🧬 biology

Querying Counterfactuals on Tissue Graphs with Supervised Disentanglement

Cet article introduit Cellina, un cadre de désenchevêtrement supervisé qui formalise les contrefactuels de graphes tissulaires en séparant l'état intrinsèque d'une cellule de son contexte spatial afin de prédire avec précision les changements d'expression sous des interactions de voisinage remodelées ou modifiées, surpassant les méthodes existantes sur des ensembles de données de transcriptomique spatiale à grande échelle.

Auteurs originaux : Abdul Moeed, Stefan Schrod, Martin Rohbeck, Marc Jan Bonder, Pavlo Lutsik, Oliver Stegle, Daniel Dimitrov

Publié 2026-06-09

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Abdul Moeed, Stefan Schrod, Martin Rohbeck, Marc Jan Bonder, Pavlo Lutsik, Oliver Stegle, Daniel Dimitrov

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète

La vue d'ensemble : Le problème du « voisinage cellulaire »

Imaginez une ville où chaque personne (une cellule) possède une personnalité unique et un métier spécifique. En biologie, nous voulons prédire comment une personne agira si elle déménage dans un quartier différent.

L'ancienne méthode : Les modèles informatiques précédents traitaient les gens comme s'ils vivaient de manière isolée. Ils supposaient que si vous donniez à tout le monde le même « stimulus » (comme une nouvelle loi ou un virus), tout le monde réagirait de la même façon, peu importe qui sont leurs voisins.
La réalité : Dans un corps vivant, votre comportement est fortement influencé par vos voisins. Une personne vivant à côté d'une boulangerie peut sentir l'odeur du pain et ressentir de la faim ; une personne vivant à côté d'un chantier peut se sentir stressée. En biologie, l'« humeur » d'une cellule (l'expression génique) est façonnée par les cellules qui se trouvent juste à côté d'elle.

L'article soutient que pour prédire comment une cellule va changer, nous ne pouvons pas simplement regarder la cellule elle-même ; nous devons simuler ce qui se passe si nous échangeons ses voisins ou si nous changeons ce que ses voisins disent.

La solution : « Cellina » (Le simulateur de voisinage)

Les auteurs ont construit un outil appelé Cellina. Voyez Cellina comme un traducteur super intelligent capable de séparer le « moi intérieur » d'une personne de son « environnement ».

Les deux parties d'une personne :
- Le moi intérieur (Intrinsèque) : Qui vous êtes au plus profond de vous (ex : « Je suis un boulanger »). Cela ne change pas simplement parce que vous déménagez.
- L'environnement (Extrinsèque) : Comment votre entourage vous affecte (ex : « Je sens le pain parce que je vis à côté d'une boulangerie »).
Le tour de magie (Le désenchevêtrement) :
Beaucoup de modèles d'IA mélangent ces deux éléments. Si vous déplacez un boulanger vers un chantier, un mauvais modèle pourrait penser que le boulanger est devenu un ouvrier du bâtiment. Cellina est spécial car il utilise un « désenchevêtrement supervisé ».
- Analogie : Imaginez que vous avez la photo d'une personne. Cellina utilise un filtre spécial pour séparer la personne de l'arrière-plan. Il apprend à reconnaître la personne même si l'arrière-plan change, et il apprend à reconnaître l'arrière-plan même si la personne change.
- Comment il apprend : Il utilise un « enseignant » (les étiquettes de type de cellule) pour dire : « Cette partie des données est l'identité de la personne », et un « farceur » (entraînement antagoniste/adversarial) pour dire : « Assure-toi que la partie "personne" n'apprenne pas accidentellement quoi que ce soit sur le "voisinage" ».

Les deux types d'expériences

L'article teste Cellina avec deux scénarios spécifiques de type « Et si ? », qu'ils appellent des Contrefactuels :

1. Perturbation des arêtes (Le test du « déménagement »)

La question : « À quoi ressemblerait cette cellule si nous la déplacions physiquement dans un autre quartier et lui donnions un tout nouvel ensemble de voisins ? »
L'analogie : Imaginez que l'on prenne un boulanger et qu'on le déplace dans un chantier, en remplaçant ses anciens voisins par des ouvriers du bâtiment. Cellina prédit comment le comportement du boulanger change simplement en étant entouré de ces nouvelles personnes.
Le résultat : Cellina était bien meilleur que les autres outils pour cela. Il a réussi à prédire que le boulanger commencerait à agir différemment (ex : il commencerait à sentir la sciure de bois) sans perdre son identité de boulanger.

2. Perturbation des nœuds (Le test du « changement de message »)

La question : « Et si les voisins restent dans la même maison, mais qu'ils commencent à crier des choses différentes ? »
L'analogie : Le boulanger reste à côté des ouvriers du bâtiment, mais au lieu de crier des choses à propos de perceuses, ils commencent à crier des choses à propos de plans de construction. Cellina prédit comment le boulanger réagit à ce changement de conversation sans même bouger.
Le résultat : Cellina pouvait aussi simuler cela, prédisant comment des voies biologiques spécifiques (comme un programme génique particulier) s'activent ou se désactivent en fonction de ces nouveaux signaux.

Pourquoi cela importe (Selon l'article)

Les auteurs ont testé Cellina sur deux ensembles de données massifs :

Cancer colorectal : En observant les cellules dans un tissu du côlon sain par rapport à un tissu cancéreux.
Cerveau de souris : En observant différentes régions du cerveau d'une souris.

Les conclusions :

Meilleures prédictions : Cellina a battu toutes les méthodes existantes (comme scGen, CPA et MintFlow) pour prédire comment les cellules changeraient dans ces « expériences virtuelles ».
Découverte de motifs cachés : Parce que Cellina sépare le « voisinage » de la « cellule », il a trouvé des sous-groupes cachés au sein du tissu cancéreux que les autres méthodes avaient manqués. Il a réalisé que toutes les cellules cancéreuses ne sont pas dans le même « environnement », même si elles se trouvent dans la même tumeur.
Évolutivité (Scalability) : Il peut gérer des millions de cellules sans planter, ce qui est un point majeur pour la biologie moderne.

Ce que Cellina NE FAIT PAS (Basé strictement sur le texte)

Ce n'est pas une boule de cristal pour les remèdes : L'article précise explicitement que ce sont des prédictions « in-silico » (simulation informatique). Ce sont des « hypothèses génératives » qui doivent être testées dans un vrai laboratoire (validation en laboratoire humide/wet-lab) avant de savoir si elles sont vraies.
Il ne remplace pas les médecins : Les auteurs ne prétendent pas que cet outil peut diagnostiquer des patients ou prescrire des médicaments pour le moment. C'est un outil de recherche pour aider les scientifiques à comprendre comment les cellules interagissent.
Il dépend des étiquettes : Pour opérer sa magie, Cellina doit qu'on lui dise quel « type » de cellule il observe (ex : « C'est un lymphocyte T ») et dans quelle « région » il se trouve (ex : « C'est la tumeur »). Il apprend de ces étiquettes pour séparer l'identité de l'environnement.

Résumé

Cellina est un nouveau programme informatique qui traite le tissu comme un graphe de voisins connectés. Il apprend à séparer l'identité d'une cellule de son environnement. Ce faisant, il peut répondre à des questions de type « Et si ? » : « Et si cette cellule avait des voisins différents ? » ou « Et si ses voisins disaient autre chose ? ». Il fait cela mieux que n'importe quel outil précédent, aidant les scientifiques à comprendre la vie sociale complexe des cellules dans les tissus comme les tumeurs ou le cerveau.

Résumé technique : Interroger les contrefactuels sur les graphes de tissus avec un désenchevêtrement supervisé

Définition du problème

La biologie de la cellule unique vise à prédire les réponses cellulaires aux perturbations. Cependant, les méthodes existantes reposent généralement sur deux hypothèses que les tissus violent : (i) les perturbations agissent comme des stimuli partagés appliqués uniformément, et (ii) les cellules sont conditionnellement indépendantes (i.i.d.). Dans les tissus vivants, l'état transcriptionnel d'une cellule est façonné par son voisinage local, qui varie de manière unique pour chaque cellule.

Les auteurs formalisent les contrefactuels de graphes de tissus comme une classe d'interventions spatiales posant la question suivante : Qu'exprimerait une cellule si son contexte de voisinage était altéré alors que son identité intrinsèque restait fixe ? Ces interventions ciblent deux composantes mutables du graphe de tissu :

Perturbation d'arête (Edge Perturbation) : Recâbler les connexions du voisinage d'une cellule (remplacement des voisins).
Perturbation de nœud (Node Perturbation) : Modifier les caractéristiques d'expression génique des voisins existants tout en préservant la topologie du graphe.

Les méthodes actuelles manquent d'un cadre unifié pour gérer ces requêtes, traitant souvent les cellules comme étant i.i.d. ou ciblant des types d'interventions spécifiques sans séparer l'identité intrinsèque de la cellule de l'influence microenvironnementale extrinsèque.

Méthodologie : Cellina

Le papier présente Cellina, un auto-encodeur variationnel (VAE) de graphe conçu pour rendre tractables les contrefactuels de graphes de tissus grâce à un désenchevêtrement supervisé.

Architecture du modèle

Cellina décompose l'expression génique $x$ d'une cellule en deux composantes latentes :

Représentation intrinsèque ( $z$ ) : Encode l'identité de la cellule (type cellulaire), indépendamment du contexte spatial.
Représentation extrinsèque ( $s$ ) : Encode l'effet du microenvironnement spatial (voisinage).

Le modèle génératif suppose des priors normaux standards pour $z$ et $s$ , avec la vraisemblance $p(x|z, s)$ modélisée par une distribution Binomiale Négative paramétrée par un décodeur $Dec([z; s])$.

Variantes d'inférence

Deux variantes sont proposées pour encoder la représentation spatiale $s$ :

Cellina (Base) : Utilise une agrégation normalisée par le degré de l'expression des voisins en log-normalisation $\phi(v)$ , encodée via un MLP.
Cellina-GAT : Remplace l'agrégateur fixe par un réseau de graphes à attention (GATv2) multicouche opérant sur le sous-graphe local. Cette variante exclut les boucles sur soi (self-loops) pour garantir que l'expression de la cellule focale est capturée uniquement par $z$ .

Désenchevêtrement supervisé

Un facteur purement non supervisé n'est pas identifiable sans biais inductifs. Cellina injecte une supervision biologique pour ancrer $z$ à l'identité du type cellulaire et diriger la variation spatiale vers $s$ :

Classificateur de type cellulaire ( $L_{clf}$ ) : Ancre $z$ aux étiquettes de types cellulaires connues.
Discriminateur de domaine adversaire ( $L_{adv}$ ) : Une optimisation alternée en deux étapes où un discriminateur tente de prédire le domaine spatial à partir de $z$ . L'encodeur est entraîné pour minimiser cette prédiction (maximiser l'entropie), ce qui élimine efficacement l'information du domaine spatial de $z$ et la force dans $s$ .
Perte contrastive ( $L_{spatial}$ ) : Appliquée uniquement dans Cellina-GAT, cette perte encourage la similitude de $s$ pour les voisins spatiaux tout en séparant les régions de domaines distincts, agissant comme un biais inductif biologiquement fondé.

L'objectif d'entraînement total est :
$\mathcal{L} = \mathcal{L}_{VAE} + \alpha_{clf} \mathcal{L}_{clf} + \alpha_{spatial} \mathcal{L}_{spatial} - \alpha_{adv} \mathcal{L}_{adv}$

Simulation de contrefactuel

Perturbation d'arête : Les voisins d'une cellule focale sont échangés avec des cellules d'un domaine cible (par exemple, remplacer des voisins sains par des voisins cancéreux), en excluant le propre type de la cellule focale pour assurer une évaluation conservatrice.
Perturbation de nœud : La topologie du graphe reste fixe, mais les vecteurs d'expression des voisins sont modifiés par une transformation spécifique aux gènes (par exemple, une mise à l'échelle multiplicative basée sur les log-fold changes entre les domaines).

Contributions clés

Formalisation : Les auteurs définissent les contrefactuels de graphes de tissus comme une classe unifiée d'interventions spatiales englobant à la fois les perturbations d'arêtes (topologie) et de nœuds (caractéristiques).
Cadre Cellina : Ils introduisent un VAE de graphe à double encodeur avec un désenchevêtrement supervisé qui sépare l'identité intrinsèque du contexte spatial.
Performance : Cellina surpasse les bases non spatiales et spatialement informées (incluant scGen, CPA, MintFlow et SpatialProp) en termes de prédiction contrefactuelle, de désenctextbackslashment et de scalabilité sur des jeux de données contenant plus de 2,5 millions de cellules.
Découverte Biologique : Le cadre permet l'identification non supervisée de sous-domaines cancéreux biologiquement distincts et facilite les simulations de perturbations de voisinage ciblées par voie de signalisation.

Résultats expérimentaux

Le modèle a été évalué sur deux jeux de données de transcriptomique spatiale à grande échelle :

Cancer Colorectal (CRC) : ~2,4 millions de cellules sur six lames. La tâche consistait à prédire l'expression de cellules coliques saines (REF) si elles étaient placées dans une région tumorale (CRC).
- Résultats : Les variantes de Cellina ont significativement surpassé toutes les bases de comparaison. Cellina (Base) a amélioré la corrélation de Pearson de +0,14 et la précision signée de +0,17 par rapport à la base non-Cellina la plus forte. Cellina-GAT a obtenu le score de Pearson le plus élevé (0,85) et l'erreur quadratique moyenne (RMSE) la plus faible (1,14).
- Ablation : Même la variante "Cellina (ablated)" (sans supervision) a surpassé les bases non spatiales, mais le désenchevêtrement supervisé a apporté des gains supplémentaires (+0,12 en Pearson), confirmant l'efficacité de la stratégie de séparation.
Cerveau de souris entière : ~146K cellules sur trois lames (MERFISH). La tâche consistait à transférer les prédictions entre domaines spatiaux (Thalamus vers Isocortex/Fibre-tracts).
- Résultats : Les variantes de Cellina ont de nouveau dominé sur trois des quatre métriques, démontrant une généralisation à travers les tissus et les espèces.

Insights Biologiques

Découverte de sous-domaines : Le clustering de la représentation spatiale latente $s$ a révélé des sous-domaines de CRC distincts (CRC1 et CRC2) avec des profils de signalisation différents (dominante TGF $\beta$ vs. dominante NF $\kappa$ B/MAPK) sans supervision directe.
Perturbation de voie : La simulation de perturbations de nœuds utilisant les poids de voie PROGENy a réussi à récapituler les réponses biologiques de ces sous-domaines, identifiant des gènes clés (ex: FN1, MMP3) cohérents avec les programmes de fibroblastes connus.

Signification et Revendications

L'article affirme que Cellina fournit un cadre rigoureux pour étudier les réponses cellulaires pilotées par le voisinage, allant au-delà de l'hypothèse des cellules indépendantes. En séparant explicitement l'état intrinsèque de l'influence extrinsèque, le modèle permet :

Prédiction Contextuelle : Prédire le comportement des cellules non pas en isolation, mais au sein de contextes spatiaux spécifiques.
Réduction de l'espace de recherche expérimentale : Générer des réponses cellulaires "virtuelles" à des voisinages altérés pour guider la validation en laboratoire humide.
Scalabilité : Le modèle de base Cellina se met à l'échelle efficacement (temps d'entraînement comparable à scVI non-spatial) en découplant la construction du voisinage de l'entraînement, contrairement aux concurrents basés sur l'attention de graphe qui nécessitent un passage de messages coûteux.

Les auteurs notent que bien que les contrefactuels soient actuellement des hypothèses génératives nécessitant une validation expérimentale, l'interprétation opérationnelle de ces simulations offre une voie prometteuse pour interroger les réponses cellulaires virtuelles dans des environnements tissulaires complexes. Ils reconnaissent des limites concernant la dépendance aux annotations de type cellulaire et de domaine pré-définies, ainsi que le potentiel d'erreurs de segmentation dans les données spatiales, suggérant que des travaux futurs pourraient intégrer les signaux d'imagerie bruts pour débruiter ces entrées.