🤖 machine learning

scCBGM: Interpretable Single-Cell Counterfactual Editing

L'article présente scCBGM, un cadre d'interprétabilité pour cellules uniques qui adapte les architectures de goulot d'étranglement de concepts et le way de correspondance de flux (flow matching) pour permettre l'édition contrefactuelle précise et la généralisation combinatoire des phénotypes cellulaires, répondant ainsi à l'infaisabilité d'une cartographie expérimentale exhaustive.

Auteurs originaux : Alma Andersson, Aya Abdelsalam Ismail, Edward De Brouwer, Doron Haviv, Tommaso Biancalani, Kyunghyun Cho, Gabriele Scalia, Aïcha BenTaieb, Hector Corrada Bravo

Publié 2026-06-09

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Alma Andersson, Aya Abdelsalam Ismail, Edward De Brouwer, Doron Haviv, Tommaso Biancalani, Kyunghyun Cho, Gabriele Scalia, Aïcha BenTaieb, Hector Corrada Bravo

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes un chef étoilé essayant de comprendre comment un plat spécifique change lorsqu'on modifie ses ingrédients. Vous avez une recette pour une « Soupe de Tomate Épicée » (une cellule dans son état naturel). Vous voulez savoir : « Si j'ajoute du piment, quel sera le goût de ce même bol de soupe ? »

Dans le monde réel, vous ne pouvez pas simplement ajouter du piment à la soupe que vous êtes déjà en train de manger et observer le résultat sans préparer un tout nouveau lot. En biologie, les scientifiques sont confrontés au même problème avec les cellules. Ils ne peuvent pas prendre une cellule spécifique, désactiver un gène, activer un médicament, et observer ce qui se passe en temps réel pour voir le résultat. Ils ne peuvent qu'observer la cellule avant et la cellule après dans des expériences différentes, mais ils ne pourront jamais voir le scénario du « et si » pour cet individu cellulaire précis.

Ce document présente un nouvel outil appelé scCBGM (Modèle Génératif à Goulot d'Étranglement Conceptuel en Cellule Unique). Voyez cela comme un « Simulateur de Recettes de Voyage dans le Temps » pour les cellules.

Voici comment cela fonctionne, décomposé en concepts simples :

1. Le Problème : La « Boîte Noire » de la Biologie

Auparavant, les modèles informatiques pouvaient vous dire à quoi un groupe de cellules pourrait ressembler après un traitement (comme une recette de soupe moyenne). Mais ils ne pouvaient pas vous dire à quoi votre cellule spécifique ressemblerait si vous changiez une chose. De plus, ces modèles étaient souvent des « boîtes noires » : ils donnaient une réponse, mais ils ne pouvaient pas expliquer pourquoi ni vous laisser contrôler des parties spécifiques de la recette (comme « augmenter la chaleur » ou « ajouter plus de sel »).

2. La Solution : Le « Goulot d'Étranglement Conceptuel »

Les auteurs ont construit un modèle qui ne se contente pas de deviner ; il comprend les concepts (les ingrédients) de la cellule.

Les Ingrédients : Au lieu de regarder des millions de chiffres de gènes à la fois, le modèle décompose la cellule en « concepts » compréhensibles, comme « Est-ce un lymphocyte T ? » ou « Est-elle actuellement attaquée par un virus ? » ou « Quelle est l'activité de son système immunitaire ? ».
Le Goulot d'Étranglement : Imaginez un entonnoir. Toutes les données complexes sur la cellule doivent passer par cet entonnoir pour devenir une liste de ces concepts simples. Cela force l'ordinateur à organiser les données désordonnées en catégories clates et compréhensibles.

3. Le Tour de Magie : « L'Édition Contrefactuelle »

C'est le pouvoir central de l'article.

La Configuration : Vous donnez au modèle la photo d'une cellule spécifique (la cellule « Factuelle »).
L'Édition : Vous dites au modèle, « D'accord, gardez tout ce qui concerne cette cellule identique, mais faites comme si son concept de 'Système Immunitaire' était éteint (OFF) ».
Le Résultat : Le modèle génère une toute nouvelle image (un nouveau profil génétique) de ce à quoi ressemblerait cette même cellule exacte si elle n'avait pas de système immunitaire.

C'est ce qu'on appelle un contrefactuel. Il répond à la question : « Qu'est-ce qui se serait passé si... ? »

4. Pourquoi ce Modèle est Spécial (La « Recette Secrète »)

L'article explique que les modèles précédents avaient du mal avec deux choses :

Le Bruit : Les données biologiques réelles sont désordonnées (comme une recette avec des fautes de frappe).
Le Mélange : Le modèle confondait souvent les « ingrédients » (concepts) avec le « style de cuisine » (bruit aléatoire).

Les auteurs ont ajouté deux caractéristiques spéciales pour corriger cela :

La « Connexion de Saut » (La Ligne Directe) : Imaginez que vous peignez un tableau. Habituellement, vous pourriez oublier les couleurs originales en peignant par-dessus. Ce modèle maintient une ligne directe entre les « ingrédients » (concepts) et l'image finale. Cela garantit que si vous dites « Rouge », l'image finale reste Rouge, même si le reste du tableau devient désordonné.
La « Pénalité de Covariance Croisée » (Le Mur de Séparation) : C'est une règle mathématique qui force le modèle à garder les « ingrédients » séparés du « bruit aléatoire ». C'est comme avoir un chef strict qui refuse de laisser le sel tomber dans le moulin à poivre. Cela garantit que lorsque vous modifiez un concept, vous ne changez pas accidentellement le bruit aléatoire.

5. Comment ils l'ont Testé

Puisqu'on ne peut pas réellement voyager dans le temps pour voir si le modèle a raison, ils ont créé un univers fictif (données synthétiques) où ils connaissaient la réponse exacte.

Ils ont construit un monde numérique où ils savaient exactement comment une cellule devrait changer si l'on modifiait un concept.
Ils ont testé leur modèle contre ce monde fictif.
Le Résultat : Le modèle était bien meilleur pour prédire les scénarios « et si » que les autres modèles existants, même lorsque les données étaient bruitées ou incomplètes.

Ils l'ont également testé sur des données réelles (comme des cellules immunitaires réagissant à des virus). Bien qu'ils ne puissent pas connaître la « vraie » réponse pour une seule cellule, ils ont vérifié si les groupes de cellules éditées ressemblaient à de vraies cellules qui avaient réellement été traitées. Les prédictions du modèle correspondaient très bien aux groupes du monde réel.

Résumé

Voyez le scCBGM comme un simulateur hautement intelligent et transparent pour la biologie.

Il prend une cellule désordonnée.
Il la décompose en « concepts » clairs et compréhensibles (comme le type de cellule ou la réponse aux médicaments).
Il vous permet d'« éditer » ces concepts (par exemple, « Désactiver la réponse au médicament »).
Il prédit exactement à quoi ressemblerait cette cellule spécifique avec ce changement, sans avoir besoin de mener une nouvelle expérience coûteuse.

L'article affirme que cela aide les scientifiques à comprendre les mécanismes des maladies et à concevoir de meilleurs traitements en leur permettant de mener des « expériences virtuelles » sur des cellules individuelles pour voir comment elles pourraient réagir à différentes interventions.

Résumé technique : Modèles génératifs à goulot d'étranglement conceptuel pour l'édition cellulaire interprétable et contrôlable

Énoncé du problème

Comprendre les phénotypes cellulaires et leurs réponses aux perturbations (ex. : médicaments, cytokines) est crucial pour la biologie des maladies et la conception thérapeutique. Bien que le séquençage de l'ARN en cellule unique (scRNA-seq) permette une caractérisation à la résolution cellulaire, l'espace combinatoire des conditions (traitements, doses, types cellulaires) rend la cartographie expérimentale exhaustive impossible. Des modèles computationnels sont nécessaires pour prédire les réponses cellulaires sous des conditions non observées.

Une capacité spécifique requise de ces modèles est l'édition cellulaire précise : la capacité de partir d'une cellule observée et de modifier systématiquement des propriétés biologiques spécifiques (concepts) tout en préservant les autres. Cela diffère de la génération conditionnelle, qui produit n'importe quelle cellule sous des conditions données, alors que l'édition cible une cellule spécifique sous des conditions altérées pour permettre le raisonnement contrefactuel (ex. : « À quoi ressemblerait ce lymphocyte T spécifique si sa voie NF-kB était désactivée ? »).

Les méthodes existantes font face à deux limitations majeures :

Absence de contrefactuels au niveau de la cellule : De nombreux modèles capturent des effets au niveau de la population ou des distributions conditionnelles, mais échouent à générer des contrefactuels pour des cellules individuelles.
Manque de contrôle interprétable : Bien que certaines méthodes offrent de l'interprétabilité, elles sont souvent descriptives (expliquant des corrélations) plutôt qu'actionnables (simulant ou éditant des réponses). Inversement, les modèles génératifs dotés d'un contrôle fin reposent souvent sur des variables latentes opaques plutôt que sur des concepts biologiquement significatifs.

Méthodologie : scCBGM

Les auteurs introduisent les modèles génératifs à goulot d'étranglement conceptuel pour cellule unique (scCBGM), un cadre conçu pour l'édition cellulaire interprétable et contrôlable. L'approche adapte les modèles à goulot d'étranglement conceptuel (CBM) et les modèles génératifs à goulot d'étranglement conceptuel (CBGM) aux défis uniques des données scRNA-seq, notamment l'hétérogénéité élevée, le bruit technique et les annotations de concepts peu fiables.

1. Formalisation du problème

Le cadre adopte le modèle causal structurel (SCM) de Pearl. L'expression génique $X$ est influencée par des concepts observés $C$ (ex. : type cellulaire, état de stimulation) et des facteurs résiduels non observés $U$ (ex. : effets de lot, identité cellulaire). L'objectif est de prédire le résultat contrefactuel $X'$ pour une cellule spécifique $x$ si ses concepts passaient de $c$ à $c'$ , tout en maintenant constants les facteurs non observés $U$ . Cela est formalisé par l'apprentissage d'un prédicteur $f_\theta$ tel que $\hat{x}' = f_\theta(x, c') \approx \mathbb{E}[f_X(c', U) | X=x]$ .

2. Architecture

Le modèle suit une conception encodeur-décodeur avec un goulot d'étranglement conceptuel :

Encodeur : Mappe l'expression génique d'entrée $x$ vers une distribution latente $z$ .
Goulot d'étranglement conceptuel : Décompose $z$ $z$ en :
- Facteurs connus ( $\hat{c}$ ) : Prédictions des $K$ concepts biologiques.
- Facteurs inconnus ( $u$ ) : Une représentation capturant la variation non expliquée par $\hat{c}$ .
Décodeur avec connexions de saut (skip connections) : Contrairement aux CBGM standards, le décodeur reçoit la concaténation de $u$ et $\hat{c}$ à l'entrée. Crucialement, des connexions de saut injectent les concepts connus $\hat{c}$ dans chaque couche du décodeur. Cela impose un conditionnement systématique sur les concepts tout au long du processus de génération, améliorant la robustesse face aux annotations bruitées.

3. Objectifs d'entraînement

Le modèle est entraîné en minimisant une perte dérivée de l'ELBO (Evidence Lower Bound) du $\beta$ -VAE, augmentée de pénalités spécifiques :

Perte de reconstruction : Minimise la différence entre l'expression génique prédite et observée.
Supervision conceptuelle ( $L_{concept}$ ) : Prédit les concepts à partir de l'espace latent, gérant les annotations manquantes via un masque binaire.
Pénalité de co-variance croisée ( $L_{cc}$ ) : Pour imposer l'indépendance entre les concepts connus $\hat{c}$ et les facteurs inconnus $u$ , le modèle pénalise la norme de Frobenius au carré de leur co-variance empirique croisée. Contrairement aux pertes de similitude cosinus, cette approche n'impose pas de contraintes dimensionnelles ( $K \neq d_u$ ), permettant des tailles d'embedding flexibles.

4. Extension au Flow Matching

Le cadre est étendu au-delà des auto-encodeurs variationnels (VAE) vers des modèles de Flow Matching (FM). En conditionnant le champ de vecteurs du flow matching sur les embeddings scCBGM ( $[u, \hat{c}]$ ), les auteurs permettent l'édition guidée par les concepts dans deux régimes :

Décodage uniquement : Échantillonnage à partir du bruit conditionné sur des concepts édités (utile pour générer des exemples diversifiés).
Encodage-Décodage : Cartographier une cellule spécifique vers le bruit (abduction), éditer les concepts, puis décoder à nouveau (action/prédiction). Cela implémente strictement le cadre abduction-action-prédiction pour la génération contrefactuelle.

Contributions clés

Modifications architecturales : Introduction de connexions de saut dans le décodeur pour un conditionnement persistant des concepts et d'une pénalité de co-variance croisée pour des embeddings découplés sans contraintes dimensionnelles.
Extension du cadre : Extension des CBGM aux modèles de Flow Matching, permettant une génération de haute fidélité parallèlement à un contrôle interprétable.
Benchmark synthétique : Développement d'un processus de génération de données synthétiques basé sur un modèle de Poisson surdispersé hiérarchique qui sépare le bruit exogène des conditions, offrant un accès à des contrefactuels de vérité terrain pour une évaluation rigoureuse.
Validation empirique : Démonstration de performances supérieures en généralisation combinatoire et en prédiction contrefactuelle à travers plusieurs jeux de données réels et le benchmark synthétique.

Résultats

L'article évalue scCBGM sur trois jeux de données réels (Kang et al., 2017 ; Cui et al., 2024 ; Nault et al., 2023) et des données synthétiques.

Évaluation sur données synthétiques : scCBGM surpasse les CBGM standards à tous les niveaux de bruit et dans tous les scénarios. L'étude d'ablation confirme que la combinaison de l'architecture à goulot d'étranglement conceptuel, de la perte de co-variance croisée et des connexions de saut produit les meilleures performances.
Benchmarking sur données réelles : Utilisant des métriques de proxy au niveau de la population (rMMD, rFID, rSD) là où les contrefactuels au niveau de la cellule ne sont pas disponibles, scCBGM et sa variante de Flow Matching (scCBGM-FM) surpassent systématiquement les méthodes de référence de l'état de l'art (incluant scGen, CINEMA-OT, biolord et Vanilla-FM) dans 5 des 7 expériences sur le jeu de données Kang et 4 des 7 sur le jeu de données Cui.
Généralisation Zero-Shot : Le modèle prédit avec succès les réponses pour des combinaisons de types cellulaires et de stimulations non vues lors de l'entraînement (ex. : cellules T CD4 naïves stimulées), démontrant une forte généralisation compositionnelle.
Réponse de dose continue : Dans le jeu de données de Nault et al., scCBGM modélise efficacement les réponses de dosage continu, prédisant l'expression génique pour des dosages intermédiaires de TCDD non présents dans l'ensemble d'entraînement.
Étude de cas (Amélioration de la réponse aux médicaments) : Les auteurs démontrent un cas d'utilisation où scCBGM identifie les voies clés (TGF $\beta$ , PI3K, p53) médiant la réponse au traitement dans les cellules stellates hépatiques. En éditant in silico pour activer ces voies, le modèle parvient à déplacer le phénotype de la population pour qu'il ressemble à celui des répondeurs à haute dose, suggérant une voie mécaniste pour surmonter la résistance cellulaire.

Signification et affirmations

L'article affirme que scCBGM répond au défi ouvert de permettre une édition contrefactuelle précise au niveau de cellules individuelles avec un contrôle biologiquement interprétable.

Interprétabilité et actionnabilité : Contrairement aux méthodes d'interprétabilité descriptive, scCBGM permet aux chercheurs d'intervenir sur des concepts biologiques spécifiques (ex. : activité de voie, dosage de médicament) pour simuler des réponses cellulaires.
Robustesse : L'architecture est spécifiquement conçue pour gérer les annotations de concepts bruitées et incomplètes typiques du scRNA-seq.
Conception thérapeutique : En naviguant dans les espaces combinatoires de réponses cellulaires qui sont expérimentalement infaisables à cartographier, le cadre vise à accélérer la conception thérapeutique et la génération d'hypothèses mécanistiques.

Les auteurs restent modestes quant aux limites, reconnaissant que les véritables contrefactuels spécifiques à la cellule ne peuvent être observés dans les données réelles (nécessitant des proxies de niveau population pour la validation) et que le modèle se généralise aux combinaisons de concepts connus, mais pas à de nouveaux concepts totalement absents de l'entraînement. Ils notent également les risques éthiques associés aux modèles génératifs de haute fidélité, tels que le potentiel de fabrication de données biologiques ou de génération de fausses pistes thérapeutiques sans validation expérimentale rigoureuse.