Résumé Technique : Reconstruction Spatiale Générative de Cellules Uniques Basée sur la Géométrie (GEARS)

1. Énoncé du Problème

Le séquençage de l'ARN de cellules uniques (scRNA-seq) fournit des profils d'expression génique à haute résolution pour des centaines de milliers de cellules, mais perd tout contexte spatial lors de la dissociation tissulaire. À l'inverse, la transcriptomique spatiale (ST) préserve les coordonnées spatiales mais opère à une résolution plus faible, capturant souvent des signaux provenant de plusieurs cellules par « spot ».

Le défi central abordé est la reconstruction spatiale de cellules uniques : inférer des localisations spatiales 2D plausibles pour des cellules scRNA-seq dissociées en exploitant les informations spatiales d'une référence ST. Cela est particulièrement difficile dans les contextes non appariés, où les données scRNA-seq et ST proviennent d'échantillons tissulaires ou d'individus différents. Les méthodes existantes rencontrent des limitations significatives dans ce contexte :

• Dépendance aux Coordonnées : La plupart des méthodes forcent les cellules dans le système de coordonnées spécifique d'une diapositive ST de référence, introduisant un biais systématique lorsque l'organisation tissulaire globale varie entre les échantillons.
• Hypothèses d'Assignation : De nombreuses approches reposent sur une cartographie cellule-vers-spot ou une déconvolution au niveau du spot, ce qui lie les reconstructions à une grille fixe et suppose des compositions de types cellulaires connues.
• Décalage de Domaine : Les différences dans les protocoles expérimentaux, la couverture génique et les états biologiques entre les ensembles de données non appariés rendent l'appariement direct peu fiable.

L'article soutient que la reconstruction spatiale doit être traitée comme une génération de géométrie : apprendre une organisation spatiale intrinsèque continue, guidée par les données ST mais non contrainte par ses coordonnées absolues ou son réseau fixe.

2. Méthodologie : Le Cadre GEARS

Les auteurs proposent GEARS (Reconstruction Géométrie-Consciente de Cellules Uniques), un cadre qui reconstruit une géométrie spatiale intrinsèque sans étiquettes de types cellulaires, images histologiques ou assignations explicites cellule-vers-spot. Le pipeline se compose de trois étapes principales :

A. Encodages d'Expression Invariants au Domaine

Pour découpler le signal biologique des artefacts techniques et des coordonnées spécifiques à la diapositive, GEARS entraîne d'abord un encodeur partagé ($f_\theta$) pour aligner les spots ST et les cellules scRNA-seq dissociées dans un espace d'encodage commun.

• Technique : L'encodeur est entraîné en utilisant VICReg (pour préserver la variance et la covariance tout en minimisant l'invariance aux augmentations telles que le dropout génique et le bruit) combiné à un alignement de domaine adversarial via des couches de réversion de gradient (GRL).
• Objectif : Le discriminateur tente de distinguer les encodages ST des encodages scRNA-seq, tandis que l'encodeur apprend à tromper le discriminateur, garantissant que les encodages résultants sont invariants au mode et agnostiques au domaine.

B. Supervision et Génération Géométriques Invariantes à la Pose

Au lieu de prédire des coordonnées absolues, GEARS apprend à générer des structures géométriques intrinsèques.

• Échantillonnage de Minisets : Pour pallier la rareté des données en ST (peu de diapositives) face à la soif de données des modèles de diffusion, la méthode échantillonne de nombreux sous-ensembles locaux chevauchants (« minisets ») à partir des diapositives ST.
• Cibles Invariantes à la Pose : Les coordonnées absolues sont abandonnées au profit de matrices de Gram ($G = YY^\top$) dérivées de coordonnées centrées. Cette représentation est invariante aux transformations rigides (translation, rotation, réflexion), garantissant que le modèle apprend la forme du tissu plutôt que sa position sur une diapositive.
• Architecture :
  • Générateur Équivariant à la Permutation : Utilise une architecture Set Transformer pour gérer des ensembles non ordonnés de cellules. Il produit une proposition géométrique grossière ($V_{base}$) conditionnée par les encodages d'expression.
  • Affineur de Diffusion Résiduel : Un modèle de diffusion préconditionné par EDM (Elucidating the Design Space) affine la proposition grossière. Il prédit des corrections résiduelles ($\hat{R}_0$) sur la sortie du générateur. Ce « mode résiduel » opère sur des cibles de plus petite amplitude, améliorant la stabilité de l'entraînement et l'étalonnage de l'échelle.
• Objectifs d'Entraînement : Le modèle est entraîné pour correspondre à la géométrie intrinsèque (matrice de Gram) et aux structures de voisinage local (k-NN) des minisets ST. Il impose également une cohérence de chevauchement, garantissant que les cellules partagées dans des minisets chevauchants reçoivent des prédictions géométriques cohérentes indépendamment du contexte.

C. Inférence Basée sur la Distance par Patch

Pour passer à l'échelle de grandes cohortes scRNA-seq (qui peuvent contenir beaucoup plus de cellules qu'une seule diapositive ST), GEARS emploie une stratégie d'inférence par patch :

1. Échantillonnage de Patchs : Des patchs chevauchants de cellules sont échantillonnés à partir de l'ensemble de données scRNA-seq sur la base d'un graphe de localité.
2. Génération Locale : Le modèle entraîné génère des géométries locales pour chaque patch.
3. Agrégation des Distances : Les géométries locales sont converties en mesures de distances par paires. Ces distances sont agrégées à travers les patchs chevauchants en utilisant une médiane pondérée par la fiabilité pour gérer les valeurs aberrantes.
4. Résolution Globale : Un problème global de distance-géométrie est résolu (en utilisant une initialisation par Landmark Isomap et une optimisation de perte Huber pondérée) pour récupérer les coordonnées 2D canoniques ($X$) et une matrice de distances dense ($D$) pour l'ensemble de la cohorte.

3. Contributions Clés

1. Formulation Basée sur la Géométrie : L'article reformule la reconstruction spatiale comme la génération d'une géométrie spatiale continue à partir de l'expression, évitant explicitement les hypothèses d'assignation cellule-vers-spot et de déconvolution.
2. Supervision Invariante à la Pose : En apprenant à partir de structures géométriques intrinsèques (matrices de Gram) plutôt que de coordonnées absolues, la méthode réduit la dépendance aux cadres spécifiques à la diapositive et favorise la généralisation à travers les sections tissulaires.
3. Générateur-Affineur Équivariant à la Permutation : L'utilisation d'une architecture structurée en ensembles avec un générateur grossier et un affineur de diffusion résiduel préconditionné par EDM améliore la cohérence globale et étalonne l'échelle spatiale.
4. Inférence par Patch Basée sur la Distance : La méthode passe à l'échelle de grandes cohortes en reconstruisant des sous-ensembles chevauchants et en les assemblant via des contraintes de distances agrégées, évitant l'intracabilité computationnelle d'une génération en un seul passage sur des ensembles de données massifs.

4. Résultats Expérimentaux

Les auteurs ont évalué GEARS sur deux ensembles de données : un Atlas de Souris (pseudo-Visium dérivé de seqFISH) et un ensemble de données Carcinome Épidermoïde Humain (hSCC) (Visium multi-sections). Ils ont comparé les résultats à neuf lignes de base, incluant des méthodes de cartographie (Tangram, novoSpaRc, STEM, SpaOTsc) et des méthodes de déconvolution/régression (cell2location, scSpace, CytoSPACE, CeLEry, COME).

Performance Quantitative :

• Géométrie Globale : GEARS a obtenu le meilleur accord global (corrélations de Spearman/Pearson) sur l'Atlas de Souris et la meilleure structure globale sur la tâche de généralisation hSCC (entraînement sur deux diapositives, test sur une troisième tenue en réserve). Il a surpassé les lignes de base basées sur la cartographie dans la préservation de la structure globale par paires.
• Géométrie Locale : GEARS a démontré une récupération supérieure des arêtes (Edge ROC-AUC) et une précision équilibrée (bAP) sur l'Atlas de Souris. Sur hSCC, il a obtenu le meilleur score Shell-F1, indiquant une meilleure préservation de la structure locale multi-échelle.
• Qualité du Voisinage : GEARS a obtenu les meilleures performances sur les métriques de Fiabilité (Trustworthiness) et de Continuité sur l'Atlas de Souris. Sur hSCC, il s'est classé deuxième en qualité de voisinage tout en maintenant un accord de distance global supérieur par rapport aux lignes de base de régression de coordonnées.
• Appariement de Distribution : GEARS a montré la meilleure distance $W_1$ (distribution de distance des voisins locaux) sur hSCC, indiquant des échelles de longueur locales bien étalonnées.

Ablation et Diagnostics :

• Diffusion Résiduelle : La suppression de l'affineur de diffusion a considérablement dégradé les performances (par exemple, le Stress-1 a augmenté d'environ 34 % sur l'Atlas de Souris), confirmant le rôle de l'affineur dans l'étalonnage des amplitudes de distance globales et la correction des distorsions méso-échelles.
• Sensibilité aux Patchs : Le pipeline d'inférence était robuste aux choix de taille de patch ; les métriques de reconstruction sont restées stables sur une large gamme de tailles de patchs, tandis que la cohérence de l'assemblage s'améliorait avec des patchs plus grands.
• Validation Biologique : Sur hSCC, la géométrie reconstruite a révélé des domaines spatiaux cohérents (par exemple, régions enrichies en cellules immunitaires vs régions tumorales) cohérents avec les annotations de types cellulaires. De plus, les gènes marqueurs des cellules dendritiques plasmacytoïdes (pDC) ont montré une expression significativement plus élevée dans les régions spatialement proches de la disposition reconstruite, validant la pertinence biologique de la géométrie inférée.

5. Signification et Revendications

L'article affirme que GEARS représente un passage du correspondance de coordonnées à l'apprentissage de géométrie. En traitant l'organisation spatiale comme une structure latente guidée mais non contrainte par les données de référence, GEARS aborde les limitations fondamentales de la reconstruction spatiale non appariée.

• Robustesse au Décalage de Domaine : Le cadre est conçu pour être robuste dans les contextes non appariés où les échantillons présentent des organisations globales différentes, évitant le biais systématique introduit par la force d'alignement sur une grille de référence fixe.
• Évolutivité : L'inférence par patch basée sur la distance permet à la méthode de gérer de grandes cohortes de cellules uniques qui dépassent la capacité d'une seule diapositive ST.
• Généralisation : La méthode transfère avec succès les principes géométriques intrinsèques à travers différentes sections tissulaires (généralisation inter-sections) sans nécessiter de mesures appariées provenant du même individu.

Les auteurs notent modestement que la fiabilité peut diminuer dans le cas de décalages de domaine très forts, de déséquilibres sévères de composition cellulaire, ou lorsque la résolution ST ne fournit qu'une supervision géométrique faible. Ils identifient la généralisation de la géométrie inter-patients et inter-cohortes comme une direction clé pour les travaux futurs.