SNR-ST-Mix: Sample-specific Neighborhood Regression Mixup for Augmented Spatial Transcriptomics Imputation with Deep Neural Network

Résumé Technique : SNR-ST-Mix

Énoncé du Problème
La transcriptomique spatiale (ST) permet le profilage de l'expression génique au sein du contexte tissulaire, mais elle est souvent limitée par des données bruitées, à faible résolution et échantillonnées de manière parcellaire. Bien que les réseaux de neurones profonds (DNN) soient devenus des outils puissants pour imputer l'expression génique à partir d'images histologiques, leurs performances sont limitées par de petits échantillons et un manque d'augmentation de données biologiquement informée. Les stratégies d'augmentation existantes, telles que Mixup et CutMix, sont principalement conçues pour les tâches de classification. Appliquées à des tâches de régression comme la prédiction de l'expression génique, ces méthodes génèrent souvent des interpolations biologiquement implausibles en mélangeant des échantillons aléatoires. Cela néglige les relations spatiales et transcriptomiques inhérentes aux données ST, entraînant des discontinuités spatiales artificielles qui entravent la performance de prédiction et la généralisation, particulièrement dans les régimes d'entraînement spécifiques à un échantillon où la rareté des données est aiguë.

Méthodologie
Les auteurs proposent SNR-ST-Mix (Sample-specific Neighborhood Regression Mixup), un cadre d'augmentation de données sensible à la géométrie et à l'expression, adapté à la régression ST. La méthode repose sur le postulat que les régions tissulaires voisines présentent des corrélations de morphologie et des gradients d'expression. Le cadre se compose de deux mécanismes de conditionnement primaires :

1. Sélection du Voisinage Spatial : Au lieu d'un mélange aléatoire, SNR-ST-Mix restreint la sélection des partenaires de mélange aux $k$-plus proches voisins spatiaux (KNN) d'un point d'ancrage, basés sur la distance euclidienne dans l'espace des coordonnées. Cela préserve le contexte anatomique local et garantit que les paires mélangées présentent une faible divergence de cible, respectant un a priori de Lipschitz où l'expression varie de manière fluide à travers le tissu.
2. Pondération par Similitude d'Expression : Au sein du voisinage spatial sélectionné, la probabilité de mélange avec un voisin spécifique est pondérée de manière adaptative par un noyau gaussien basé sur la distance entre leurs profils d'expression génique. Cela garantit que les échantillons augmentés sont dérivés de régions transcriptionnellement similaires, évitant l'interpolation entre des compartiments tissulaires dissemblables ou hétérogènes.

Le processus de mélange génère des combinaisons convexes à la fois des patchs d'histologie d'entrée ($x_{mix}$) et des vecteurs d'expression génique cibles ($y_{mix}$) en utilisant un ratio de mélange $\lambda \sim Beta(\alpha, \alpha)$.

Pour renforcer davantage la cohérence biologique, l'objectif d'entraînement incorpore une fonction de perte composite :

• Risque Vicinal ($L_{vic}$) : Erreur quadratique moyenne (MSE) standard sur les paires mélangées.
• Cohérence de Mixup ($L_{cons}$) : Une pénalité garantissant que la prédiction du modèle sur une entrée mélangée correspond au mélange linéaire des prédictions sur les points de terminaison originaux, contrôlant ainsi la courbure inutile le long de la variété tissulaire.
• Perte de Bordure ($L_{edge}$) : Aligne les différences d'expression prédites avec les différences d'expression réelles à travers les bords spatiaux, pondérées par les probabilités d'échantillonnage. Cela empêche le lissage excessif aux véritables frontières biologiques tout en favorisant la fluidité là où les cibles sont similaires.
• Perte de Corrélation ($L_{corr}$) : Un a priori léger biaisant l'optimisation vers une corrélation de Pearson plus élevée sans déstabiliser l'ajustement MSE.

La méthode est agnostique à l'architecture, s'intégrant parfaitement aux backbones existants (par exemple, les Vision Transformers) sans nécessiter de modules réseau supplémentaires ou de surcharge de calcul significative.

Contributions Clés

1. Premier Mixup basé sur la Régression pour la ST : SNR-ST-Mix est introduit comme le premier cadre de mixup spécifiquement conçu pour la régression de la transcriptomique spatiale, imposant à la fois la localité spatiale et la similitude d'expression pour générer des augmentations biologiquement significatives.
2. Pont entre les Paradigmes : La méthode fait le pont entre les paradigmes d'entraînement externe et les paradigmes spécifiques à l'échantillon, améliorant la robustesse face à la rareté des données tout en maintenant une forte généralisation intra-distribution. Elle atténue le surapprentissage et réduit la dépendance vis-à-vis des grands ensembles de données externes.
3. Efficacité et Intégration : L'approche ne nécessite aucune complexité de réseau supplémentaire et s'intègre facilement dans les pipelines standards. Elle démontre une haute adaptabilité à travers divers types de tissus et conditions expérimentales.

Résultats Expérimentaux
Les auteurs ont évalué SNR-ST-Mix sur des jeux de données 10x Genomics Visium couvrant le cancer du sein, le cancer de l'intestin, le cœur sain, le cancer de l'ovaire et le cancer de la prostate.

• Performance : Sur huit jeux de données, SNR-ST-Mix a systématiquement obtenu l'erreur quadratique moyenne (MSE) et l'erreur absolue moyenne (MAE) les plus faibles, ainsi que le coefficient de corrélation de Pearson (PCC) le plus élevé par rapport aux bases de référence (pas d'augmentation, augmentation géométrique de base, vanilla Mixup et CutMix). Par exemple, dans le jeu de données de cancer du sein TENX13, SNR-ST-Mix a réduit le MSE de 0,2074 (baseline) à 0,1886 et a amélioré le PCC à 0,4748.
• Qualité Visuelle : L'analyse qualitative des cartes d'expression spatiale (ex: gènes ISG15, MT-ND3) a montré que SNR-ST-Mix produisait des frontières spatiales plus nettes et des intensités régionales plus cohérentes par rapport aux autres méthodes, récupérant efficacement les régions de haute expression tout en supprimant le bruit.
• Études d'Ablation : Les expériences ont confirmé que la contrainte spatiale KNN et la pondération de similitude de l'étiquette sont essentielles et complémentaires. La combinaison de ces deux contraintes a produit des améliorations synergiques par rapport à l'utilisation de l'une ou l'autre seule. De plus, la fonction de perte composite proposée (pertes de cohérence, de bordure et de corrélation) a montré qu'elle améliorait davantage les performances en fournissant une régularisation efficace.
• Robustesse : L'analyse de la sensibilité aux hyperparamètres a indiqué que la méthode est robuste aux variations du nombre de voisins ($K$) et du paramètre de largeur de bande ($\sigma$), maintenant des performances stables sur une large gamme de paramètres.

Signification et Revendications
L'article affirme que SNR-ST-Mix fournit une stratégie d'augmentation efficace et biologiquement fondée pour la régression de la transcriptomique spatiale. En exploitant explicitement la géométrie spatiale et la similitude transcriptionnelle, la méthode étend la variété d'entraînement effective et améliore la performance prédictive sans augmenter la complexité du modèle. Les auteurs soulignent que leur approche répond à la limitation fondamentale des méthodes d'augmentation existantes qui ne respectent pas la structure spatiale unique des données ST. Ils postulent que SNR-ST-Mix offre une solution pratique pour améliorer l'efficacité des données et la stabilité de la prédiction, particulièrement dans les scénarios d'entraînement spécifiques à l'échantillon où la disponibilité des données est contrainte. Le travail suggère que l'augmentation biologiquement informée est cruciale pour faire progresser l'analyse de la transcriptomique spatiale, surtout à mesure que les technologies tendent vers des résolutions plus élevées.