Résumé Technique : Estimation de Réseaux Statistiques Augmentée par l'IA avec des Plongements de Gènes Proxys

Formulation du Problème

L'article traite du défi statistique consistant à récupérer des réseaux d'interactions gène-gène latents lorsque le réseau cible n'est observé que sur un ensemble restreint de gènes ($Q$), alors que les modèles de fondation biomédicaux modernes fournissent des plongements (« embeddings ») de haute dimension pour un univers de gènes nettement plus large ($P \supseteq Q$).

Les méthodes existantes pour l'estimation de réseaux assistée par covariables supposent généralement que les covariables sont observées sur les mêmes nœuds que le réseau ou traitent les plongements comme des proxys bruités sur le même ensemble de nœuds exact. Ce travail considère un régime distinct où :

1. Réseau Cible ($A_Q$) : Une matrice d'adjacence observée uniquement sur un sous-ensemble de gènes $Q$.
2. Plongements Proxys ($W$) : Une matrice de plongements observée sur un ensemble plus large de gènes $P$, qui inclut $Q$ ainsi qu'un ensemble supplémentaire de gènes $Q^c = P \setminus Q$.
3. Objectif : Exploiter l'information contenue dans les plongements des gènes de $Q^c$ (qui n'ont aucune donnée de réseau observée) pour améliorer l'estimation des positions latentes $U_Q$ des gènes cibles, améliorant ainsi le débruitage du réseau, la détection de communautés et l'imputation de liens.

Les auteurs formalisent cela via un modèle à facteurs latents conjoint où le réseau et les plongements sont tous deux des observations bruitées d'une géométrie latente partagée de faible dimension $U \in \mathbb{R}^{n_P \times k}$ :
$$\mathbb{E}[A_Q | U_Q] = U_Q U_Q^\top, \quad \mathbb{E}[W | U] = U B^\top$$
où $B$ projette les facteurs latents vers l'espace des plongements.

Méthodologie : PLANE

Les auteurs proposent la méthode Proxy-Latent Assisted Network Estimation (PLANE), un estimateur conjoint à pondération adaptative.

1. Fonction d'Objectif

PLANE minimise un critère de moindres carrés pondéré combinant les erreurs de reconstruction du réseau et des plongements :
$$\ell(U, B) = \lambda_1 \|A_Q - U_Q U_Q^\top\|_F^2 + \lambda_2 \|W - U B^\top\|_F^2$$
où $\lambda_1 + \lambda_2 = 1$. Les poids $(\lambda_1, \lambda_2)$ équilibrent l'information provenant du canal du réseau et du canal des plongements.

2. Algorithme d'Optimisation

Pour résoudre ce problème non convexe, les auteurs utilisent un schéma de descente de gradient normalisée par blocs (Algorithme 1). Contra à une descente de gradient standard, les étapes de mise à jour sont mises à l'échelle par des matrices de Gram spécifiques aux blocs (par exemple, $G_{U_Q} = 4\lambda_1 U_Q^\top U_Q + 2\lambda_2 B^\top B$). Cette normalisation :

• Prend en compte la courbure locale du paysage de perte.
• Réduit la sensibilité aux valeurs singulières hétérogènes et aux déséquilibres d'échelle.
• Facilite une analyse récursive plus claire de l'erreur d'estimation.

L'algorithme met à jour de manière itérative $U_Q$ (positions latentes cibles), $U_{Q^c}$ (positions latentes propres aux plongements) et $B$ (chargements), en alignant les itérés via une rotation de Procruste à chaque étape pour gérer la non-identifiabilité rotationnelle.

Contributions Clés et Résultats Théoriques

1. Identification et Limites d'Ordre Zéro

• Identifiabilité : Sous des conditions de rang modérées (rang de colonne complet de $U_Q$ et $B$), la paire $(U, B)$ est identifiable à une transformation orthogonale près. Il est démontré que le canal du réseau est essentiel pour supprimer l'indéterminabilité linéaire inhérente aux modèles factoriels basés uniquement sur les plongements.
• Analyse d'Ordre Zéro : Les auteurs démontrent qu'une analyse d'optimalité d'ordre zéro (comparant la valeur de l'objectif de l'estimateur à la vérité) produit une borne précise sur la perte de reconstruction pondérée. Cependant, cette approche est insuffisante pour caractériser l'échange entre les deux sources de données ou pour identifier la pondération optimale $(\lambda_1, \lambda_2)$ pour la récupération des facteurs latents eux-mêmes.

2. Dynamique de Gradient et Contraction d'Erreur

La principale contribution théorique du papier est une analyse de contraction déterministe de l'algorithme de descente de gradient normalisée.

• Erreur Pondérée par la Courbure : Les auteurs définissent une métrique d'erreur spécifique $e_t$ qui couple les erreurs de $U_Q$, $U_{Q^c}$ et $B$, pondérées par les matrices de Gram locales.
• Borne de Contraction : Ils prouvent que cette erreur se contracte géométriquement jusqu'à une tolérance statistique explicite $\Delta_S$. Cette tolérance dépend des normes d'opérateur des matrices de bruit ($D$ pour le réseau, $E$ pour les plongements) et des poids de réglage.
• Implication : Cette analyse étend la théorie de la dynamique de gradient des objectifs à réseau unique vers les modèles joints réseau-facteurs, caractérisant explicitement comment les poids $(\lambda_1, \lambda_2)$ et les niveaux de bruit affectent la convergence.

3. Pondération Optimale et Caractérisation de l'Échange

En spécialisant la borne d'erreur au bloc cible $U_Q$, les auteurs dérivent une fonction d'erreur explicite $E(\lambda_1, \lambda_2)$ qui sépare les contributions du bruit du réseau et du bruit des plongements.

• Précision (Sharpness) : Ils prouvent que la dépendance de l'erreur vis-à-vis des poids est précise (à une constante près) en la comparant à un estimateur partiel oracle.
• Poids Optimal : L'analyse produit un choix de poids optimal et adaptatif aux données. Le poids optimal $\lambda^*$ suit une identité de moyenne harmonique, équilibrant efficacement les rapports signal-sur-bruit des deux canaux.
• Garantie : La théorie garantit que l'estimateur pondéré optimal ne performe pas moins bien que le benchmark basé uniquement sur le réseau et, dans des comparaisons oracle non contraintes, ne performe pas moins bien que le meilleur des estimateurs à canal unique.

Résultats Empiriques

1. Simulations

• Pondération Adaptative : Les simulations confirment que PLANE surpondère de manière adaptative le canal des plongements lorsque les plongements proxys sont informatifs (faible bruit) et le sous-pondère lorsqu'ils le sont moins face au réseau.
• Bénéfice des Nœuds Supplémentaires : L'inclusion de nœuds possédant uniquement des plongements ($Q^c$) améliore la récupération des positions latentes cibles ($U_Q$), à condition que les plongements soient informatifs. La validation croisée parvient à sous-pondérer les proxys « nuls » qui n'apportent aucun signal supplémentaire.

2. Application sur Données Réelles : Écrans CRISPR en Cellule Unique

La méthode est appliquée au jeu de données CRISPRa Perturb-seq de Norman et al. (2019).

• Configuration : Le réseau cible ($Q$) comprend 99 gènes perturbés avec des signatures d'expression différentielle observées. Les plongements proxys ($P$) sont construits à partir d'une concaténation de plusieurs sources biologiques (voies GO, STRING, plongements texte/protéine GenePT, ESM) couvrant 1 099 gènes.
• Performance : PLANE, avec des poids validés par validation croisée ($\lambda_2 \approx 0,6$), a significativement réduit l'erreur de prédiction du réseau cible tenu de côté par rapport à une ligne de base basée uniquement sur le réseau.
• Interprétabilité Biologique : Les positions latentes estimées ont été regroupées en modules. Le module le plus important est centré autour de SLC6A9 (transporteur de glycine), tandis que d'autres modules capturent des programmes de régulation immunitaire, hématopoïétique et développementale (ex: ZBTB1, FOXL2).
• Étude d'Ablation : Le retrait de sources de plongements individuelles (ex: texte GenePT, protéine ESM) a montré que l'ensemble concaténé de plongements fournissait l'amélioration la plus robuste, indiquant que le bénéfice provient de l'intégration d'informations complémentaires plutôt que d'une source unique.

Signification et Revendications

Le papier affirme être le premier travail à caractériser l'effet global de l'estimation conjointe dans un problème d'estimation de réseau assisté par facteurs où les plongements sont disponibles sur un sur-ensemble des nœuds du réseau.

• Insight Statistique : Il résout la question du « comment pondérer » pour intégrer les données de réseau et de plongement, prouvant qu'une pondération optimale et adaptative aux données existe et peut être approximée via la validation croisée.
• Avancée Méthodologique : Il introduit un cadre de descente de gradient normalisée qui gère la non-identifiabilité rotationnelle et les échelles de bruit hétérogènes inhérentes aux modèles joints réseau-plongement.
• Utilité Pratique : Les résultats démontrent que les plongements de modèles de fondation appris de manière externe peuvent servir de proxys efficaces pour débruiter les réseaux biologiques creux et imputer des liens manquants, à condition que les plongements capturent des signaux biologiques pertinents. La méthode est robuste et dépondère automatiquement les proxys non informatifs.

Les auteurs font preuve de modestie concernant les directions futures, suggérant qu'étendre le modèle à des fonctions de lien généralisées (par exemple, pour des réseaux binaires ou signés) est une étape naturelle, mais ils ne proposent pas de nouvelles applications spécifiques au-delà de l'utilité démontrée dans l'analyse de perturbation en cellule unique.