CLADES - Contrastive Learning Augmented DifferEntial Splicing with Orthologous Positive Pairs

Le papier présente CLADES, une méthode d'apprentissage contrastif pré-entraîné sur des paires orthologues qui exploite la conservation évolutive pour générer des représentations robustes permettant de prédire avec précision et interprétabilité les variations de splicing alternatif entre différents contextes biologiques.

L'essentiel

🧬 CLADES : Le détective de l'évolution qui devine les secrets de l'ADN

Imaginez que votre corps est une immense usine de production. Dans cette usine, l'ADN est le livre de recettes géant. Mais il y a un problème : ce livre contient des milliers de recettes, et selon que vous êtes un muscle, un neurone ou une cellule de peau, vous n'avez pas besoin de toutes les mêmes recettes en même temps.

C'est là qu'intervient un mécanisme incroyable appelé épissage alternatif (ou Alternative Splicing). C'est comme si le chef cuisinier prenait le même livre de recettes et décidait, selon le contexte, d'ajouter ou d'enlever certains ingrédients (les exons) pour créer des plats différents. Parfois, il faut ajouter un peu de piment (un exon), parfois le retirer.

Le problème ?
Prédire quand et comment le chef va modifier la recette est très difficile. C'est comme essayer de deviner la prochaine note d'une chanson en n'ayant que quelques mesures de musique, et en plus, les notes changent selon la pièce où vous êtes (le tissu ou la cellule). De plus, nous n'avons pas assez de "recettes annotées" (des données étiquetées) pour chaque type de cellule humaine.

🦕 La solution magique : CLADES

Les chercheurs ont créé un outil intelligent appelé CLADES. Pour le comprendre, utilisons une analogie simple : le jeu des "Jumeaux Séparés".

1. L'astuce des jumeaux (L'apprentissage par contraste)

Imaginez que vous avez un jumeau qui vit sur une autre planète depuis des millions d'années. Vous avez grandi séparément, vous avez des vêtements différents, et vous parlez peut-être avec un accent différent. Mais au fond, vous avez la même âme, la même structure familiale et les mêmes instincts de base.

CLADES utilise cette idée :

• Il prend un morceau d'ADN humain (par exemple, une instruction pour faire un muscle).
• Il cherche le "jumeau" de ce morceau chez d'autres animaux (souris, singes, poissons) qui ont évolué séparément.
• Même si la séquence de lettres (A, C, G, T) a changé un peu à cause du temps, la fonction reste la même.

Le modèle apprend en disant : "Tiens, ce morceau chez l'humain et ce morceau chez le singe sont comme des jumeaux. Ils doivent être très proches dans mon cerveau (mon espace de représentation), même s'ils ne se ressemblent pas à l'œil nu."

C'est comme entraîner un détective à reconnaître la famille, peu importe les vêtements que les membres portent.

2. Pourquoi c'est génial ?

Habituellement, pour apprendre à prédire ces changements, il faut des milliers d'exemples étiquetés par des humains (ce qui est long et cher). CLADES, lui, utilise l'évolution comme un professeur gratuit.

• Il apprend tout seul en comparant des millions de "jumeaux" à travers l'arbre de la vie.
• Il découvre les règles cachées de l'usine biologique sans avoir besoin qu'on lui dise explicitement "ici, on ajoute un exon".

3. Le résultat : Une prédiction précise

Une fois ce "cerveau" entraîné, on lui donne une nouvelle tâche : prédire comment l'épissage va changer entre deux types de cellules (par exemple, entre un neurone sain et un neurone malade).

Les résultats sont impressionnants :

• Précision : CLADES devine mieux que les meilleurs modèles actuels si un exon va être ajouté ou retiré.
• Robustesse : Même s'il n'a que peu de données pour un type de cellule rare, il réussit bien car il a appris les "grandes règles" de l'évolution.
• Compréhension : Le modèle ne fait pas que deviner au hasard ; il regarde les bons endroits (les zones critiques de l'ADN) pour prendre sa décision, un peu comme un expert qui regarde les étiquettes nutritionnelles plutôt que la couleur du paquet.

🎯 En résumé

CLADES, c'est comme donner à un ordinateur un livre d'histoire de l'évolution pour qu'il apprenne à lire les recettes de la vie.

• Au lieu de mémoriser par cœur chaque recette humaine, il comprend la logique derrière la cuisine biologique en comparant les humains avec leurs cousins animaux.
• Grâce à cela, il peut prédire avec une grande précision comment nos cellules ajustent leurs productions, ce qui ouvre la porte à mieux comprendre les maladies et à inventer de nouveaux traitements.

C'est une belle démonstration de comment l'histoire de la vie (l'évolution) peut nous aider à décoder le futur de la médecine grâce à l'intelligence artificielle.

Résumé technique

1. Problématique

L'épissage alternatif (AS) est un mécanisme clé permettant d'élargir la diversité des transcrits et des protéines chez les eucaryotes. Bien que le séquençage de l'ARN permette de quantifier l'inclusion des exons (notée $\psi$), la prédiction des changements d'épissage différentiel ($\Delta\psi$) entre différents contextes biologiques (tissus, types cellulaires, états pathologiques) reste un défi majeur.

Les difficultés principales sont :

• Le manque d'étiquettes : Les données d'ARN-seq contextuelles sont limitées et coûteuses à obtenir pour de nombreux tissus ou types cellulaires.
• La variabilité expérimentale : Les protocoles expérimentaux introduisent du bruit (biais de contenu GC, etc.).
• La complexité des régulations : Les programmes régulateurs dépendent de motifs courts, de protéines de liaison à l'ARN (RBP) et de contextes positionnels, créant des dépendances non linéaires complexes difficiles à capturer avec des caractéristiques manuelles.

Les modèles existants (comme MTSplice) prédisent bien l'inclusion moyenne ($\psi$) mais peinent à prédire avec précision les variations spécifiques au contexte ($\Delta\psi$) à partir de la séquence seule.

2. Méthodologie : CLADES

CLADES propose une approche d'apprentissage de représentations par apprentissage contrastif (Contrastive Learning - CL) ancrée dans la conservation évolutive.

A. Concept Fondamental : Paires Positives Orthologues (OPP)

L'idée centrale est que les programmes régulateurs contrôlant l'inclusion des exons sont profondément conservés à travers l'évolution, même si les séquences nucléotidiques divergent.

• Paires Positives : Les séquences de jonction exon-intron d'orthologues (exons homologues chez différentes espèces vertébrées) sont traitées comme des "vues" sémantiquement cohérentes du même programme régulateur.
• Paires Négatives : Les jonctions non homologues servent de négatifs.
• Objectif : L'apprentissage contrastif aligne les embeddings des orthologues tout en séparant les séquences non apparentées. Cela force le modèle à apprendre des invariances aux variations de séquence non contraintes tout en mettant l'accent sur les signaux de motifs conservés (RBP, sites d'épissage).

B. Architecture du Modèle

1. Pré-entraînement (Auto-supervisé) :

   • Entrée : Séquences d'ADN comprenant 300 pb d'introns flanquants et 100 pb d'exons (5' et 3').
   • Encodage : Utilisation d'une architecture CNN-Spline parallèle (inspirée de MTSplice) pour capturer les motifs dépendants de la position.
   • Objectif de perte : Perte contrastive supervisée ($L_{sup}$) généralisant le NT-Xent, permettant d'avoir plusieurs vues positives (M orthologues) par ancre.
   • Données : Alignements Multiz100way de génomes vertébrés (80% entraînement, 10% validation).

2. Fine-tuning (Supervisé) :

   • Tâche : Prédire $\Delta\psi$ (changement d'inclusion) pour des tissus (dataset ASCOT) ou des types cellulaires (dataset Tabula Sapiens).
   • Architecture : La tête d'apprentissage légère est ajoutée à l'encodeur pré-entraîné.
   • Sortie : Prédiction de logits d'inclusion spécifiques au contexte, combinés à l'inclusion moyenne de l'exon.
   • Perte : Divergence de Kullback-Leibler (KL) entre les niveaux d'inclusion prédits et observés.

C. Cadres de Classification Interprétables

Pour rendre les prédictions biologiquement plus significatives, les auteurs introduisent deux tâches de classification :

• TSRC (Tissue-Specific Regulation Classification) : Prédire la direction du changement (augmenté, diminué, inchangé) par rapport à la ligne de base.
• ELRC (Exon-Level Regulation Classification) : Détecter les changements d'inclusion pour des exons hautement ou faiblement exprimés.

3. Résultats Clés

A. Évaluation sur le Dataset ASCOT (56 tissus humains)

• Performance de Régression : CLADES surpasse le modèle de l'état de l'art (MTSplice) en termes de corrélation de Spearman ($\rho$) entre $\Delta\psi$ prédit et observé sur presque tous les tissus.
  • Amélioration de 16% de la corrélation par rapport au SOTA.
  • Réduction de 0,7% de l'erreur quadratique moyenne (RMSE).
• Robustesse aux données limitées : CLADES excelle particulièrement dans les tissus avec peu de points de données (groupe "Low"), là où les modèles supervisés classiques ont tendance à surajuster.
• Classification : Le modèle obtient de meilleurs scores AUPRC et AUROC pour distinguer les exons régulés à la hausse ou à la baisse des exons inchangés.
• Analyse des caractéristiques (Saliency) : Les cartes de saillance révèlent que le modèle se concentre sur les sites d'épissage canoniques (motifs AG et GT) et les éléments régulateurs cis, confirmant l'apprentissage de signaux biologiquement pertinents.

B. Évaluation sur le Dataset Tabula Sapiens (112 types cellulaires)

• CLADES démontre une capacité de généralisation aux types cellulaires, surpassant la ligne de base (sans pré-entraînement contrastif) dans les groupes de cellules avec un nombre d'échantillons moyen et élevé.
• Sur la tâche ELRC, le modèle améliore la précision et le F1-score pour détecter la répression ou l'activation d'exons spécifiques, même dans un contexte de données de scRNA-seq bruyantes.

C. Analyse d'Ablation

• L'utilisation de fenêtres plus courtes (200 pb intron+exon) favorise la précision quantitative (régression).
• L'utilisation de fenêtres plus longues (300 pb) améliore la sensibilité aux grands changements régulateurs (classification).
• L'apprentissage contrastif est crucial : sans lui, même avec les mêmes données d'entraînement, les performances chutent significativement.

4. Contributions Principales

1. Nouvelle Stratégie d'Augmentation : Utilisation de l'évolution (paires orthologues) comme source d'augmentation de données pour l'apprentissage contrastif, palliant le manque de données étiquetées contextuelles.
2. Représentations Transférables : Création d'un espace d'embeddings qui capture des principes régulateurs généraux, transférables à travers les tissus et les types cellulaires sans supervision spécifique au contexte.
3. Cadres d'Évaluation Interprétables : Introduction des tâches TSRC et ELRC pour évaluer non seulement la magnitude du changement, mais aussi sa direction biologique.
4. Performance État de l'Art : Démonstration que l'approche "évolution comme augmentation" bat les modèles supervisés existants sur des benchmarks difficiles de prédiction d'épissage différentiel.

5. Signification et Perspectives

Ce travail établit que l'évolution encode des invariants régulateurs qui peuvent être extraits via des objectifs contrastifs. Cela valide l'hypothèse que les programmes cis-régulateurs de l'épissage contextuel possèdent une structure conservée récupérable uniquement à partir de la séquence.

Limitations et Futur :

• L'hypothèse d'orthologie n'est pas toujours vraie (exons spécifiques à une lignée).
• Les fenêtres introniques fixes peuvent manquer d'éléments régulateurs distaux.
• Le bruit inhérent aux données de scRNA-seq.
• Futur : Intégration de données multimodales (liaison RBP, position des nucléosomes), stratégies d'augmentation phylogénétiques et développement d'un "modèle fondamental" (foundation model) pour l'épissage.

En résumé, CLADES offre une voie biologiquement fondée et efficace pour résoudre le problème de la prédiction de l'épissage contextuel, en transformant la conservation évolutive en un outil puissant d'apprentissage automatique.