🤖 machine learning

Knowledge Graphs and Reasoning LLMs for Finding Simple Yet Effective Transcriptomic Perturbation Predictors

Cet article démontre qu'une simple approche de type k-plus proches voisins exploitant des graphes de connaissances biologiques permet d'atteindre une performance compétitive hors distribution pour la prédiction des effets de perturbations transcriptomiques, ce qui peut être davantage amélioré pour égaler les méthodes de l'état de l'art en utilisant l'apprentissage par renforcement afin d'optimiser un LLM de raisonnement pour le raffinement de la sélection du voisinage.

Auteurs originaux : Jake Fawkes, Liam Hodgson, Jason Hartford

Publié 2026-06-09

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jake Fawkes, Liam Hodgson, Jason Hartford

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

La vue d'ensemble : Prédire l'imprévisible

Imaginez que vous essayiez de comprendre ce qui arrive à une machine complexe (comme une voiture ou un ordinateur) si vous retirez une pièce spécifique. En biologie, cette « machine » est une cellule vivante, et les « pièces » sont les gènes. Les scientifiques veulent savoir : Si nous supprimons le Gène A, comment le comportement de la cellule va-t-il changer ?

Réaliser cette expérience dans un vrai laboratoire est lent, coûteux et dangereux. C'est pourquoi les scientifiques veulent que les ordinateurs prédisent la réponse. Cependant, les ordinateurs ont eu du mal avec cela car les cellules sont incroyablement complexes. Même les modèles informatiques simples échouent souvent, dépassant parfois même la simple moyenne des résultats de toutes les expériences passées.

L'idée centrale : « Qui sont vos voisins ? »

Les auteurs de cet article proposent une solution étonnamment simple basée sur une vérité biologique : les gènes qui travaillent ensemble ont tendance à réagir de manière similaire.

Considérez un gène comme un travailleur dans une immense usine. Si vous licenciez un travailleur, la production de l'usine change.

L'ancienne méthode : Essayer de construire une IA géante et complexe qui comprend chaque règle de l'usine.
La méthode de l'article : Regarder le Graphe de Connaissances (Knowledge Graph). C'est comme un immense organigramme ou une carte de qui parle à qui dans l'usine. Si vous licenciez le « Travailleur A », regardez ses voisins immédiats sur l'organigramme (les personnes avec qui il communique le plus). Si ces voisins réagissent habituellement d'une certaine manière lorsqu'ils sont licenciés, supposez que le « Travailleur A » réagira de la même façon.

Les auteurs ont découvert que cette approche simple de « regarder vos voisins » (appelée modèle des K-plus proches voisins) était en fait meilleure que la plupart des modèles d'IA complexes et de haute technologie pour prédire ces changements.

Le problème : La carte est incomplète

Il y avait un bémol. Le « Graphe de Connaissances » (l'organigramme) n'est pas parfait.

Liens manquants : Il ne montre pas toutes les connexions entre les travailleurs.
Mauvais voisins : Parfois, les personnes répertoriées comme voisins sur l'organigramme ne sont pas les meilleures personnes à comparer pour un travail spécifique.

C'est comme avoir la carte d'une ville où il manque des rues et où certains chemins mènent à des impasses. Si vous essayez de naviguer en utilisant uniquement cette carte, vous vous rapprocherez de votre destination, mais vous n'emprunterez pas le meilleur itinéraire.

La solution : L'IA de « raisonnement »

Pour corriger la carte, les auteurs ont utilisé un Grand Modèle de Langage (LLM) — un type d'IA très doué pour comprendre le langage et les relations.

Ils ne se sont pas contentés de demander à l'IA de deviner ; ils lui ont appris à corriger la carte en utilisant une technique appelée Apprentissage par Renforcement (RL).

L'analogie : Imaginez un étudiant (l'IA) passant un examen.
- Étape 1 : L'étudiant commence avec la carte standard (le Graphe de Connaissances).
- Étape 2 : On demande à l'étudiant : « Peux-tu améliorer cette liste de voisins pour faire une meilleure prédiction ? » Il pourrait dire : « Je vais ajouter le Gène X et supprimer le Gène Y. »
- Étape 3 : Le professeur (l'ordinateur) vérifie la réponse. Si la prédiction s'améliore, l'étudiant reçoit une récompense (des points). Si elle empire, il ne reçoit aucun point.
- Étape 4 : L'étudiant réessaie encore et encore, apprenant quels changements rapportent des points.

Au fil du temps, l'IA acquiert une compétence de « raisonnement » : elle apprend à regarder un gène, à vérifier la carte standard, puis à éditer la liste des voisins pour trouver le groupe de gènes parfait pour la comparaison.

Les résultats : Simple + Intelligent = Le meilleur

L'article a révélé deux choses principales :

La base simple l'emporte : L'utilisation de la liste de « voisins » standard (sans l'IA) était déjà meilleure que presque tous les autres modèles d'IA complexes.
L'IA rend le tout parfait : Lorsqu'ils ont entraîné l'IA pour ajuster cette liste, les résultats sont devenus aussi bons que les meilleurs modèles les plus compliqués actuellement disponibles (spécifiquement un modèle appelé TxPert).

Le bonus « Magique » :
Même si l'IA n'a été entraînée qu'à prédire les changements d'expression génique, elle est devenue meilleure pour répondre à d'autres questions biologiques (comme prédire si un médicament changerait l'activité d'un gène). Il semble que l'IA ait appris une « logique » générale sur le fonctionnement de la biologie, et non pas seulement à mémoriser des réponses.

Résumé

Le Problème : Prédire comment une cellule réagit à un changement de gène est difficile.
La Solution Simple : Comparer le gène à ses voisins biologiques connus. Cela fonctionne étonnamment bien.
L'Amélioration : Utiliser une IA intelligente pour éditer cette liste de voisins, en supprimant les mauvais et en ajoutant les bons, en fonction de ce qui améliore réellement la prédiction.
Le Résultat : Cette combinaison d'une carte simple et d'un éditeur intelligent crée un outil qui prédit les changements biologiques avec la même précision que les méthodes les plus avancées, mais avec une logique sous-jacente beaucoup plus simple.

Note importante : L'article se concentre entièrement sur l'amélioration de ces prédictions informatiques. Il ne prétend pas que cette méthode est prête à être utilisée dans les hôpitaux pour traiter des patients ou concevoir de nouveaux médicaments pour le moment ; c'est une preuve de concept pour de meilleurs modèles scientifiques.

Résumé Technique : Graphes de Connaissances et LLM de Raisonnement pour la Découverte de Prédicteurs de Perturbations Transcriptomiques Simples mais Efficaces

1. Énoncé du Problème

Prédire les effets transcriptomiques des perturbations d'inactivation de gènes (knockout) non observées reste un défi majeur pour les modèles de cellules virtuelles. Bien que des approches récentes exploitent des graphes de connaissances biologiques pour améliorer l'extrapolation au-delà des perturbations d'entraînement, les modèles complexes de deep learning peinent souvent à surpasser les modèles de base simples (par exemple, la moyenne des échantillons d'entraînement). La difficulté fondamentale réside dans la généralisation à de nouvelles distributions d'interventions, $P(x|do(i))$, où chaque perturbation induit une distribution unique contrainte par des processus biologiques complexes. Les méthodes existantes utilisant des réseaux de neurones sur graphes (GNN) ou un pré-entraînement à grande échelle ont montré des promesses, mais les mécanismes spécifiques par lesquels la connaissance biologique permet la généralisation à de nouvelles interventions restent obscurs. De plus, optimiser directement la structure causale sous-jacente est numériquement intraitable en raison de l'espace de recherche exponentiel des graphes de gènes possibles.

2. Méthodologie

2.1 Fondement Théorique : Un Modèle Hiérarchique Creux

Les auteurs postulent que les réponses cellulaires aux inactivations de gènes suivent un graphe causal hiérarchique creux. Dans ce modèle, les gènes forment des complexes protéiques, qui forment des voies, menant finalement aux organites et aux réponses cellulaires.

Implication : Les perturbations affectant le même complexe de bas niveau devraient produire des profils d'expression similaires.
Prédiction : L'expression moyenne d'une perturbation cible peut être approximée par une simple moyenne de type "plus proche voisin" sur le voisinage local défini par ce graphe causal.

2.2 Modèle de Référence : Le Prédicteur de Voisinage de Graphe

Les auteurs évaluent d'abord un prédicteur de "Voisinage de Graphe" (Graph Neighbour), qui exploite les graphes de connaissances biologiques existants (ex. StringDB, GO) comme priors.

Mécanisme : Pour un gène cible $g$ , le prédicteur identifie ses voisins $N(g)$ dans le graphe de connaissances. La variation de la perturbation prédite ( $\hat{\delta}_g$ ) est calculée comme la moyenne des variations d'entraînement de ces voisins :
$\hat{y}_g = \bar{x}_g + \frac{1}{|N_{Tr}(g)|} \sum_{\tilde{g} \in N_{Tr}(g)} \bar{\delta}_{\tilde{g}}$
où $\bar{x}_g$ est l'expression de contrôle appariée et $N_{Tr}(g)$ représente les voisins présents dans l'ensemble d'entraînement.
Résultat : Cette approche simple de $K$ -plus proches voisins surpasse les modèles complexes de deep learning (ex. GEARS, scLAMBDA) et approche les performances des modèles de pointe (SOTA) comme TxPert, particulièrement dans les contextes hors distribution (OOD).

2.3 Raffinement : Apprentissage par Renforcement avec des LLM de Raisonnement

Reconnaissant que les graphes de connaissances sont incomplets et contiennent des arêtes sous-optimales, les auteurs proposent d'utiliser des modèles de langage de grande taille (LLM) pour affiner ces voisinages.

Réduction de l'Espace de Recherche : Au lieu de chercher dans l'espace intraitable de tous les graphes possibles ( $O(2^{\#genes^2})$ ), la recherche est contrainte à des arêtes candidates plausibles sous les croyances a priori de l'LLM.
Formulation de l'Apprentissage par Renforcement (RL) :
- Politique : Un LLM ( $\pi_\theta$ ) agit comme une politique pour sélectionner des actions (Ajouter $A$ , Supprimer $R$ ) sur un ensemble initial de voisins du graphe de connaissances ( $N_{KG}$ ).
- Espace d'Action : L'ensemble raffiné est $S_{LLM} = (N_{KG} \setminus R) \cup A$ .
- Fonction de Récompense : Le modèle est entraîné via l'Optimisation de Politique Relative de Groupe (GRPO) pour maximiser une récompense $R(s, a)$ $R (s, a)$ composée de :
  1. Récompense de Formatage ( $R_{Fmt}$ ) : Assure que la sortie est analysable (parsable).
  2. Récompense de Validité ( $R_{Valid}$ ) : Encourage l'ajout de gènes issus de l'ensemble d'entraînement et la suppression de gènes n'appartenant pas au voisinage original.
  3. Récompense de Performance ( $R_\Delta$ ) : Incite à l'amélioration de la métrique Pearson Delta par rapport au prédicteur de base du graphe de connaissances.
Entraînement : L'LLM est entraîné sur des données de perturbation provenant des lignées cellulaires de Replogle et al. (2022), avec une séparation stricte train/test pour garantir l'évaluation sur des perturbations inédites.

3. Contributions Clés

Démonstration de la Robustesse des Modèles Simples : L'article établit qu'un simple prédicteur de $K$ -plus proches voisins basé sur des graphes de connaissances biologiques constitue une base de comparaison très compétitive pour la prédiction de perturbations OOD, surpassant la plupart des méthodes complexes de deep learning.
L'LLM comme Prior de Raffinement : Les auteurs démontrent que les LLM, lorsqu'ils sont optimisés via l'apprentissage par renforcement, peuvent efficacement éditer les voisinages des graphes de connaissances (ajout de relations manquantes et suppression de gènes non pertinents) pour améliorer la performance prédictive.
Performance de Pointe (SOTA) : L'LLM optimisé par RL atteint des performances équivalentes aux méthodes SOTA actuelles (spécifiquement TxPert) sur les lignées cellulaires de Replogle et al., en partant d'une architecture simple de plus proche voisin.
Généralisation en Aval : L'étude montre que l'entraînement par RL améliore les performances de l'LLM sur des tâches en aval (spécifiquement la prédiction de l'expression différentielle sur le benchmark PerturbQA), suggérant que le modèle apprend des schémas de raisonnement généralisables plutôt que de sur-apprendre (overfitting) la tâche de prédiction spécifique.

4. Résultats

Performance de Benchmark : Sur quatre lignées cellulaires (K562, RPE1, HEPG2, Jurkat) de Replogle et al. (2022), l'LLM entraîné par RL ($LLM + KG + RL$) a obtenu des scores Pearson Delta comparables à TxPert (ex. 0,625 contre 0,626 sur K562) et a nettement surpassé l'LLM non entraîné ainsi que le prédicteur brut du graphe de connaissances.
Généralisation OOD : La méthode se généralise aux perturbations inédites, maintenant une performance élevée même lorsque les gènes inactivés spécifiques n'étaient pas présents dans l'ensemble d'entraînement.
Apprentissage par Transfert : Lorsqu'il est entraîné sur seulement trois des quatre lignées cellulaires, le modèle améliore tout de même ses performances sur la lignée tenue à l'écart (K562) par rapport au modèle de base, indiquant une généralisation de la politique de raisonnement entre les lignées cellulaires.
Tâche en Aval : Sur le jeu de données PerturbQA (Wu et al.), le modèle post-entraîné a surpassé l'LLM de base dans la prédiction de l'expression différentielle et de la direction du changement, même sans entraînement spécifique sur cette tâche.

5. Signification et Revendications

L'article affirme que les graphes de connaissances biologiques servent de priors de modèles efficaces, et que le modèle le plus simple exploitant ces priors (plus proche voisin) est étonnamment robuste. La signification principale réside dans la démonstration que l'apprentissage par renforcement peut raffiner les LLM pour en faire des outils généralisables pour la prédiction biologique complexe.

Les auteurs soutiennent que, bien que l'entraînement par RL soit coûteux en calcul et ne soit pas nécessairement la méthode la plus pratique pour un déploiement immédiat, il sert de preuve de concept :

Il valide que les LLM possèdent des signaux prédictifs significatifs concernant les relations entre gènes, au-delà de ce qui est explicitement encodé dans les graphes de connaissances statiques.
Il démontre que le RL peut ajuster un LLM pour qu'il agisse comme un postérieur sur les changements de voisinage de gènes, apprenant ainsi une politique de sélection d'ensembles de gènes prédictifs.
Il souligne que les améliorations de la performance prédictive peuvent se transférer à des tâches de raisonnement en aval, suggérant une voie vers des modèles de "cellule virtuelle" plus robustes.

Les auteurs restent modestes, notant des limites telles que le coût computationnel du RL et la dépendance à un ensemble d'entraînement pour la lignée cellulaire spécifique, ce qui empêche de véritables prédictions "zero-shot" dans de nouvelles lignées cellulaires. Ils ne prétendent pas avoir résolu entièrement le problème de la généralisation, mais ont montré une voie viable pour affiner des modèles simples et interprétables grâce au raisonnement avancé des modèles de langage.