'évolution de l'expression génique de la cellule depuis son état initial jusqu'à son état actuel.

B. Définition de la Dissimilarité (Distance Varifold)

Au lieu d'utiliser une distance euclidienne simple, VeloTree définit la dissimilarité entre deux cellules $i$ et $j$ comme le carré de la distance varifold entre leurs courbes intégrales respectives $\gamma_i$ et $\gamma_j$.

• Principe : La distance varifold représente les courbes comme des distributions sur l'espace des positions et des vecteurs tangents orientés, plongées dans un espace de Hilbert à noyau reproduisant (RKHS).
• Avantages : Cette distance est invariante par reparamétrisation, robuste aux petites déformations (bruit) et maximise la séparation entre les courbes divergentes.
• Formulation : La dissimilarité $\Delta_{ij}$ est calculée comme $d_{W^*}(\gamma_i, \gamma_j)^2$, où $d_{W^*}$ est la métrique induite par un noyau gaussien tensoriel séparant les composantes spatiales ($\sigma_x$) et angulaires ($\sigma_t$).

C. Inférence de l'Arbre

Une fois la matrice de dissimilarité calculée, l'arbre de différenciation est reconstruit en utilisant l'algorithme Family-Joining.

• Contrairement aux méthodes classiques (comme Neighbor-Joining) qui supposent que les observations ne sont que des feuilles, Family-Joining permet de placer les observations à n'importe quel nœud de l'arbre (interne ou feuille).
• L'algorithme regroupe itérativement les observations les plus similaires, en déterminant si elles sont des frères (sibling) ou dans une relation parent-enfant, en se basant sur la propriété d'additivité des distances sur un arbre.

3. Contributions Clés

1. Nouvelle mesure de dissimilarité : Introduction de la distance varifold appliquée aux courbes intégrales de la vitesse ARN. C'est la première fois que cette approche géométrique est utilisée pour l'inférence de trajectoires scRNA-seq.
2. Garanties théoriques : Démonstration que, sous certaines hypothèses de régularité de l'embedding de l'arbre (Assumptions 1-3), la matrice de dissimilarité varifold converge asymptotiquement vers la distance de chemin la plus courte sur l'arbre de différenciation vrai lorsque les paramètres de lissage ($\sigma_x, \sigma_t$) tendent vers zéro. Cela garantit que la méthode respecte la topologie de l'arbre.
3. Pipeline complet et robuste : Développement d'un pipeline de prétraitement (lissage, projection tangentielle) et d'intégration optimisé pour gérer le bruit inhérent aux données biologiques.
4. Comparaison exhaustive : Évaluation rigoureuse sur des données simulées (bibliothèque dyngen) et réelles (cellules endocrines pancréatiques de souris).

4. Résultats

• Données simulées :
  • La méthode a été testée sur des trajectoires bifurcantes, trifurcantes et doubles bifurcantes.
  • Précision : VeloTree a significativement surpassé les méthodes de l'état de l'art (VeTra et CellPath) en termes de précision d'ordonnancement pseudo-temporel (proportion de paires de cellules correctement ordonnées).
    • Exemple : Sur une trajectoire bifurcante, VeloTree atteint 88,6% de précision contre 36,4% pour VeTra et 44,8% pour CellPath.
  • Robustesse : La méthode est moins sensible au choix des paramètres et réussit à attribuer un pseudo-temps à la quasi-totalité des cellules, là où les autres méthodes laissent de nombreuses cellules non assignées (en gris sur les visualisations).
• Données réelles (Pancréas de souris) :
  • Application sur un jeu de données de cellules endocrines pancréatiques (différenciation en $\alpha, \beta, \delta, \epsilon$).
  • La méthode a réussi à reconstruire la topologie globale, identifiant correctement la branche menant aux cellules $\beta$ et la dualité d'origine des cellules $\alpha$ (provenant de précurseurs endocrines et de cellules $\epsilon$), bien que la topologie exacte soit complexe.
  • Les résultats montrent une meilleure capacité à capturer la structure de différenciation malgré un niveau de bruit élevé et une complexité biologique (cycles, origines multiples).

5. Signification et Perspectives

• Impact scientifique : VeloTree démontre que l'utilisation de la géométrie des courbes (via la distance varifold) pour modéliser l'évolution des cellules offre une robustesse supérieure aux approches basées sur des distances euclidiennes ou des corrélations simples. Elle permet de reconstruire des arbres de différenciation fins et précis à partir de données bruitées.
• Limitations actuelles : La méthode actuelle se concentre sur la topologie de l'arbre (qui est connecté à qui) et suppose une distribution uniforme des cellules dans le temps pseudo-temporel. Elle ne reconstruit pas encore les poids des arêtes (durée des étapes de différenciation).
• Perspectives futures :
  • Extension pour inférer des arbres pondérés (reconstruire la métrique du temps).
  • Adaptation de l'algorithme d'inférence pour gérer des topologies non arborescentes, notamment les structures cycliques (boucles de régulation), ce qui est crucial pour de nombreux processus biologiques.

En résumé, VeloTree représente une avancée significative en combinant des outils mathématiques avancés (varifolds) avec la biologie computationnelle pour offrir une vision plus fiable et détaillée de la dynamique cellulaire.