Pan-cell-type prediction of splicing patterns from sequence and splicing factor expression

Ce papier présente PanExonNet, un cadre d'apprentissage profond qui prédit les motifs d'épissage à l'échelle de tous les types cellulaires en intégrant la séquence génomique et l'expression des facteurs d'épissage, surpassant ainsi les modèles existants en précision contextuelle et en capacité de généralisation à de nouveaux contextes cellulaires.

L'essentiel

🧬 Le Problème : Le Livre de Recettes qui change selon le Chef

Imaginez que votre ADN est un livre de recettes géant contenant les instructions pour construire chaque partie de votre corps. Mais il y a un problème : ce livre ne contient pas une seule recette fixe. Il contient des options.

Par exemple, pour faire un gâteau, le livre dit : "Ajoutez des noix".

• Dans une cuisine de Paris (une cellule de cerveau), le chef décide d'ajouter beaucoup de noix.
• Dans une cuisine de Tokyo (une cellule de peau), le chef décide de ne pas en mettre du tout.

Ce processus s'appelle l'épissage alternatif. C'est la capacité d'une cellule à choisir quelles parties de l'ADN utiliser et lesquelles ignorer pour créer des protéines différentes. Si ce choix se trompe, cela peut causer des maladies comme le cancer ou la maladie d'Alzheimer.

🤖 Le Défi des Anciens Robots (Les Modèles Actuels)

Jusqu'à présent, les ordinateurs (les modèles d'intelligence artificielle) qui essayaient de prédire ces choix étaient un peu bêtes.

• L'ancienne méthode : Pour prédire ce que ferait un chef parisien, il fallait entraîner un robot spécial "Paris". Pour un chef de Tokyo, un robot spécial "Tokyo".
• Le problème : Si vous vouliez prédire ce que ferait un chef dans une cuisine inconnue (par exemple, une cellule malade ou un nouveau type de tissu), vous étiez coincé. Vous ne pouviez pas utiliser les robots existants. De plus, si un chef changeait ses habitudes à cause d'un médicament, les robots ne comprenaient pas.

C'était comme avoir une clé pour chaque porte, mais pas de passe-partout.

🚀 La Solution : PanExonNet, le "Chef Universel"

Les chercheurs de GSK ont créé un nouveau modèle appelé PanExonNet. Voici comment il fonctionne, avec une analogie simple :

1. La Carte d'Identité du Chef (L'État d'Épissage)

Au lieu d'entraîner un robot par ville, PanExonNet demande au chef : "Qui êtes-vous et quels ingrédients avez-vous sous la main ?"
Le modèle regarde la liste des facteurs d'épissage (des protéines qui agissent comme des chefs d'orchestre ou des assistants de cuisine). En fonction de la quantité de ces assistants présents dans la cellule, le modèle comprend l'"ambiance" de la cellule.

• Analogie : C'est comme si le modèle ne regardait pas seulement la recette (l'ADN), mais aussi l'humeur et les outils du chef pour deviner comment la recette sera modifiée.

2. Le Moteur Adaptatif (Convolutions Contextuelles)

Le cœur de PanExonNet utilise une nouvelle technologie appelée "convolutions contextualisables".

• Analogie : Imaginez un filtre de caméra intelligent. Si vous êtes dans un environnement sombre, le filtre s'ajuste automatiquement pour éclaircir l'image. Si vous êtes sous la pluie, il ajuste la netteté.
• Ici, le modèle ajuste sa lecture de l'ADN en temps réel selon l'ambiance de la cellule. Il n'a pas besoin d'être réentraîné pour chaque nouvelle cellule. C'est un passe-partout universel.

3. Apprendre des Erreurs et des Expériences

Ce modèle a été entraîné non seulement sur des cellules saines, mais aussi sur des cellules de cancer où les chercheurs ont "éteint" (knockdown) certains assistants de cuisine pour voir ce qui se passait.

• Résultat : Le modèle a appris à comprendre la logique profonde de la cuisine. Même s'il voit une cuisine qu'il n'a jamais visitée, il peut prédire comment le chef va modifier la recette, car il comprend les règles du jeu, pas juste la mémoire des plats passés.

🌟 Pourquoi c'est une Révolution ?

1. Généralisation : Le modèle fonctionne sur des cellules qu'il n'a jamais vues auparavant. C'est comme si vous pouviez prédire comment un nouveau type de cuisine fonctionnerait juste en regardant la liste de ses ingrédients.
2. Précision : Il prédit non seulement si une partie de la recette sera utilisée, mais aussi comment les morceaux seront assemblés (les jonctions).
3. Applications futures :
   • Médecine personnalisée : On pourrait prédire comment un médicament affectera l'ADN d'un patient spécifique.
   • Thérapies : Concevoir des médicaments (comme des oligonucléotides) pour corriger les erreurs de lecture dans les cellules malades.
   • Diagnostic : Détecter des maladies en observant comment les cellules "lisent" leur ADN, même dans des tissus difficiles à atteindre.

En Résumé

PanExonNet est un super-ordinateur qui ne se contente pas de lire le livre de recettes de l'ADN. Il comprend aussi qui lit le livre (le type de cellule) et comment l'ambiance (les protéines présentes) influence la lecture. Grâce à cela, il peut prédire avec une grande précision comment nos cellules fabriquent leurs protéines, que ce soit dans un cerveau sain, une tumeur cancéreuse ou une cellule que nous n'avons jamais étudiée auparavant.

C'est un pas de géant vers une médecine plus intelligente, capable de s'adapter à la complexité infinie de la vie humaine.

Résumé technique

1. Problématique et Contexte

L'épissage alternatif est un déterminant clé de l'expression génique spécifique aux types cellulaires chez l'homme. Sa dysrégulation est impliquée dans de nombreuses maladies (neurodégénérescence, auto-immunité, cancer). Bien que les modèles d'apprentissage profond actuels excellent à prédire l'expression génique à partir de séquences d'ADN (régulation cis), ils peinent à modéliser le contexte cellulaire dynamique (régulation trans).

Limitations des approches existantes :

• Spécialisation rigide : Les modèles de pointe (comme Borzoi, Pangolin) entraînent généralement des "têtes" (heads) distinctes pour chaque type de tissu ou de cellule. Cela suppose des types cellulaires discrets et prédéfinis.
• Manque de généralisation : Cette architecture empêche l'apprentissage à partir de transcriptomes pathologiques, de lignées cellulaires ou de perturbations expérimentales qui ne correspondent pas aux catégories préétablies.
• Données limitées : La plupart des modèles n'utilisent que des séquences de génome de référence, ignorant les variations individuelles (SNPs, indels) et les aneuploïdies.

2. Méthodologie : PanExonNet

Les auteurs proposent PanExonNet, un cadre d'apprentissage profond qui intègre la régulation cis (séquence) et trans (facteurs d'épissage) pour prédire les profils d'épissage avec une résolution au nucléotide unique.

Architecture et Concepts Clés

• État d'épissage ("Splicing State") : Au lieu d'utiliser une étiquette de type cellulaire, le modèle infère un état d'épissage continu à partir de l'expression (TPM) d'un panel de 277 facteurs d'épissage (principalement des protéines de liaison à l'ARN et des composants du spliceosome). Cet état module la prédiction.
• Convolution Contextualisable (Contextualizable Convolutions) : C'est une innovation majeure. Les couches ConvNeXt sont modifiées pour que leurs poids soient dynamiquement ajustés en fonction de l'embedding de l'état d'épissage. Cela permet au modèle d'adapter sa lecture de la séquence génomique au contexte cellulaire spécifique sans nécessiter de têtes séparées.
• Entrées :
  • Séquences : Séquences diploïdes d'individus spécifiques (incluant variants et indels) ou avec aneuploïdie (pour les lignées cancéreuses). Les deux allèles sont projetés sur le génome de référence.
  • Contexte : Vecteur d'expression génique des facteurs d'épissage.
• Sorties :
  • 4 pistes (tracks) à résolution nucléotidique : Couverture, utilisation des sites donneurs, utilisation des sites accepteurs, et introns.
  • Usage des jonctions : Prédiction explicite des paires donneur-accepteur (jonctions), au-delà de simples sites d'épissage.
• Entraînement :
  • Données : GTEx v8 (tissus sains) + KD-RNA-seq (données de knockdown de protéines de liaison à l'ARN dans des lignées cancéreuses).
  • Objectif : Prédire la distribution relative des isoformes (profils type "Sashimi plot") plutôt que l'expression absolue, en utilisant une similarité cosinus pondérée.

3. Contributions Clés

1. Généralisation Pan-Cellulaire : PanExonNet est le premier modèle DNA-to-RNA capable de généraliser à des types cellulaires non vus lors de l'entraînement, en se basant uniquement sur l'expression des facteurs d'épissage.
2. Intégration des Variations Génétiques : Le modèle s'entraîne sur des génomes individuels diploïdes et gère les variations de nombre de copies (aneuploïdie), contrairement aux modèles basés uniquement sur le génome de référence.
3. Prédiction des Jonctions : Contrairement à la plupart des modèles, PanExonNet prédit explicitement l'usage des jonctions d'épissage (donneur-accepteur), permettant de résoudre des motifs complexes (exons mutuellement exclusifs).
4. Nouvelle Métrique de Performance : Introduction de la corrélation $\Delta$PSI (déviation par rapport à la médiane d'inclusion d'un exon) pour évaluer spécifiquement la capacité du modèle à capturer les variations spécifiques au contexte, et non seulement les tendances générales.
5. Module Réutilisable : La couche de convolution contextualisable est proposée comme un module modulaire bénéfique pour toute modélisation de séquences génomiques nécessitant une spécificité contextuelle.

4. Résultats Principaux

• Supériorité sur les modèles Multi-Têtes : PanExonNet surpasse significativement les modèles basés sur des têtes spécifiques aux tissus (comme Borzoi et Pangolin) en termes de spécificité tissulaire (mesurée par $\Delta$PSI-corr), même sur des tissus d'entraînement.
• Généralisation à des cellules invisibles : Le modèle maintient une haute performance sur des tissus tenus en réserve (held-out) et des lignées cellulaires non vues, démontrant sa capacité à apprendre la régulation de l'épissage de manière transférable.
• Impact des Données de Perturbation : L'ajout de données KD-RNA-seq (knockdown) à l'entraînement améliore la généralisation aux types cellulaires non vus, prouvant que l'apprentissage sur des perturbations expérimentales renforce la robustesse du modèle.
• Synergie des Objectifs : L'ajout d'une tête de prédiction de jonctions améliore non seulement la prédiction des jonctions, mais booste également la précision des pistes d'épissage (tracks) pour la prédiction de l'inclusion d'exons.
• Valeur Prédictive Positive : Bien que le modèle ait du mal à prédire les déviations mineures (faux négatifs), il présente une très forte valeur prédictive positive : lorsqu'il prédit une forte déviation, celle-ci est très probablement correcte.

5. Signification et Perspectives

Ce travail établit une fondation évolutive pour les modèles DNA-to-RNA de nouvelle génération.

• Applications Cliniques : Potentiel pour améliorer la prédiction des effets des variants génétiques, la conception de thérapies oligonucléotidiques et la découverte de biomarqueurs dans des contextes cellulaires diversifiés (y compris les tissus non accessibles cliniquement).
• Modélisation Causale : L'approche ouvre la voie à l'apprentissage actif ("lab-in-the-loop") où les données de perturbation peuvent affiner continuellement le modèle pour comprendre la causalité de la spécificité contextuelle.
• Limites et Futur : Le modèle suppose que l'état d'épissage est entièrement déterminé par l'expression des facteurs (ignorant les mutations de ces facteurs ou les modifications post-traductionnelles). Les auteurs prévoient d'étendre le modèle avec plus de données (ENCODE, CCLE), de séquences longue lecture et d'augmenter le panel de facteurs régulateurs.

En résumé, PanExonNet représente un changement de paradigme passant d'une classification cellulaire rigide à une modélisation continue et contextuelle de l'épissage, permettant une prédiction précise et généralisable à travers le spectre des états cellulaires humains.