MAP: A Knowledge-driven Framework for Predicting Single-cell Responses for Unprofiled Drugs

Le cadre MAP, qui intègre un graphe de connaissances biologiques et une stratégie de pré-entraînement pour générer des représentations mécanistiques unifiées, permet de prédire avec précision les réponses cellulaires à des médicaments non profilés grâce à une généralisation en zéro-shot surpassant les méthodes existantes.

L'essentiel

Imaginez que vous essayez de prédire comment un corps humain réagira à un nouveau médicament que vous venez de créer. C'est un peu comme essayer de deviner comment un nouveau joueur s'intégrera dans une équipe de football sans jamais l'avoir vu jouer.

Aujourd'hui, les scientifiques ont des bases de données immenses contenant les réactions de cellules à des milliers de médicaments connus. Mais le problème, c'est qu'il existe des millions de molécules chimiques possibles, et nous n'avons testé qu'une infime partie d'entre elles. Les modèles d'intelligence artificielle actuels sont comme des élèves qui ont appris par cœur les réponses d'un examen, mais qui paniquent dès qu'on leur pose une question qu'ils n'ont jamais vue. Ils ne comprennent pas pourquoi un médicament fonctionne, ils se contentent de mémoriser son nom.

Voici comment l'équipe derrière MAP a résolu ce problème avec une approche très intelligente.

1. Le Dictionnaire Universel (MAP-KG)

Au lieu de donner à l'IA une simple liste de noms de médicaments, les chercheurs ont construit un super-dictionnaire géant appelé MAP-KG.

• L'analogie : Imaginez que vous apprenez une langue. Si vous mémorisez juste des mots isolés, vous ne pourrez pas comprendre une phrase nouvelle. Mais si vous comprenez la grammaire, le sens des mots et comment ils se lient entre eux, vous pouvez comprendre n'importe quelle phrase, même celle que vous n'avez jamais lue.
• Ce que fait MAP-KG : Il relie 187 000 médicaments à 23 000 gènes en utilisant 694 000 liens de "mécanisme". Il ne dit pas juste "Le médicament A tue la cellule B". Il explique : "Le médicament A est comme une clé qui bloque la serrure du gène B, ce qui arrête la machine de la cellule." Il utilise des descriptions textuelles, des structures chimiques et des séquences de protéines pour créer ce réseau de connaissances.

2. L'Entraînement par "Contraste" (Le Jeu des Jumelles)

Avant de prédire des réactions, l'IA doit apprendre à reconnaître les ressemblances profondes entre les choses.

• L'analogie : C'est comme un jeu de "trouver les intrus" ou de "trouver les jumeaux". L'IA regarde une molécule chimique (sa structure), un texte décrivant son action, et la protéine qu'elle cible. Elle apprend à dire : "Tiens, cette molécule et ce texte parlent de la même chose, même si l'un est un dessin chimique et l'autre un paragraphe."
• Le résultat : L'IA crée une "carte mentale" où les médicaments qui agissent de la même manière (même s'ils ont des noms différents) sont placés très proches les uns des autres. Même si un médicament est totalement nouveau et n'a jamais été testé, l'IA peut dire : "Ah, ce nouveau médicament ressemble beaucoup à un médicament connu qui bloque la même voie. Donc, il va probablement avoir un effet similaire."

3. La Prédiction "Zéro Shot" (Deviner sans avoir vu)

C'est la partie la plus magique. Le modèle MAP est capable de prédire la réaction d'un médicament jamais testé sur des cellules jamais vues dans cette configuration.

• L'analogie : C'est comme si vous donniez à un chef cuisinier une recette pour un plat qu'il n'a jamais cuisiné, avec des ingrédients qu'il n'a jamais utilisés, mais en lui donnant les principes de base de la cuisine (le goût, la texture, la chimie). Grâce à sa compréhension profonde des mécanismes, il peut prédire à l'avance à quoi le plat va ressembler et comment il va goûter, sans avoir besoin de le cuisiner d'abord.
• La performance : Dans leurs tests, MAP a réussi à prédire avec une grande précision comment des cellules cancéreuses réagiraient à des médicaments qu'elles n'avaient jamais rencontrés, surpassant largement les autres modèles.

4. Le Résultat Concret : Trouver des Remèdes Plus Vite

Pourquoi est-ce important ? Parce que tester un médicament sur des cellules en laboratoire coûte cher et prend du temps.

• L'histoire vraie : Les chercheurs ont utilisé MAP pour simuler le test de 58 médicaments sur un type de cancer du poumon. Sans avoir jamais vu les résultats réels de ces médicaments sur ces cellules, MAP a réussi à identifier 4 médicaments déjà approuvés (qui fonctionnent vraiment) parmi les meilleurs candidats.
• L'analogie finale : C'est comme si vous cherchiez une aiguille dans une botte de foin, mais que MAP vous donnait un aimant qui sait exactement où se trouve l'aiguille, même si vous ne l'avez jamais vue auparavant.

En résumé

MAP est un système qui ne se contente pas de mémoriser des données. Il comprend la biologie. En apprenant le "langage" des médicaments et des gènes à travers un immense réseau de connaissances, il peut prédire l'avenir : comment un nouveau médicament va se comporter dans le corps humain, bien avant qu'on ne le teste physiquement. C'est une étape majeure vers la création de "cellules virtuelles" capables de révolutionner la découverte de médicaments.

Résumé technique

1. Problématique

La prédiction des réponses cellulaires aux perturbations chimiques est un objectif central pour la création de "cellules virtuelles". Cependant, les atlas de données expérimentales ne couvrent qu'une infime fraction de l'espace chimique disponible. Les modèles existants peinent à généraliser aux composés non profilés (unprofiled drugs) car ils traitent souvent les médicaments comme des identifiants catégoriels isolés, sans encoder leurs relations mécanistiques biologiques. Par conséquent, lorsque de nouvelles molécules n'ont aucune donnée de profilage transcriptionnel, les modèles actuels échouent à extrapoler leurs effets, limitant ainsi le criblage virtuel et la repositionnement de médicaments.

2. Méthodologie : Le Framework MAP

Les auteurs proposent MAP (Mechanism-Aware Perturbation response predictor), un cadre intégré qui combine des connaissances biologiques structurées avec des modèles de fondation pour cellules uniques. L'approche se décompose en trois piliers majeurs :

A. Construction de MAP-KG (Knowledge Graph)

Les auteurs ont construit un graphe de connaissances biomédicales à grande échelle, MAP-KG, en consolidant 14 ressources publiques (telles que DrugBank, ChEMBL, PubChem, STRING, etc.).

• Échelle : 187 089 médicaments, 22 924 gènes et 694 246 relations mécanistiques.
• Structure : Le graphe relie les nœuds "Médicament" et "Gène" via des arêtes décrivant des interactions (inhibition, activation, liaison) et des descriptions textuelles libres (mécanismes d'action, fonctions thérapeutiques).
• Multimodalité : Chaque entité est enrichie de multiples modalités : structure moléculaire (SMILES), séquences d'acides aminés (pour les gènes), et descriptions textuelles (MOA, annotations fonctionnelles).

B. Pré-entraînement guidé par les connaissances

Pour apprendre des représentations transférables, MAP utilise une stratégie de pré-entraînement par apprentissage contrastif :

• Encodage multimodal : Des encodeurs spécifiques (BioBERT pour le texte, MoleculeSTM pour la structure chimique, ESM-2 pour les protéines) projettent les différentes modalités dans un espace d'embedding unifié.
• Alignement : L'objectif est d'aligner les attributs hétérogènes (ex: la structure SMILES d'un médicament et sa description textuelle de mécanisme d'action) ainsi que les relations entre entités (ex: un médicament inhibant un gène spécifique).
• Résultat : Cela produit des embeddings de médicaments et de gènes "conscients du mécanisme", capables de capturer des similarités biologiques au-delà de la simple co-occurrence dans les données d'entraînement.

C. Prédiction de la réponse aux perturbations

Le framework intègre ces représentations enrichies dans un modèle de fondation pour cellules uniques pré-entraîné (basé sur STATE SE-600M) :

• Les embeddings de l'état cellulaire de base (non perturbé) sont combinés avec les embeddings de médicaments et de gènes enrichis par les connaissances.
• Un encodeur Transformer infère l'embedding de la cellule perturbée, qui est ensuite décodé pour prédire le profil d'expression génique post-perturbation.
• L'entraînement utilise une supervision double : au niveau de l'expression génique (données brutes) et au niveau de l'embedding latent du modèle de fondation.

3. Contributions Clés

1. MAP-KG : Un graphe de connaissances biomédicales sans précédent, spécifiquement conçu pour la modélisation des perturbations cellulaires, unifiant des données hétérogènes via des descriptions sémantiques.
2. Stratégie de pré-entraînement : Une méthode novatrice alignant structures chimiques, séquences protéiques et textes mécanistiques pour créer des représentations transférables, permettant la prédiction "zero-shot" (sans données d'entraînement pour le composé cible).
3. Intégration avec les modèles de fondation : Une architecture qui conditionne un modèle de fondation cellulaire sur des connaissances mécanistiques, comblant le fossé entre les données expérimentales limitées et la vastitude de l'espace chimique.

4. Résultats Expérimentaux

Le modèle a été évalué sur trois grands ensembles de données (Tahoe-100M, OP3, SciPlex3) selon deux régimes de généralisation zero-shot :

• Généralisation aux combinaisons cellule-médicament non vues : MAP surpasse significativement les modèles de l'état de l'art (CRISP, chemCPA, PRnet). Sur Tahoe-100M, il améliore la corrélation de Pearson delta pour les 50 gènes différentiellement exprimés (DEG) de +13,3 % par rapport au meilleur baseline.
• Prédiction pour des médicaments non profilés (Unprofiled Drugs) : C'est le défi le plus strict (aucune donnée de perturbation pour le médicament durant l'entraînement). MAP améliore la corrélation de Pearson delta de +12,2 % sur Tahoe-100M et montre une robustesse supérieure sur les ensembles de données immunitaires (OP3) et cancéreux (SciPlex3).
• Analyse fonctionnelle et criblage virtuel :
  • L'analyse par GSEA (Gene Set Enrichment Analysis) montre que MAP prédit des programmes transcriptionnels cohérents avec les mécanismes biologiques connus.
  • Dans une expérience de criblage virtuel sur la lignée A-549 (cancer du poumon), MAP a réussi à prioriser 4 médicaments anticancéreux approuvés sur 5 (parmi 58 candidats non profilés) dans le top 15, démontrant son utilité pour la découverte de médicaments.
• Abalation : Les expériences montrent que l'échelle des connaissances (taille du graphe) et la diversité des types de connaissances (textes, séquences, arêtes) sont des facteurs déterminants pour la performance de généralisation.

5. Signification et Impact

Ce travail établit un nouveau paradigme pour les "cellules virtuelles" en démontrant que l'intégration de connaissances biologiques structurées est une voie efficace pour surmonter le manque de données expérimentales.

• Réduction des coûts : En permettant un criblage virtuel fiable pour des composés totalement nouveaux, MAP pourrait réduire considérablement les coûts et les délais de la découverte préclinique.
• Interprétabilité : Contrairement aux modèles "boîte noire", MAP fournit des prédictions ancrées dans des mécanismes biologiques connus, facilitant l'interprétation des résultats par les biologistes.
• Orthogonalité : L'approche est orthogonale à l'augmentation des données ou de la taille des modèles ; elle offre une dimension supplémentaire d'amélioration basée sur la connaissance, complémentaire à l'expansion des atlas de données.

En résumé, MAP représente une avancée majeure vers une IA capable de prédire les effets des médicaments sur les cellules avec une précision mécaniste, même en l'absence totale de données expérimentales pour ces médicaments spécifiques.