Résumé Technique : scGTN - Réseau de Transformateur de Graphe Siamois Profond pour le Clustering de Séquençage d'ARN de Cellule Unique

1. Définition du Problème

Le séquençage de l'ARN de cellule unique (scRNA-seq) est une technologie pivotale pour le profilage de l'expression génique au niveau cellulaire, permettant l'identification des types cellulaires et la compréhension de l'hétérogénéité cellulaire. Une tâche centrale dans ce domaine est le clustering de cellules (regroupement cellulaire), qui organise les cellules en groupes biologiquement significatifs basés sur les profils d'expression.

Malgré les progrès, les méthodes existantes sont confrontées à deux défis primordiaux :

1. Sparsité et Bruit : Les données scRNA-seq souffrent d'effets de "dropout" étendus et de bruit de mesure, résultant en des matrices creuses (sparse) et de grande dimension. Cela complique la construction fiable des relations entre les cellules, menant souvent à des graphes hautement clairsemés et bruités.
2. Exploitation Structurelle Limitée : Les approches actuelles de Réseaux de Neurones sur Graphes (GNN) se concentrent principalement sur l'agrégation de voisinage local. Elles négligent souvent des indices structurels plus riches ancrés dans le graphe cellulaire, tels que les chemins les plus courts et les distances entre nœuds. Par conséquent, elles ne parviennent pas à exploiter pleinement l'information inhérente au graphe, conduisant à des similitudes cellulaires hautement homogènes et difficiles à distinguer.

2. Méthodologie : Cadre de travail scGTN

Les auteurs proposent scGTN (Deep Siamese Graph Transformer Network), un cadre qui intègre explicitement les profils d'expression génique et les dépendances structurelles intercellulaires. L'architecture se compose de trois modules principaux :

2.1 Module de Double Augmentation

Pour atténuer la sparsité et le bruit, la méthode génère deux vues complémentaires des données :

• Perturbation de l'Expression Génique : Un bruit gaussien est ajouté aux profils d'expression génique ($X$) pour simuler la variabilité naturelle. Ceci est formulé comme $\tilde{X} = \{x_i \odot m\}$, où $m$ est un masque aléatoire issu d'une distribution gaussienne.
• Augmentation de la Structure du Graphe Intercellulaire : Deux vues de graphes distinctes sont construites à partir du graphe k-plus proches voisins (kNN) initial :
  • Vue 1 (Raffinement) : Les arêtes spécieuses sont supprimées sur la base de la similitude cosinus par paire afin de préserver les connexions biologiquement pertinentes.
  • Vue 2 (Diffusion) : La diffusion de graphe est appliquée pour propager l'information à travers le graphe, renforçant les connexions significatives.

2.2 Fusion par Réseau de Transformateur de Graphe Siamois

Une architecture siamois avec des encodeurs partageant les poids traite les deux vues augmentées. Contrairement aux GNN standards, ce module incorpore explicitement l'information structurelle :

• Plongement de l'Expression Génique : Un encodeur de graphe siamois traite les matrices de gènes perturbées ($\tilde{X}$) et les matrices d'adjacence ($\tilde{A}$) pour produire des plongements (embeddings) initiaux.
• Plongement Structurel Explicite : Pour capturer les relations complexes, le modèle intègre :
  • Plongements de Position : Basés sur l'intimité des voisins par rapport au nœud central.
  • Plongements de Chemins les Plus Courts : Modélisant explicitement la structure de connexion entre les nœuds.
• Raffinement par Transformateur : Ces plongements (Gène + Position + Chemin le plus court) sont fusionnés et traités via un mécanisme d'auto-attention multi-têtes avec des réseaux de neurones à propagation avant (FFN) et des connexions résiduelles.
• Perte de Corrélation : Une perte spécifique ($L_{cor}$) est introduite pour empêcher l'effondrement des caractéristiques et la redondance entre les deux vues en maximisant la corrélation des éléments diagonaux et en minimisant les corrélations hors-diagonale.

2.3 Clustering par Transport Optimal

La tâche de clustering est formulée comme un problème d'alignement de distribution utilisant une stratégie auto-supervisée :

• Assignation de Cluster : La similitude entre les plongements cellulaires et les centres de clusters est modélisée à l'aide d'une distribution t de Student.
• Distribution Cible : Les probabilités d'assignation sont accentuées pour créer une distribution cible.
• Transport Optimal : Une stratégie de transport optimal aligne la distribution de cluster prédite avec les proportions de mélange pour assurer un clustering robuste et éviter les solutions dégénérées (ex: toutes les cellules mappées vers une seule étiquette). Cela est optimisé via la méthode de la distance de Sinkhorn avec une contrainte d'entropie.

2.4 Optimisation Globale

La fonction d'objectif finale combine quatre composantes :
$$L = L_{clu} + \alpha L_{cor} + \beta L_{rec} + \gamma L_{ZINB}$$
Où $L_{clu}$ est la perte de clustering, $L_{cor}$ est la perte de corrélation, $L_{rec}$ est la perte de reconstruction (MSE) pour préserver la structure du graphe, et $L_{ZINB}$ est la perte Binomiale Négative à Inflation de Zéros pour modéliser la sparsité et la surdispersion des données.

3. Contributions Clés

L'article expose trois contributions principales :

1. Nouvelle Perspective : L'étude aborde le clustering scRNA-seq en considérant conjointement les profils d'expression génique et les structures de graphes cellulaires, exploitant des informations intercellulaires complémentaires au-delà des simples similitudes de niveau de caractéristiques.
2. Méthodologie Novatrice : L'introduction de scGTN, un cadre utilisant un Réseau de Transformateur de Graphe Siamois. Celui-ci incorpore explicitement des informations structurelles plus riches, spécifiquement les chemins les plus courts et les distances entre nœuds, pour apprendre des représentations cellulaires discriminantes.
3. Expérimentations Étendues : Une évaluation complète sur plusieurs jeux de données de référence démontre la performance supérieure du cadre par rapport aux méthodes existantes.

4. Résultats Expérimentaux

Les auteurs ont évalué scGTN sur sept jeux de données de référence publics (couvrant des cellules de pancréas, de foie et immunitaires humaines et de souris) contre dix bases de comparaison, incluant des méthodes traditionnelles (k-means, hiérarchique), des méthodes de deep learning (DEC, scDeepCluster) et des méthodes basées sur les graphes (scGNN, scDSC).

• Performance Quantitative : scGTN a obtenu la meilleure performance sur les trois métriques (Précision/ACC, NMI et ARI) sur les sept jeux de données. En moyenne, il a surpassé la deuxième meilleure méthode de 3,00 % en ACC, 2,42 % en NMI et 2,30 % en ARI.
• Visualisation : Les visualisations UMAP sur le jeu de données de Foie Humain ont montré que scGTN produisait des clusters hautement compacts avec des frontières claires, tandis que les méthodes de base présentaient un mélange de sous-types ou des distributions diffuses.
• Validation Biologique :
  • Expression Différentielle des Gènes (DEG) : Les clusters générés par scGTN présentaient un chevauchement élevé (>90 %) avec les types cellulaires de référence basés sur les top-100 DEGs. Les 5 gènes marqueurs identifiés par scGTN (ex: PPY pour les cellules PP pancréatiques) correspondaient précisément aux classements de référence.
  • Enrichissement de Voies KEGG : La méthode a identifié avec succès des sous-populations fonctionnelles distinctes, telles que les voies de "Sécrétion d'insuline" pour les cellules $\beta$ et les voies "Ribosome" pour les cellules acineuses, confirmant l'interprétabilité biologique.

5. Signification et Revendications

L'article affirme que scGTN répond aux limitations critiques des méthodes actuelles en allant au-delà de l'agrégation de voisinage local pour capturer les dépendances structurelles globales. En intégrant explicitement les informations de chemin le plus court et les distances entre nœuds via un Transformateur de Graphe Siamois, le modèle apprend des plongements plus discriminants et robustes. Les auteurs soutiennent que cette approche traite efficacement la sparsité et le bruit inhérents aux données scRNA-seq, fournissant un outil plus précis pour l'identification des types cellulaires et l'interprétation biologique par rapport aux cadres de clustering existants basés sur les graphes et le deep learning.