Résumé Technique : DevoTG – Réseaux de Neurones Graphiques Temporels pour la Modélisation de la Connectomique Développementale de C. elegans

1. Énoncé du Problème

Comprendre les règles qui régissent la formation des circuits neuronaux — de la naissance à l'âge adulte — est un défi central en neurosciences développementales. Bien que le connectome de Caenorhabditis elegans ait été cartographié de manière exhaustive, les approches computationnelles précédentes ont largement traité les stades de développement comme des graphes statiques et indépendants. Ce cadrage statique néglige l'ordre temporel et la dynamique continue qui pilotent le changement développemental. Plus précisément, il est nécessaire de modéliser simultanément deux aspects complémentaires du développement de C. elegans :

1. La lignée cellulaire : La séquence temporelle des événements de division cellulaire.
2. Le connectome synaptique : L'évolution des connexions synaptiques à travers les stades de développement.

Les réseaux de neurones graphiques (GNN) statiques existants ne parviennent pas à capturer l'« historique » des interactions, ce qui est crucial pour prédire les états de développement futurs. De plus, bien que des travaux récents (par exemple, Witvliet et al., 2021) aient révélé une variabilité individuelle significative et un recâblage durant le développement, un cadre de graphe temporel unifié pour analyser ces dynamiques faisait défaut.

2. Méthodologie

Les auteurs proposent DevoTG (Developmental Temporal Graph), un cadre intégrant les réseaux de neurones graphiques temporels (TGN) avec deux représentations de données distinctes dérivées des données de C. elegans.

2.1 Sources de Données

• Données de lignée cellulaire : Un ensemble de données curatées de 642 événements de division cellulaire (1 203 états cellulaires uniques) dérivé de WormAtlas. Chaque événement inclut l'identité des cellules parentes/filles, des coordonnées spatiales 3D et des horodatages de naissance (0 à 600 minutes après la fertilisation).
• Données de connectome développemental : Huit ensembles de données de microscopie électronique provenant de Witvliet et al. (2021) couvrant des hermaphrodites isogéniques de C. elegans à huit points temporels distincts (de la naissance L1 à l'âge adulte). Cet ensemble comprend 225 neurones ainsi que des synapses chimiques et des jonctions communicantes (gap junctions).

2.2 Représentations de Graphes

DevoTG emploie deux structures de graphes complémentaires :

1. Graphe Dynamique à Temps Continu (CTDG) pour la lignée :
   • Modélise la division cellulaire comme des arêtes dirigées horodatées ($parent \to fille$).
   • Les caractéristiques des nœuds encodent la position 3D, le temps de naissance et la profondeur de génération.
   • Les caractéristiques des arêtes encodent le déplacement spatial entre les centroïdes cellulaires.
2. Graphe Dynamique à Temps Discret (DTDG) pour le connectome :
   • Représente le réseau synaptique comme une séquence de huit instantanés ($G_1, \dots, G_8$).
   • Les poids des arêtes représentent le nombre de synapses.
   • Capture la croissance des connexions, passant de 858 arêtes à la naissance à 2 496 à l'âge adulte.

2.3 Architecture du Réseau de Neurones Graphiques Temporels (TGN)

L'implémentation du TGN suit la conception modulaire de Rossi et al. (2020) et est construite sur PyTorch Geometric. Elle se compose de trois composants principaux :

• Module de Mémoire : Maintient un vecteur de mémoire de 100 dimensions ($m_i$) pour chaque nœud, mis à jour via une cellule GRU lors des événements d'interaction. Ce module accumule l'historique des interactions de chaque cellule, servant de biais inductif primaire pour la prédiction temporelle.
• Embedding de l'Attention de Graphe : Utilise une couche TransformerConv à 2 têtes pour agréger les informations du voisinage temporel d'un nœud. Il incorpore un encodage temporel relatif ($\Delta t_{ij}$) et des caractéristiques d'arêtes.
• Prédicteur de Lien : Un réseau de neurones à propagation avant (feed-forward) qui calcule un score de prédiction pour les arêtes candidates en se basant sur les embeddings des nœuds sources et cibles.

Protocole d'Entraînement :

• Tâche : Prédiction de lien de division cellulaire (prédire quelle cellule parente se divise en quelles cellules filles).
• Division (Split) : Division temporelle (70 % entraînement, 15 % validation, 15 % test) pour garantir l'évaluation sur des événements strictement futurs.
• Baselines : Comparaison avec une base aléatoire (Random), une heuristique de degré (Attachement Préférentiel) et un GNN statique (architecture identique mais sans le module de mémoire).

2.4 Pipeline d'Analyse

Pour le DTDG du connectome, les auteurs ont développé un pipeline de classification de la Stabilité de Connexion :

• Stable : Présent dans $\ge 6$ des 8 points temporels.
• Développemental : Présent dans 2 à 5 points temporels.
• Variable : Présent dans exactement 1 point temporel.
  De plus, les métriques de réseau standards (degré, centralité d'intermédiarité, densité) ont été calculées à travers tous les points temporels pour analyser les neurones hubs (spécifiquement AVA, AVB et AVE).

3. Résultats Clés

3.1 Performance de la Prédiction de Division Cellulaire

Le TGN a nettement surpassé toutes les baselines pour prédire les événements de division cellulaire :

• DevoTG TGN : AUC de test de 0,839 ± 0,007 (moyenne sur 5 graines/seeds).
• GNN Statique : AUC de test de 0,577 ± 0,080.
• Baseline Aléatoire : 0,539.
• Heuristique de Degré : 0,463 (performant moins bien que l'aléatoire).

L'écart de 26 points d'AUC entre le TGN et le GNN statique démontre que la mémoire temporelle est le facteur décisif. La haute variance du GNN statique (±0,080) suggère qu'il est sensible à l'initialisation et manque du biais inductif structurel requis pour la prédiction développementale. La faible performance de l'heuristique de degré indique que la lignée de C. elegans suit un programme de développement fixe plutôt qu'une règle d'attachement préférentiel pilotée par l'activité.

3.2 Stabilité et Topologie des Connexions

• Classes de Stabilité : L'analyse du DTDG du connectome a révélé :
  • Variable : 56,8 % des connexions (n'apparaissent qu'à 1 point temporel).
  • Développemental : 28,1 % (transitoires à travers 2 à 5 points temporels).
  • Stable : 15,1 % (architecture centrale persistante).
• Comparaison avec Witvliet et al. : La classification temporelle de DevoTG complète la classification de variabilité individuelle de Witvliet ; alors que Witvliet a trouvé qu'environ 43 % des connexions varient selon les individus, DevoTG a trouvé une proportion plus élevée de connexions temporellement variables, probablement en raison de l'inclusion des jonctions communicantes et des connexions faibles fluctuant près des seuils de détection.
• Croissance des Synapses : Les synapses chimiques ont crû de manière monotone, tandis que les connexions électriques (jonctions communicantes) ont montré une trajectoire non monotone, culminant à L1-16h avant de stagner.

3.3 Analyse des Neurones Hubs

L'analyse des interneurones de commande (AVA, AVB, AVE) a révélé :

• Noyau Persistant : La connectivité centrale parmi ces interneurones existe dès la naissance (L1).
• Renforcement Progressif : À l'âge adulte, ces hubs accumulent de nouvelles connexions substantielles provenant des neurones sensoriels et moteurs.
• Centralité : La centralité d'intermédiarité pour les nœuds clés (ex: AVAL) augmente visiblement, indiquant que l'architecture de prise de décision n'est pas seulement préservée, mais progressivement renforcée pour intégrer davantage d'entrées à mesure que l'animal mûrit.

3.4 Visualisation

Le framework inclut des outils interactifs (réseaux animés en 3D, cartes de chaleur de centralité, et graphes de lignée spatiotemporels) qui permettent aux chercheurs de visualiser l'évolution « échelonnée » du connectome et de corréler l'identité de la lignée avec la position spatiale.

4. Signification et Revendications

L'article affirme que DevoTG fournit un cadre fondamental pour la connectomique temporelle, comblant le fossé entre l'analyse de réseau statique et les processus intrinsèquement dynamiques du développement neural.

• Biais Inductif : La principale revendication scientifique est que la mémoire temporelle est un biais inductif indispensable pour modéliser les systèmes de développement. L'ordre des événements (divisions cellulaires ou formations de synapses) encode des informations critiques que les méthodes de graphes statiques ne peuvent capturer.
• Perspectives Complémentaires : DevoTG offre un complément basé sur des séries temporelles à l'existence des classifications de variabilité individuelle, fournissant une vue plus granulaire de la façon dont la connectivité évolue au sein d'un seul organisme au fil du temps.
• Insight Biologique : Le framework valide et étend des hypothèses biologiques, telles que le schéma « de l'intérieur vers l'extérieur » de l'embryogenèse et le renforcement progressif des hubs d'interneurones de commande, ce qui s'aligne sur les observations comportementales d'une coordination locomotrice croissante.
• Reproductibilité et Extension : Ce travail est en open-source, conçu pour être extensible à d'autres systèmes nerveux en développement, et fournit un pipeline modulaire pour intégrer des ensembles de données de connectomes longitudinaux à mesure qu'ils deviennent disponibles.

Les auteurs maintiennent une position modeste, reconnaissant des limites telles que l'exclusion actuelle des processus biologiques continus (ex: croissance axonale) dans l'entraînement du TGN et le recours à des seuils fixes pour la classification de la stabilité. Ils positionnent DevoTG comme une étape vers des études plus complètes et pilotées par les données sur la façon dont les systèmes nerveux se câblent eux-mêmes de la naissance à la maturité.