Mosaic integration of spatial multi-omics with SpaMosaic

Cet article présente SpaMosaic, un outil évolutif basé sur l'apprentissage contrastif et les réseaux de neurones graphiques qui intègre de manière robuste des données multi-omiques spatiales hétérogènes pour identifier des domaines spatiaux cohérents, corriger les effets de lot et imputer avec précision les modalités manquantes afin de construire des atlas biologiques complets.

L'essentiel

🧩 Le Grand Puzzle de la Carte du Corps Humain

Imaginez que vous essayez de dessiner une carte complète et détaillée d'une ville très complexe (comme votre cerveau ou un organe). Pour faire cela, vous avez plusieurs équipes de cartographes, mais chacune d'elles ne voit qu'une partie de la ville :

• L'équipe A ne voit que les routes (l'ADN, le code génétique).
• L'équipe B ne voit que les bâtiments (les protéines, les structures).
• L'équipe C ne voit que les enseignes lumineuses (l'activité des gènes).

Le problème ? Chaque équipe a pris ses photos à des moments différents, avec des appareils photo différents, et parfois elles ont photographié des quartiers légèrement différents. Si vous essayez de coller ces photos ensemble, ça ne correspond pas : les routes de l'équipe A ne touchent pas les bâtiments de l'équipe B, et les couleurs sont décalées. C'est ce qu'on appelle le "bruit" et les "effets de lot" (batch effects) en science.

Jusqu'à présent, il était très difficile de fusionner ces pièces de puzzle éparses pour avoir une vue d'ensemble cohérente.

🚀 La Solution : SpaMosaic, le "Super-Collage" Intelligent

Les auteurs de cet article ont créé un outil appelé SpaMosaic. On peut le voir comme un chef d'orchestre génial ou un traducteur universel qui prend toutes ces photos imparfaites et les assemble en une seule carte parfaite.

Voici comment il fonctionne, avec des analogies simples :

1. Le Traducteur de Langues (Apprentissage Contrastif)

Imaginez que l'équipe A parle "Langue Route" et l'équipe B parle "Langue Bâtiment". Elles ne se comprennent pas.
SpaMosaic utilise une technique appelée apprentissage contrastif. C'est comme si le chef d'orchestre prenait deux personnes qui parlent des langues différentes mais qui parlent de la même rue. Il leur dit : "Vous êtes au même endroit, donc vous devez faire partie du même groupe !".
Il apprend à traduire les "routes" en "bâtiments" et vice-versa, créant une langue commune (un espace latent) où toutes les données peuvent se rencontrer, peu importe d'où elles viennent.

2. Le Réseau de Voisins (Réseaux de Neurones Graphiques)

Dans une ville, votre maison est liée à celle de votre voisin. SpaMosaic ne regarde pas juste les données en vrac ; il respecte la géographie.
Il utilise un réseau de neurones graphiques (GNN). Imaginez un filet invisible qui relie chaque point de données à ses voisins immédiats. Si un point de données est un peu "bruyant" ou erroné, le filet le compare à ses voisins pour deviner ce qu'il devrait être. Cela permet de lisser les erreurs et de rendre la carte plus nette, comme si on nettoyait une photo floue en regardant les pixels autour.

3. Le Détective qui Comble les Trou (Imputation)

C'est la partie la plus magique. Parfois, une équipe a oublié de prendre une photo d'un quartier, ou une équipe n'a pas de caméra pour un type de bâtiment spécifique.
SpaMosaic agit comme un détective. Il dit : "Je sais que dans ce quartier, il y a généralement des écoles et des parcs, car mes voisins (les autres sections) m'ont dit que c'est comme ça."
Il devine et remplit les trous manquants avec une grande précision. Il peut prédire l'activité des gènes dans une zone où seule la structure a été mesurée, en se basant sur ce qu'il a appris des autres zones.

🏆 Pourquoi c'est une Révolution ?

L'article montre que SpaMosaic bat tous les autres outils existants sur plusieurs points :

• Précision : Il identifie les zones du cerveau (ou d'autres tissus) beaucoup mieux que les anciennes méthodes, même avec des données très bruyantes.
• Flexibilité : Il peut mélanger des données de technologies différentes (comme des photos prises avec un iPhone et un appareil professionnel) et de tailles différentes.
• Échelle : Il est assez puissant pour gérer des cartes gigantesques avec des centaines de milliers de points, ce qui était impossible auparavant.

🌟 En Résumé

SpaMosaic est un outil informatique qui prend des morceaux de cartes biologiques éparses, bruités et incomplets, et les assemble en une carte maîtresse claire et complète.

Au lieu de devoir tout mesurer sur une seule et même tranche de tissu (ce qui est très cher et difficile), les scientifiques peuvent maintenant prendre des mesures différentes sur des tranches différentes, et utiliser SpaMosaic pour les fusionner. C'est comme si on pouvait reconstruire l'histoire complète d'un crime en interrogeant plusieurs témoins qui n'ont vu que des fragments de l'événement, mais qui, une fois réunis par ce détective intelligent, racontent toute l'histoire avec une précision incroyable.

C'est une étape majeure pour créer des atlas biologiques complets qui nous aideront à mieux comprendre comment notre corps fonctionne et comment guérir les maladies.

Résumé technique

1. Problématique

L'avènement des technologies d'omique spatiale permet d'étudier l'hétérogénéité cellulaire dans son contexte tissulaire. Cependant, les expériences multi-omiques simultanées (mesurant plusieurs types de données comme l'ARN, la protéine, l'accessibilité chromatinienne ou les modifications d'histones sur la même section) sont techniquement difficiles, coûteuses et souvent limitées en résolution ou en sensibilité.

En conséquence, la majorité des données disponibles proviennent de sections tissulaires différentes, chacune ne contenant qu'un sous-ensemble de modalités omiques (par exemple, une section avec de l'ARN, une autre avec de l'ATAC-seq). L'intégration de ces données hétérogènes, provenant de sections partiellement chevauchantes en termes de modalités, est appelée intégration mosaïque.

Les défis majeurs incluent :

• Hétérogénéité des modalités : Harmoniser des données de nature différente (transcriptome, épigénome, protéome).
• Biais techniques (Batch effects) : Réduire les variations techniques entre les sections, les technologies et les stades de développement.
• Préservation du contexte spatial : Utiliser l'information spatiale pour guider l'intégration, ce que les méthodes d'intégration de cellules uniques classiques ignorent.
• Imputation : Reconstruire les modalités manquantes dans certaines sections pour créer une carte complète.

Les méthodes existantes sont soit conçues pour l'intégration diagonale (pas de modalités partagées), soit pour l'intégration verticale (mêmes modalités, sections différentes), mais aucune ne gère efficacement le cas général de l'intégration mosaïque spatiale.

2. Méthodologie : SpaMosaic

SpaMosaic est un cadre d'apprentissage automatique conçu pour intégrer des données mosaïques spatiales en construisant un espace latent agnostique aux modalités et corrigé des biais de lot.

Architecture et Pipeline :

1. Prétraitement et Réduction de dimension : Pour chaque modalité, les données sont normalisées et les caractéristiques variables sont sélectionnées. Une décomposition SVD est appliquée, suivie d'une correction des biais de lot intra-modalité (via Harmony ou Seurat).
2. Construction de Graphes Hétérogènes : SpaMosaic construit un graphe d'adjacence pour chaque modalité combinant deux types de liens :
   • Liens spatiaux : Voisins géographiques immédiats au sein de la même section.
   • Liens basés sur les caractéristiques omiques : Voisins mutuels (MNN - Mutual Nearest Neighbors) entre les sections, reliant des spots similaires biologiquement mais situés sur des sections différentes. Un mécanisme de détection d'outliers (Isolation Forest) filtre les paires MNN bruyantes.
3. Encodage par Réseaux de Neurones Graphiques (GNN) :
   • Un Light Graph Convolution Network (LGCN) pondéré est utilisé pour encoder les informations spécifiques à chaque modalité et la structure du graphe en des embeddings.
   • Ce choix permet de capturer efficacement la proximité spatiale et la similarité des caractéristiques omiques.
4. Apprentissage Contrastif :
   • Le cœur de l'algorithme est un cadre d'apprentissage contrastif.
   • Paires positives : Les embeddings de deux modalités différentes mesurées sur le même spot (ou des spots correspondants) sont rapprochés.
   • Paires négatives : Les embeddings de spots différents (au sein de la même section ou entre sections) sont éloignés.
   • Cela aligne les modalités tout en préservant la variabilité biologique entre les spots.
5. Reconstruction de caractéristiques : Pour les spots ne possédant qu'une seule modalité, un objectif de reconstruction (via un décodeur MLP) est ajouté pour préserver la variabilité inter-spots.
6. Imputation : Une fois l'espace latent aligné, les modalités manquantes sont imputées en utilisant les informations des voisins les plus proches dans cet espace latent unifié (approche kNN), évitant ainsi les prédictions directes par réseau de neurones pour une meilleure interprétabilité.

3. Contributions Clés

• Premier outil d'intégration mosaïque spatiale : SpaMosaic est conçu spécifiquement pour gérer des ensembles de données où les sections partagent certaines modalités mais pas toutes, sans nécessiter d'enregistrement d'images (image registration) préalable.
• Intégration spatiale et modale : Contrairement aux méthodes précédentes, il utilise simultanément la proximité spatiale et la similarité des profils omiques pour guider l'alignement.
• Imputation robuste : Capacité à reconstruire des données manquantes (ex: épigénome sur une section où seule l'ARN est mesurée) en exploitant les corrélations apprises entre modalités via les sections de pont.
• Évolutivité : Le modèle est capable de traiter des centaines de sections et des centaines de milliers de spots (plus de 800 000 spots par section testée).

4. Résultats

Les auteurs ont évalué SpaMosaic sur des données simulées et plusieurs jeux de données réels complexes (cerveau de souris embryonnaire et postnatal, ganglion lymphatique, amygdale) couvrant l'ARN, l'ATAC, les modifications d'histones (H3K4me3, H3K27ac, H3K27me3) et les protéines.

• Benchmarking sur données simulées : SpaMosaic a surpassé les méthodes de pointe (Cobolt, scMoMaT, StabMap, MIDAS, CLUE, MultiVI) dans la récupération des facteurs spatiaux cachés, la réduction du bruit et l'alignement des modalités, mesuré par des métriques comme l'ARI (Adjusted Rand Index), le PAS (Percentage of Abnormal Spots) et le CHAOS score.
• Intégration de cerveaux embryonnaires (Misar-seq) : SpaMosaic a identifié des régions cérébrales anatomiques cohérentes (pallium dorsal, sous-pallium, thalamus, etc.) à travers différents stades de développement (E13.5 à E18.5) et modalités, là où d'autres méthodes échouaient à distinguer les structures ou produisaient des clusters bruyants.
• Intégration de cerveaux postnataux (résolutions et tailles variables) : Le modèle a réussi à intégrer des sections de tailles et de résolutions très différentes (de 20 µm à 55 µm, de 2 700 à 98 000 spots), en préservant la stratification des couches corticales et en alignant les données ATAC et histone.
• Imputation et découverte biologique :
  • Dans un jeu de données cerveau de souris, l'imputation des modifications d'histones manquantes a permis de révéler des liens régulateurs régionaux spécifiques (ex: gènes liés à la différenciation des oligodendrocytes dans le corps calleux) qui n'étaient pas détectables avec les données d'accessibilité chromatinienne (ATAC) seules.
  • Les profils imputés ont montré des corrélations plus fortes avec l'expression génique que les données mesurées directement, grâce à l'agrégation d'informations provenant de multiples sections.
• Intégration à grande échelle : Sur un jeu de données combinant six stades de développement et deux technologies (Misar-seq et Stereo-seq), SpaMosaic a produit des domaines spatiaux cohérents et biologiquement pertinents, surpassant les autres méthodes en termes de continuité spatiale.

5. Signification et Impact

SpaMosaic représente une avancée majeure pour la construction d'atlas biologiques spatiaux multi-omiques complets.

• Flexibilité : Il permet d'exploiter la vaste quantité de données existantes générées par des technologies différentes et sur des sections non adjacentes, sans nécessiter de co-profilage coûteux sur la même section.
• Découverte de mécanismes : En permettant l'imputation précise de modalités manquantes, il ouvre la voie à la découverte de relations régulatrices entre l'épigénome et le transcriptome dans des régions spécifiques, même sans données co-mesurées.
• Évolutivité future : L'architecture basée sur les graphes et l'apprentissage contrastif offre une base solide pour l'analyse de données à très grande échelle et l'intégration de nouvelles modalités (comme les images histologiques) à l'avenir.

En résumé, SpaMosaic fournit un cadre unifié et robuste pour transformer des données spatiales hétérogènes et fragmentées en une représentation biologique cohérente et complète, facilitant ainsi une compréhension plus profonde de l'organisation tissulaire et du développement.