Self-supervised learning for a gene program-centric view of cell states

Le modèle d'apprentissage auto-supervisé Tripso propose une approche centrée sur les programmes géniques pour décoder les états cellulaires à partir de données omiques à haut débit, permettant ainsi de révéler des dynamiques biologiques spécifiques à l'âge, d'identifier de nouveaux programmes géniques et de générer des hypothèses thérapeutiques validables.

L'essentiel

🧬 L'histoire : Comment comprendre la "ville" d'une cellule

Imaginez que chaque cellule de votre corps est une ville ultra-complexe. Dans cette ville, il y a des milliers de bâtiments (les gènes) qui s'activent et se désactivent tout le temps.

Jusqu'à présent, les scientifiques avaient deux façons de regarder cette ville :

1. La méthode lente : Ils regardaient un seul bâtiment à la fois (un seul gène). C'est comme essayer de comprendre une ville en ne regardant que le toit d'une maison.
2. La méthode "floue" : Ils prenaient une photo de toute la ville et la résumaient en une seule note globale (une "représentation latente"). C'est comme dire : "Cette ville est un peu bruyante et un peu verte". Le problème ? On perd les détails. On ne sait plus quels bâtiments travaillent ensemble pour faire du bruit ou de la verdure.

Le problème : Quand une ville change (par exemple, quand vous vieillissez, quand vous tombez malade, ou quand vous essayez de cultiver des cellules en laboratoire), cette note globale devient floue. On ne sait pas exactement quoi a changé.

---

🚀 La solution : Tripso, le "Chef d'Orchestre" intelligent

Les chercheurs ont créé un nouvel outil appelé Tripso. Imaginez Tripso comme un chef d'orchestre génial qui ne regarde pas les musiciens un par un, ni le concert en entier d'un coup. Il écoute les groupes (les "programmes de gènes").

Dans notre ville-cellule, les gènes ne travaillent pas seuls. Ils forment des équipes :

• L'équipe "Pompiers" (réponse au stress).
• L'équipe "Construction" (croissance).
• L'équipe "Nettoyage" (détox).

Tripso apprend à écouter chaque équipe séparément. Il dit : "Aujourd'hui, l'équipe Pompiers joue très fort, mais l'équipe Construction est au repos."

C'est ce qu'on appelle une approche "centrée sur les programmes de gènes". Au lieu d'avoir une seule note pour la cellule, Tripso donne un rapport détaillé sur l'activité de chaque équipe.

---

🔍 Ce que Tripso a découvert (Les grandes aventures)

Les chercheurs ont utilisé Tripso pour résoudre trois mystères biologiques :

1. Le mystère de l'âge (Le sang qui change)

Ils ont regardé le sang humain de la naissance jusqu'à la vieillesse.

• La découverte : Tripso a vu que les cellules souches (les cellules "bébés" qui peuvent devenir n'importe quoi) chez les enfants utilisent une équipe différente de celles des adultes.
• L'analogie : C'est comme si les bébés utilisaient un moteur à réaction pour grandir vite (une activité intense), tandis que les adultes utilisent un moteur diesel plus stable. Tripso a identifié précisément quelle équipe de gènes changeait au moment où l'on passe de l'enfance à l'âge adulte.

2. Le mystère de la culture en laboratoire (Sauver les cellules souches)

Les scientifiques essaient souvent de faire pousser des cellules souches en laboratoire pour les utiliser en thérapie, mais elles meurent ou changent trop vite.

• Le problème : En laboratoire, les cellules semblent "stressées" et ne restent pas "jeunes" assez longtemps.
• La solution de Tripso : En comparant les cellules en laboratoire avec celles dans le corps humain, Tripso a repéré une équipe spécifique (liée à un système de transport de protéines appelé SEC61) qui devenait trop active quand les cellules vieillissaient.
• L'expérience : Les chercheurs ont ajouté un petit médicament qui "éteint" cette équipe spécifique. Résultat ? Les cellules sont restées jeunes et saines beaucoup plus longtemps en laboratoire ! C'est comme si Tripso avait dit : "Arrêtez de faire du bruit avec ce système, et tout ira bien."

3. Le mystère de la peau malade (L'eczéma et le psoriasis)

Ils ont étudié la peau de patients atteints de maladies inflammatoires.

• La découverte : Tripso a trouvé une nouvelle équipe de gènes (un "programme" inconnu) qui s'activait spécifiquement dans les zones où la peau était malade.
• L'analogie : Imaginez que dans une ville, il y a des quartiers où les gens se battent. Tripso a découvert qu'il y avait un "club secret" de gènes qui se réunissait uniquement près des glandes sébacées (les petites usines de gras de la peau) pour entretenir le conflit.
• L'importance : Même quand la peau semble guérie, ce "club secret" reste caché dans les tissus, prêt à faire revenir la maladie. Cela explique pourquoi certaines maladies reviennent après un traitement.

---

🌟 En résumé

Tripso, c'est comme passer d'une carte routière floue à un GPS intelligent qui vous dit exactement quel groupe de gènes travaille, où, et pourquoi.

• Avant : "La cellule est triste."
• Avec Tripso : "L'équipe 'Défense' est en surchauffe, l'équipe 'Réparation' est fatiguée, et c'est à cause de ce petit groupe près des glandes de gras."

Grâce à cette précision, les scientifiques peuvent maintenant :

1. Comprendre comment le corps vieillit.
2. Créer de meilleurs médicaments pour cultiver des cellules.
3. Trouver de nouvelles cures pour des maladies de peau tenaces.

C'est une révolution pour rendre la biologie plus lisible et plus utile pour soigner les humains ! 🩺✨

Résumé technique

1. Le Problème

L'analyse des données omiques à l'échelle d'une seule cellule (scRNA-seq) a permis de profiler des dizaines de milliers de gènes simultanément. Cependant, l'extraction d'informations biologiques pertinentes reste difficile en raison de la haute dimensionnalité des données.

• Limitations des approches actuelles : La plupart des méthodes (PCA, VAE, modèles fondationnels basés sur les transformers) compressent l'état cellulaire en une seule représentation latente (un vecteur unique par cellule). Cette approche "globale" tend à entremêler (entangle) les sources de variation biologique, masquant la structure sous-jacente des programmes géniques (GP) définis comme des ensembles coordonnés de gènes liés biologiquement (ex: voies de signalisation, cibles de facteurs de transcription).
• Défi : Il est difficile de comparer des états cellulaires complexes à travers différentes conditions (in vivo vs in vitro, développement, maladie) ou d'identifier des programmes spécifiques sans perdre la résolution au niveau des gènes individuels. Les modèles existants manquent souvent d'interprétabilité ou nécessitent des étiquettes de supervision.

2. Méthodologie : Tripso

Les auteurs proposent Tripso (Transformers for learning Representations of Interpretable gene Programs in Single-cell transcriptOmics), un cadre d'apprentissage auto-supervisé qui représente l'état cellulaire non pas comme un vecteur unique, mais comme une composition de plusieurs embeddings spécifiques à chaque programme génique.

Architecture du modèle :
Tripso fonctionne en trois niveaux hiérarchiques :

1. Encodage des gènes (Gene Encoder) : Un transformer apprend des embeddings contextuels pour chaque gène au sein d'une cellule via l'attention mutuelle entre les gènes. Les tokens de gènes sont initialisés à partir de Geneformer (modèle pré-entraîné) et entraînés avec un objectif de modélisation du langage masqué (MLM).
2. Représentation des Programmes Géniques (GP Transformers) :
   • Des programmes géniques pré-définis (basés sur des bases de données publiques comme CollecTRI ou PROGENy) sont utilisés.
   • Pour chaque GP, un bloc transformer dédié reçoit les embeddings des gènes membres de ce programme.
   • Un token spécial CLS (Classification) est ajouté à chaque séquence de GP. Ce token apprend à résumer l'activité non linéaire du programme dans la cellule spécifique.
   • L'entraînement utilise un objectif de masquage bidirectionnel (type BERT) au sein de chaque programme.
3. Représentation Globale de la Cellule (Cell Decoder) :
   • Les embeddings CLS de tous les programmes géniques sont agrégés et passés dans un autre transformer pour apprendre une représentation cellulaire unifiée.
   • Un décodeur tente de reconstruire les comptages d'expression génique originaux (perte de distribution binomiale négative) pour garantir que la représentation cellulaire capture la biologie réelle.

Fonctionnalités avancées :

• Découverte de GP : Tripso peut découvrir de nouveaux programmes géniques directement à partir des données (sans pré-définition) en analysant les motifs d'attention entre les gènes (gènes avec des profils d'attention similaires sont regroupés).
• Analyse descendante :
  • Importance des gènes : Calcul de la similarité cosinus entre l'embedding d'un gène et le token CLS du GP pour quantifier la contribution de chaque gène.
  • Importance des GP : Ablation systématique (mise à zéro) de l'embedding d'un GP pour mesurer son impact sur la représentation cellulaire globale.
  • Comparaison conditionnelle : Utilisation du transport optimal (Optimal Transport) dans l'espace latent des GP pour mapper les cellules entre conditions (ex: in vivo vs in vitro).

3. Contributions Clés

• Représentation multi-embeddings : Passage d'une représentation cellulaire unique à une représentation basée sur plusieurs programmes géniques, permettant de dissocier les variations biologiques concurrentes.
• Apprentissage auto-supervisé sans étiquettes : Le modèle apprend des structures biologiques complexes sans nécessiter d'étiquettes de type cellulaire ou de conditions expérimentales.
• Interprétabilité et Actionnabilité : La capacité à remonter du niveau "programme" au niveau "gène" permet de générer des hypothèses testables expérimentalement.
• Intégration de données hétérogènes : Capacité à aligner et comparer des données provenant de tissus différents, d'âges variés et de systèmes in vivo/in vitro dans un espace latent commun.

4. Résultats Principaux

A. Benchmarking et Validation

• Sur un jeu de données Perturb-seq (perturbations génétiques et stimulation par cytokines), Tripso a surpassé les méthodes de factorisation matricielle (Spectra) et les VAE interprétables (Expimap) pour discriminer les activités de voies spécifiques (TGFβ, TNFα) et identifier les perturbations génétiques.
• Tripso a démontré une meilleure capacité à récupérer des signatures de voies spécifiques et à résister aux effets de lot (batch effects) par rapport aux scores d'expression linéaires classiques.

B. Hématopoïèse Humaine : Dynamique de l'Âge et Développement

• Données : Analyse de 498 836 cellules hématopoïétiques (de la vie fœtale à la vieillesse) incluant de nouvelles données CITE-seq.
• Résultats :
  • Identification de motifs spécifiques à l'âge : activité accrue de la voie JAK-STAT dans les cellules souches hématopoïétiques (HSC) pédiatriques (liée à une expansion transitoire post-natale) et changements dans l'activité du programme IKZF1 lors de la différenciation des lymphocytes B.
  • Différenciation B : Dans l'espace latent d'IKZF1, Tripso a révélé une séparation nette entre les pré-B fœtaux (favorisant l'expansion via DTX1/BCL2L1) et les pré-B post-nataux (favorisant la diversification du BCR via IGLL1/DNTT), une distinction masquée dans les embeddings globaux.

C. Optimisation des Cultures In Vitro (HSC)

• Problème : Maintenir les cellules souches hématopoïétiques (HSC) humaines en culture est difficile.
• Approche : Comparaison des profils GP in vivo vs in vitro. Tripso a identifié que le programme PI3K était crucial pour l'identité des HSC.
• Découverte : L'analyse de l'importance des gènes a pointé vers les gènes SSR1 et SEC61G (composants du translocon du réticulum endoplasmique) comme étant plus importants dans les états différenciés que dans les états souches.
• Validation Expérimentale : L'inhibition de SEC61 avec l'inhibiteur SEC61-IN-1 a augmenté significativement la fréquence des HSC phénotypiques dans des cultures de sang de cordon, validant la prédiction du modèle.

D. Maladies de la Peau : Découverte de Programmes Associés à la Maladie

• Données : Atlas de peau humaine (1,7 million de cellules) incluant dermatite atopique (AD) et psoriasis, couplé à des données de transcriptomique spatiale (Xenium) et de protéomique spatiale.
• Découverte : Tripso a identifié un nouveau programme génique (GP23) spécifique à la dermatite atopique, enrichi dans les cellules T résidentes mémoire (TRM) IL13+.
• Validation Spatiale : Ce programme n'était pas présent dans les bases de données existantes. Il montre une co-localisation spatiale avec les niches des glandes sébacées et les agrégats immunitaires.
• Signification Biologique : GP23 est associé à l'adaptation métabolique (oxydation des acides gras) nécessaire à la persistance des TRM dans les niches lipidiques de la peau, expliquant potentiellement les rechutes de la maladie même après la disparition clinique des lésions.

5. Signification et Impact

Tripso représente un changement de paradigme dans l'analyse des cellules uniques :

1. Dépassement des "Virtual Cells" globales : Au lieu de chercher une seule représentation cellulaire, Tripso propose une modélisation basée sur des programmes biologiques interprétables, ce qui rend les modèles de "cellules virtuelles" plus transparents et mécanistiquement informatifs.
2. Génération d'hypothèses : En reliant directement les embeddings latents à des gènes spécifiques et à des contextes biologiques, Tripso permet de passer de la description statistique à la découverte mécanistique (ex: inhibition de SEC61).
3. Intégration Spatiale et Temporelle : La méthode permet de cartographier des états cellulaires à travers le temps (développement, vieillissement) et l'espace (niches tissulaires), offrant une vue d'ensemble cohérente de la biologie complexe.

En résumé, Tripso fournit une fondation scalable et interprétable pour l'analyse des données omiques, permettant de décoder la complexité des états cellulaires à travers le prisme des programmes géniques, avec des applications directes en biologie du développement, en médecine régénérative et en immunologie des maladies chroniques.