Graph neural network explanations reveal a topological signature of disease-associated hubs in biological networks

Résumé technique : Les explications par réseaux de neurones à graphes révèlent une signature topologique des hubs associés aux maladies

Énoncé du problème
Les réseaux de neurones à graphes (GNN) sont de plus en plus utilisés pour modéliser des systèmes biologiques en intégrant des données omiques (par exemple, RNA-seq) avec des structures de réseaux préalables telles que les réseaux d'interaction protéine-protéine (PPI). Cependant, la fiabilité des méthodes d'explication a posteriori pour retrouver des mécanismes moléculaires significatifs à partir de ces modèles « boîte noire » reste incertaine. Il est unclear de savoir si les explications existantes récupèrent des structures biologiquement valides ou reflètent simplement des biais spécifiques à la méthode, des artefacts de topologie de graphe ou des idiosyncrasies du modèle. Plus précisément, il manque une compréhension systématique de la manière dont différents algorithmes d'explication (Attribution de saillance, Gradients intégrés, GNNExplainer et Propagation de pertinence au niveau des couches) gèrent des géométries de signaux biologiques distinctes, telles que des conducteurs épars par rapport à des voies distribuées.

Méthodologie
Les auteurs ont employé une stratégie d'évaluation à double approche combinant des benchmarks synthétiques contrôlés avec des données biologiques réelles.

1. Benchmarks synthétiques : Quatre archétypes de signaux distincts ont été construits pour imiter les organisations de signaux biologiques :

   • Aiguille : Un nœud décisif unique (signal éparse).
   • Hub : Un nœud central avec une expression élevée dans son voisinage immédiat à 1 saut (imitant les facteurs de transcription).
   • Voie/Module : Un sous-réseau coordonné de nœuds interagissant.
   • Cascade : Une chaîne hiérarchique et directionnelle d'expression croissante.
     Une architecture GNN standard (trois couches de convolution de graphes avec pooling moyen global) a été entraînée pour atteindre une précision parfaite sur ces tâches. Quatre méthodes d'explication ont été évaluées : Attribution de saillance (SA), Gradients intégrés (IG), GNNExplainer et Propagation de pertinence au niveau des couches (LRP, spécifiquement la règle $\epsilon$). La performance a été mesurée à l'aide des taux de réussite top-k et de la fraction de masse d'attribution assignée aux nœuds de signal de vérité terrain.

2. Application réelle (TCGA BRCA) : L'étude a appliqué ces explications à un GNN entraîné sur 1 222 échantillons d'ARN-seq de cancer du sein provenant de The Cancer Genome Atlas (TCGA), projetés sur le réseau PPI STRING. Le modèle a classé le cancer par rapport au tissu adjacent normal avec une précision équilibrée de 89,7 %.

   • Analyse des hubs : Les auteurs ont analysé les motifs d'attribution autour de quatre gènes conducteurs cancéreux canoniques (TP53, BRCA1, ESR1, MYC) et de leurs voisinages à 1 saut.
   • Score topologique : Un « score de hub basé sur les coquilles » a été développé pour quantifier le motif « œil du cyclone » (faible attribution au centre, pic à 1-2 sauts, décroissance par la suite).
   • Cadre de consensus : Une approche de classement par consensus a été introduite, combinant des rangs de percentiles pondérés issus de IG, SA et LRP. Cela a été davantage optimisé par recherche sur grille.
   • Confusion par le degré : Une régression linéaire et une résiduation ont été utilisées pour déterminer si les scores de hub étaient pilotés par le degré du nœud plutôt que par le signal biologique.
   • Enrichissement de voie : Une analyse d'enrichissement de voie Reactome a été effectuée sur les 100 gènes les mieux classés pour chaque méthode.

Résultats clés

• Récupération de signal spécifique à la méthode :

  • Saillance (SA) : A obtenu les meilleurs résultats pour le signal « Aiguille » (nœud unique) mais a eu des difficultés avec les structures distribuées. Dans les données réelles, SA a attribué des scores élevés aux nœuds de hub centraux mais a montré une attribution diffuse à travers le graphe, résultant en de bonnes performances de classement global (AUC) mais un enrichissement local plus faible.
  • Gradients intégrés (IG) et LRP : Ont constamment surpassé les autres méthodes dans la récupération de signaux distribués (Hubs, Voies, Cascades). Dans les paramètres synthétiques « Hub », IG et LRP ont atteint une récupération presque parfaite de la structure complète du voisinage. Dans les données réelles, ils ont exhibé une signature topologique distincte : l'attribution était minimisée au nœud central de départ (0-saut), atteignait un pic dans le voisinage immédiat à 1 saut, et décroissait brusquement à travers les coquilles subséquentes (2–4 sauts).
  • GNNExplainer : A souvent échoué à localiser les signaux sur les structures topologiques correctes, diffusant l'attribution vers des nœuds distants et montrant de faibles ratios d'enrichissement pour les hubs de maladies connus.

• La signature « œil du cyclone » :
  Dans les données TCGA BRCA, IG et LRP ont révélé que le signal associé à la maladie n'est pas concentré au centre du hub mais est enrichi dans le voisinage immédiat. Ce motif était le plus prononcé pour IG, qui a montré de forts ratios d'enrichissement (par exemple, ~11,2 pour MYC) et un chevauchement élevé avec les hubs connus dans les 50 gènes les mieux classés.

• Consensus et réglage :
  Une approche de consensus combinant IG, SA et LRP a considérablement amélioré la priorisation des gènes cancéreux canoniques.

  • TP53 : Classé 79e par IG seul ; amélioré à la 5e place (100e percentile) par le consensus réglé.
  • BRCA1 : Classé 900e par IG ; amélioré à la 72e place (99,4e percentile) par le consensus réglé.
    Le consensus réglé (poids : IG=0,69, SA=0,31, LRP=0) a surpassé les méthodes individuelles, équilibrant la sensibilité d'enrichissement local avec la discrimination globale.

• Confusion par le degré :
  Bien que IG ait montré une dépendance modérée au degré du nœud ($R^2 \approx 0,196$), les scores de hub de consensus ont considérablement réduit ce biais ($R^2 \approx 0,023$). Crucialement, la priorisation des gènes cancéreux canoniques est restée stable même après résiduation des scores de hub par rapport au degré du nœud, indiquant que le signal capturé n'est pas uniquement un artefact de la centralité du réseau.

• Cohérence biologique :
  L'analyse d'enrichissement de voie a révélé que les méthodes individuelles mettaient souvent en évidence des programmes génériques ou biologiquement implausibles (par exemple, IG mettait en évidence les processus de traduction/ribosomaux ; SA mettait en évidence les voies neuronales). En revanche, l'approche de consensus a récupéré des programmes cancéreux biologiquement cohérents, notamment ERBB2, RTK, la signalisation MAPK et la signalisation immunitaire/cytokine, s'alignant mieux avec la biologie connue du cancer du sein.

Portée et affirmations
L'article affirme que les explications de graphes dans les systèmes biologiques ne doivent pas être interprétées comme des sorties d'une seule méthode, mais comme des signaux structurés façonnés à la fois par la topologie du réseau et les biais spécifiques à la méthode. Les auteurs démontrent que :

1. Différents explicateurs récupèrent des géométries de signaux distinctes ; IG et LRP sont supérieurs pour les signaux distribués, de type voie, tandis que SA est meilleur pour les conducteurs épars, à nœud unique.
2. Une signature topologique cohérente existe pour les hubs associés aux maladies dans les données réelles, caractérisée par des pics d'attribution dans le voisinage immédiat plutôt qu'au nœud central.
3. L'intégration de plusieurs explicateurs via un cadre de consensus sensible à la topologie améliore la récupération de mécanismes moléculaires biologiquement pertinents et réduit la dépendance au degré du nœud.
4. Ce cadre fournit une approche pratique pour la génération d'hypothèses à partir de modèles omiques basés sur des graphes, soulignant la nécessité d'analyses de sensibilité du modèle et de validations biologiques indépendantes avant de tirer des conclusions mécanistiques.

L'étude conclut que l'intégration sensible à la topologie des explications de graphes améliore l'interprétabilité biologique et la récupération de signatures moléculaires pertinentes pour les maladies.