SVC-Probe: A Framework for Evaluating Perturbation Generalization in Spatial Foundation-Model Embeddings

Résumé technique : SVC-Probe : Un cadre d'évaluation de la généralisation des perturbations dans les plongements de modèles de fondation spatiaux

Énoncé du problème
Bien que les modèles de fondation spatiaux aient fait progresser l'acquisition de représentations concises de l'organisation protéique à partir de données de microscopie à grande échelle, leur évaluation reste limitée. Les benchmarks actuels évaluent principalement la localisation de base, la récupération ou la capacité à discriminer entre des conditions expérimentales observées. Cependant, une lacune critique subsiste dans l'évaluation de savoir si ces plongements spatiaux capturent des structures mécanistes qui persistent sous l'effet d'une intervention. Il n'est pas clair si les plongements spatiaux peuvent prédire les réponses aux perturbations hors échantillon ou récupérer des modèles de réorganisation induits par des médicaments qui se transfèrent d'un agent chimique à un autre. En protéomique spatiale, cette exigence est stricte, car les effets de traitement impliquent non seulement le déplacement des protéines, mais aussi un remodelage subcellulaire coordonné et une réorganisation des voisinages.

Méthodologie : Le cadre SVC-Probe
Les auteurs introduisent SVC-Probe, un cadre de diagnostic conçu pour évaluer la généralisation des perturbations dans les plongements de modèles de fondation spatiaux. Le cadre intègre trois modules complémentaires appliqués à l'atlas de perturbation chimique CM4AI MDA-MB-468 (462 étiquettes d'anticorps, conditions contrôle, paclitaxel et vorinostat) en utilisant des plongements SubCell de dimension 1536 :

1. Stabilité de l'Atlas des Plongements Subcellulaires (SEAS) : Ce module quantifie la stabilité des plongements de protéines individuelles sous perturbation. Il calcule un score de stabilité $S(P) \in (0, 1]$ basé sur la dérive du centroïde géodésique et le ratio de dispersion des nuages de plongements par cellule. Les protéines sont classées comme stables, plastiques ou de niveau intermédiaire selon les intervalles de confiance de bootstrap.
2. Graphes de Voisinage Mondrian (MNG) : Ce module analyse la réorganisation des voisinages de co-localisation locale. Il construit une matrice de similitude cosinus étiquette par étiquette pour identifier les voisins mutuels de top-$k$ et calcule une métrique de renouvellement $R(P)$ représentant la fraction de voisins perdus ou gagnés sous traitement. La détection de communautés de Leiden est utilisée pour délimiter des sous-systèmes fonctionnels, visualisés sous forme de mises en page de style Mondrian.
3. Sonde de Perturbation de Modèle de Fondation (FMP) : Ce module teste la capacité prédictive de l'espace latent. Une tête de régression est entraînée pour prédire le centroïde de la condition de médicament $\hat{\mu}(P,c)$ en utilisant le centroïde de contrôle $\mu(P,ctrl)$ et un jeton de perturbation appris. Le cadre emploie une stratégie d'évaluation Leave-One-Drug-Out (LODO) pour évaluer la transférabilité entre les médicaments, distinguant l'ajustement intra-domaine de la véritable généralisation. Il utilise également une approche de « calibration nulle », comparant le couplage réel des médicaments à des séparations contrôle-contre-contrôle pour isoler les signaux spécifiques aux médicaments de la géométrie générique des plongements.

Résultats clés

• Classification vs Généralisation : Bien que les plongements SubCell aient atteint une précision élevée (98,6 %) pour distinguer les trois conditions de médicaments observées, cette performance ne s'est pas traduite par une généralisation de la perturbation. Dans le contexte LODO, la similitude cosinus de la sonde de perturbation apprise a chuté drastiquement de 0,944 (intra-domaine) à 0,30, indiquant un échec de la transmission des structures de perturbation apprises à des médicaments non observés. En revanche, les lignes de base simples (identité et décalage global) sont restées stables, suggérant que le modèle appris capture des artefacts spécifiques aux médicaments plutôt que des mécanismes transférables.
• Calibration Nulle : La corrélation brute entre les résidus FMP et le renouvellement du voisinage était largement pilotée par la structure générique des plongements ($\rho \approx 0,21$ dans les séparations nulles). Après calibration nulle, un signal spécifique au médicament est apparu pour le vorinostat ($\rho = -0,186$), cohérent avec une réorganisation liée à la chromatine, tandis qu'aucun motif cohérent n'a été observé pour le paclitaxel, probablement en raison d'une couverture parcellaire des protéines associées aux microtubules dans le panel.
• Stabilité et Recâblage : Sur un sous-ensemble de calibration de 33 étiquettes, SEAS a correctement identifié les modificateurs de la chromatine comme étant « plastiques » sous vorinostat, tandis que les contrôles structurels restaient stables. De plus, l'analyse de corrélation de Spearman partielle a confirmé que le renouvellement du voisinage fournit des informations sur l'axe de recâblage distinct de la dérive brute du centroïde.

Signification et Revendications
L'article affirme que SVC-Probe sert de flux de travail de diagnostic réutilisable pour tester la résistance des représentations de cellules virtuelles spatiales. La principale signification réside dans la démonstration que une forte discrimination des conditions n'implique pas une généralisation de la perturbation. Les auteurs soutiennent que la généralisation de la perturbation devrait servir de benchmark plus strict et plus informatif que la simple discrimination de condition de base.

Le cadre souligne que, bien que les modèles de fondation spatiaux actuels puissent séparer efficacement les états observés, ils peuvent échouer à préserver la structure biologiquement informative sous l'effet d'une intervention. Les résultats suggèrent qu'une analyse sensible aux perturbations est nécessaire pour valider si les plongements capturent des axes mécanistiques (tels que l'axe de la chromatine sous l'inhibition de l'HDAC) plutôt que des artefacts géométriques génériques. Les auteurs positionnent ces conclusions comme génératrices d'hypothèses, notant que les signaux observés nécessitent une validation supplémentaire à travers des classes de médicaments et des lignées cellulaires plus larges.