Résumé Technique : Lire la Cellule, Concevoir le Remède (CURE)

1. Formulation du Problème : Conception de Médicaments Basée sur le Transcriptome (TBDD)

L'article aborde les limites de la Conception de Médicaments Basée sur la Structure (SBDD), qui repose sur des structures protéiques 3D connues et échoue souvent lorsque les cibles sont désordonnées ou lorsque les maladies résultent de réseaux multi-voies dysrégulés plutôt que de cibles uniques actionnables. Pour compléter la SBDD, les auteurs formalisent la Conception de Médicaments Basée sur le Transcriptome (TBDD) comme un problème inverse génératif.

La Tâche Principale : Étant donné une transition fonctionnelle cible définie par une paire d'états transcriptomiques $(T_{pre}, T_{post})$ représentant un effet thérapeutique souhaité (par exemple, faire passer une cellule d'un état malade à un état sain), l'objectif est d'apprendre un générateur conditionnel $p(G | T_{pre}, T_{post})$ pour concevoir des molécules médicamenteuses $G$ qui induisent ce changement phénotypique spécifique.

Défis Clés Identifiés :

1. Écart de Domaine Inter-Modalité : Les profils transcriptomiques (signaux biologiques de haute dimension, épars) et les graphes moléculaires (structures chimiques discrètes, topologiques) diffèrent fondamentalement en densité d'information et en biais inductifs, rendant le conditionnement naïf instable.
2. Signaux Épars et Bruyants : Les données de séquençage d'ARN de cellule unique offrent une hétérogénéité à haute résolution mais souffrent de pertes de données (dropout), d'effets de lot et de bruit technique. À l'inverse, la transcriptomique de type "bulk" manque de résolution cellulaire. Faire le pont entre ces deux approches tout en préservant l'hétérogénéité biologique est difficile.
3. Nature Mal Posée : Les transcriptomes codent des effets fonctionnels, et non des plans atomiques uniques. De nombreuses structures moléculaires distinctes peuvent produire des signatures transcriptomiques similaires, nécessitant une approche distributionnelle plutôt qu'une recherche d'un inverse unique.
4. Limites de l'Évaluation : La validation en laboratoire à grande échelle est coûteuse, ce qui impose des métriques de substitution rigoureuses et des protocoles hors distribution (OOD) pour prévenir les fuites de données et la mémorisation.

2. Méthodologie : Cadre CURE

Les auteurs proposent CURE (A CellUlar Response Engine), un cadre de diffusion guidé par le transcriptome à multi-résolution. L'architecture se compose de deux composants principaux : un Extracteur de Caractéristiques Fonctionnelles de Perturbation Transcriptomique (TFE) et un Modèle de Diffusion de Graphes Moléculaires Guidé par les Caractéristiques de Perturbation (PMD).

2.1. Extracteur de Caractéristiques Fonctionnelles de Perturbation Transcriptomique (TFE)

Le TFE est conçu pour distiller des embeddings robustes et orientés fonction à partir de données transcriptomiques brutes tout en les alignant avec les domaines chimiques. Il comprend trois modules spécialisés :

• Agrégation de Transcriptome Sensible à l'Hétérogénéité (TFE-H) :

  • Problème : La moyenne naïve des données de cellule unique effondre l'hétérogénéité des sous-populations, masquant les réponses spécifiques aux médicaments.
  • Solution : Le module projette d'abord les profils d'expression bruts et épars dans une variété latente dense en utilisant un modèle fondamental SCimilarity pré-entraîné. Il emploie ensuite une stratégie d'Agrégation Structurée par Strates de Cycle, partitionnant les cellules par phases du cycle cellulaire (G1, S, G2/M) et clusters transcriptionnels. Il effectue un échantillonnage hiérarchique et une agrégation locale au sein de ces groupes biologiquement cohérents. Cela agit comme un débruiteur structuré, lissant le bruit technique tout en préservant la variance distributionnelle et l'hétérogénéité des sous-populations essentielles à une conception précise.

• Interaction Bidirectionnelle des Signaux de Perturbation Transcriptomique (TFE-I) :

  • Problème : Extraire la signature de perturbation causale à partir de contextes cellulaires complexes.
  • Solution : Une architecture à double flux traite $T_{pre}$ et $T_{post}$ séparément. Elle utilise des mécanismes d'Attention Croisée Symétrique où les deux états s'attendent réciproquement, alignant dynamiquement les états pour mettre en évidence les motifs d'expression génique différentielle pilotés par le médicament. Une couche d'Attention Self subséquente affine les dépendances intra-état. Les flux sont fusionnés via une unité adaptative pour produire un embedding compact et orienté fonction, indépendant des variations cellulaires basales.

• Alignement de Domaine Moléculaire à Double Vue (TFE-A) :

  • Problème : Combler le fossé sémantique entre les espaces latents biologiques et les espaces chimiques.
  • Solution : La caractéristique biologique extraite $z$ est projetée dans deux domaines chimiques complémentaires pour assurer à la fois la validité structurelle et la spécificité fonctionnelle :
    1. Alignement Topologique Global : Alignement de $z$ avec l'espace latent d'un auto-encodeur de graphe hiérarchique pré-entraîné (VAE) pour imposer les règles chimiques fondamentales (valence, structures cycliques).
    2. Alignement Local de Bioactivité : Alignement de $z$ avec les Empreintes de Morgan en utilisant une Contrainte de Bioactivité Sensible à la Sparsité. Cela combine la régression épars avec un apprentissage contrastif guidé par les étiquettes pour mapper les caractéristiques continues vers l'espace discret de haute dimension et épars des pharmacophores locaux.

2.2. Diffusion de Graphes Moléculaires Guidée par les Caractéristiques de Perturbation (PMD)

• Architecture de Base : Un Transformateur de Diffusion de Graphes basé sur l'architecture Diffusion Transformer (DiT).
• Processus : Le modèle utilise un processus direct piloté par une chaîne de Markov pour ajouter du bruit aux caractéristiques du graphe moléculaire (atomes et liaisons) et un processus inverse paramétré par un réseau de neurones pour reconstruire le graphe.
• Conditionnement : L'embedding de perturbation $C$ (sortie du TFE) est injecté dans le processus de diffusion via une Normalisation de Couche Adaptative (AdaLN).
• Entraînement : Le modèle emploie un Guidage Sans Classificateur (CFG) avec abandon dynamique de caractéristiques et injection de bruit pour améliorer la stabilité de la génération conditionnelle. L'objectif d'entraînement minimise le logarithme négatif de la vraisemblance du processus inverse.

3. Configuration Expérimentale et Évaluation

Les auteurs ont évalué CURE sur des données Bulk (jeu de données L1000) et de Cellule Unique (jeu de données Tahoe-100M).

• Lignes de Base : Comparaison avec de solides lignes de base TBDD : GexMolGen, Gx2Mol et TRIOMPHE. Pour les données de cellule unique, les lignes de base ont été adaptées en utilisant un profilage pseudo-bulk (moyenne) pour assurer une comparaison équitable, car aucune ligne de base générative native de cellule unique n'existe.
• Protocoles d'Évaluation :
  • Dans la Distribution : Séparations aléatoires standard.
  • Hors Distribution (OOD) :
    • Lignées Cellulaires Inédites : Séparation biologique hiérarchique (types de tissus/tumeurs disjoints).
    • Médicaments Inédits : Séparation au niveau des échafaudages (scaffolds Bemis-Murcko) pour prévenir la mémorisation structurelle.
• Métriques :
  • Structurelles : Couverture, Unicité, Similarité, Distance Fréchet ChemNet, QED, Synthétisabilité (SA), Validité.
  • Fonctionnelles : Similarité Fraggle et Morgan (échafaudage/environnement atomique), PRnet MSE (Erreur Quadratique Moyenne entre les profils de perturbation prédits et réels utilisant un prédicteur indépendant).
  • Tâches Zero-Shot : Conception d'inhibiteurs de gènes (génération de molécules pour des knockouts de gènes inédits) et criblage de médicaments (récupération Top-K).

4. Résultats Clés

• Performance Supérieure : CURE a constamment surpassé toutes les lignes de base, tant pour les modalités bulk que cellule unique, dans les configurations in-distribution et OOD.
  • Il a atteint la Couverture la plus élevée (jusqu'à 100 % en bulk) et l'Unicité tout en maintenant la plus faible Distance Fréchet ChemNet, indiquant une véritable exploration générative plutôt qu'une mémorisation.
  • Dans le cadre Cellule Unique, CURE a maintenu des performances robustes, tandis que les lignes de base ont subi une dégradation sévère due à la dilution du signal par une moyenne naïve.
• Cohérence Fonctionnelle : CURE a atteint un PRnet MSE significativement plus faible (par exemple, 0,2328 contre 2,5987 pour Gx2Mol en bulk), démontrant que les molécules générées induisent des états transcriptomiques hautement cohérents avec les signatures cibles.
• Conception d'Inhibiteurs de Gènes Zero-Shot : Dans une tâche zero-shot ciblant 10 gènes canoniques, CURE a généré des molécules avec :
  • Une plus grande similarité structurelle avec les inhibiteurs connus (Empreinte de Morgan).
  • Des affinités de liaison prédites plus fortes (kcal/mol plus faibles) par rapport aux lignes de base, surpassant souvent les inhibiteurs connus dans les scores de docking (par exemple, -9,11 kcal/mol contre -7,30 pour EGFR).
• Études d'Ablation :
  • La suppression de TFE-H a provoqué un déclin marqué des performances en cellule unique, confirmant la nécessité d'une agrégation sensible à l'hétérogénéité.
  • La suppression de TFE-I ou TFE-A a conduit à un effondrement fonctionnel ou à une perte de fidélité du pharmacophore, validant la stratégie d'alignement à double vue.
  • L'architecture de base Diffusion de Graphes s'est avérée critique pour la fidélité fonctionnelle par rapport aux décodeurs SMILES ou aux Graph VAE.

5. Signification et Revendications

L'article revendique présenter la première formalisation rigoureuse de la TBDD comme un problème inverse génératif et introduit un cadre d'évaluation systématique pour celle-ci.

• Pont entre Modalités : CURE comble avec succès l'écart inter-modal entre la biologie (transcriptomique) et la chimie (graphes moléculaires) grâce à une agrégation sensible à l'hétérogénéité et un alignement à double vue, permettant un conditionnement robuste sur des données biologiques bruyantes et éparse.
• Découverte Orientée Fonction : Le travail démontre que la découverte générative pilotée par le phénotype est une alternative viable à la SBDD, capable de concevoir des molécules pour des cibles où les données structurelles sont indisponibles ou pour des maladies complexes multi-voies.
• Utilité Pratique : Les résultats de conception d'inhibiteurs de gènes zero-shot et de criblage de médicaments soulignent le potentiel de CURE pour affiner de grandes bibliothèques chimiques en ensembles de candidats gérables et de haute fidélité pour des applications thérapeutiques sensibles au temps.
• Modestie : Les auteurs reconnaissent que, bien que les molécules générées montrent une forte cohérence in silico et un potentiel de liaison, elles nécessitent une validation expérimentale approfondie avant toute considération clinique. Ils notent également le potentiel à double usage de la conception générative de molécules, mais ne mettent pas en avant de risques sociétaux spécifiques au-delà des considérations éthiques standard.

En résumé, CURE fournit un cadre robuste et orienté fonction pour la conception de médicaments de novo qui exploite les perturbations transcriptomiques pour guider la génération moléculaire, répondant efficacement aux défis des écarts de domaine, de la parcimonie des données et de la nature mal posée de la conception inverse de médicaments.