LAML-Pro: Maximum Likelihood Inference of Cell Genotypes and Cell Lineage Trees

LAML-Pro est un algorithme innovant qui infère simultanément les génotypes cellulaires et les arbres de lignage à partir de données d'édition génomique bruitées, corrigeant ainsi les erreurs de génotypage pour produire des reconstructions de lignées plus précises et cohérentes que les méthodes existantes.

L'essentiel

🌳 LAML-Pro : Le Détective qui Répare l'Histoire Familiale des Cellules

Imaginez que vous essayez de reconstruire l'arbre généalogique d'une immense famille, mais avec un défi de taille : vous n'avez pas les photos de naissance, ni les actes de naissance. Vous avez seulement des indices laissés par les membres de la famille, et ces indices sont souvent flous, tachés ou même manquants.

C'est exactement le problème que rencontrent les biologistes quand ils veulent comprendre comment un organisme se développe, cellule par cellule.

1. Le Problème : Une Enquête avec des Indices Faux

Dans le passé, pour reconstruire l'histoire des cellules (leur "arbre de lignée"), les scientifiques faisaient deux choses séparément :

1. Lire les indices : Ils tentaient de deviner l'état génétique de chaque cellule (son "identité") à partir de données brutes (comme des images de fluorescence ou des séquences d'ADN).
2. Dessiner l'arbre : Une fois les identités supposées connues, ils dessinaient l'arbre généalogique.

Le hic ? La première étape est très imparfaite. C'est comme essayer de lire un message écrit à la main sous la pluie : certaines lettres sont illisibles, d'autres sont déformées.

• Si vous vous trompez sur l'identité d'une cellule (par exemple, vous pensez qu'elle a une mutation alors qu'elle n'en a pas), l'arbre généalogique que vous dessinez ensuite sera faux.
• Avec les nouvelles technologies d'imagerie (qui utilisent des couleurs pour voir les cellules), jusqu'à 50 % des informations peuvent être incertaines ou erronées. C'est comme si la moitié de votre arbre généalogique était basée sur des rumeurs !

2. La Solution : LAML-Pro, le "Super-Détective"

Les auteurs de cet article ont créé un nouvel algorithme appelé LAML-Pro. Au lieu de faire les deux étapes séparément, il les fait en même temps.

L'analogie du Puzzle :
Imaginez que vous avez un puzzle géant (l'arbre de lignée) dont les pièces sont mélangées et dont certaines pièces sont manquantes ou abîmées.

• Les anciennes méthodes essayaient d'abord de nettoyer chaque pièce individuellement (parfois en les cassant encore plus), puis d'assembler le puzzle. Résultat : un puzzle moche.
• LAML-Pro, lui, regarde l'ensemble du puzzle en cours d'assemblage. Il se dit : "Tiens, cette pièce semble mal placée. Si je la déplace ici, elle correspond mieux aux pièces voisines. Et si je la nettoie un peu, elle colle parfaitement."

Il ajuste continuellement l'histoire (l'arbre) et les identités (les pièces) l'une par rapport à l'autre pour trouver la solution la plus logique.

3. Comment ça marche ? (La Magie des Probabilités)

LAML-Pro utilise un modèle mathématique intelligent (appelé PMMO) qui comprend deux choses :

1. Comment les erreurs arrivent : Il sait que parfois, une cellule ne montre pas son vrai code (comme un "dropout" ou une absence de signal).
2. Comment les cellules évoluent : Il sait que les cellules se divisent et accumulent des mutations de manière prévisible.

Au lieu de dire "Cette cellule a le code A", il dit "Il y a 80 % de chances que ce soit A, et si c'est A, alors cet arbre a du sens". Il teste des milliers de scénarios pour trouver celui qui explique le mieux toutes les données, même les plus floues.

4. Les Résultats : Plus Précis et Plus Rapide

Les auteurs ont testé leur méthode sur des données simulées et réelles (issues d'expériences où l'on suit des cellules cancéreuses ou des embryons de souris).

• Correction des erreurs : LAML-Pro a réussi à corriger les erreurs de lecture. Là où les anciennes méthodes avaient 25 à 50 % d'erreurs, LAML-Pro a réduit cela au niveau des erreurs de séquençage (moins de 1 %). C'est comme passer d'une conversation téléphonique avec beaucoup de parasites à une conversation en face à face claire.
• Une meilleure carte : Les arbres généalogiques produits sont beaucoup plus cohérents avec la réalité spatiale. Par exemple, si deux cellules sont voisines dans l'organisme, elles sont plus susceptibles d'être proches dans l'arbre généré par LAML-Pro.
• Vitesse : Malgré sa complexité, l'algorithme est très rapide. Il peut reconstruire l'histoire de milliers de cellules en moins d'une heure.

En Résumé

LAML-Pro est un outil révolutionnaire qui ne se contente pas de lire les données brutes des cellules. Il comprend que ces données sont imparfaites et utilise cette compréhension pour reconstruire l'histoire de la vie cellulaire avec une précision inédite.

C'est comme passer d'une carte dessinée à la main, avec des zones floues, à une carte GPS haute définition qui corrige automatiquement les erreurs de signal pour vous montrer le chemin exact que la vie a emprunté.

Résumé technique

1. Problématique et Motivation

La reconstruction de l'histoire des divisions cellulaires (lignées) est un objectif central en biologie du développement. Les technologies de traçage de lignée dynamique (DLT) permettent d'induire des mutations héréditaires (édits) dans le génome lors des divisions cellulaires. Ces édits sont ensuite mesurés par séquençage à cellule unique ou par imagerie (fluorescence).

Cependant, les approches computationnelles actuelles suivent une pipeline en deux étapes distinctes et séquentielles :

1. Génotypage : Détermination des états d'édition (génotypes) à partir des données brutes (séquences ou intensités d'imagerie).
2. Inférence de l'arbre : Reconstruction de l'arbre de lignage à partir des génotypes déduits.

Le problème majeur réside dans le fait que le génotypage est un processus imparfait, particulièrement avec les données d'imagerie où les taux d'incertitude ou d'erreur peuvent atteindre 25 à 50 %. Ces erreurs de génotypage se propagent et dégradent considérablement la précision de l'arbre de lignage reconstruit. De plus, les méthodes actuelles supposent que les génotypes sont connus et ne modélisent pas les données manquantes ou les incertitudes observationnelles de manière probabiliste conjointe.

2. Méthodologie : LAML-Pro et le modèle PMMO

Les auteurs proposent LAML-Pro (Lineage Analysis via Maximum Likelihood with PRobabilistic Observations), un algorithme qui infère simultanément l'arbre de lignage cellulaire et les génotypes des cellules, sans étape de génotypage préalable.

A. Le Modèle PMMO (Probabilistic Mixed-type Missing with Observations)

LAML-Pro repose sur un nouveau modèle statistique, le PMMO, qui intègre deux processus :

1. Le processus d'édition du génome : Modélisé par une chaîne de Markov à temps continu (CTMC) sur l'arbre. Il prend en compte l'état non édité (0), les états édités (1 à M), et un état « manquant héréditaire » (-1) dû au silence épigénétique ou à la résection. Ce modèle respecte l'irréversibilité des édits (une fois édité, un site ne peut pas être réédité).
2. Le processus d'observation : Il modélise la relation entre le génotype caché $Z$ et l'observation $X$ (intensité de fluorescence ou comptage d'UMI).
   • Il gère explicitement les données manquantes (dropout) avec une probabilité $\vartheta$.
   • Pour les données d'imagerie, il utilise des estimateurs de densité de noyau (Kernel Density Estimators) pour apprendre la distribution des intensités de pixels pour chaque état d'édition, permettant de traiter les observations continues plutôt que discrètes.

B. L'Algorithme d'Optimisation

LAML-Pro résout un problème d'optimisation pour trouver l'arbre $T$ et les paramètres $\Theta$ qui maximisent la vraisemblance des observations $X$, en marginalisant sur les génotypes inconnus $Z$ :
$$\max_{T, \Theta} \sum_{Z} P(X=x, Z=z | T, \Theta)$$

• Recherche de topologie : Utilisation d'une recherche heuristique par échange de voisins les plus proches (NNI - Nearest Neighbor Interchange) combinée à un recuit simulé.
• Optimisation des paramètres (Algorithme EM) :
  • Étape E : Calcul des probabilités a posteriori des états cachés et des transitions sur les branches en utilisant l'algorithme de débranchement (pruning) de Felsenstein, optimisé pour exploiter la parcimonie de la matrice de transition.
  • Étape M : Mise à jour conjointe de tous les paramètres (longueurs de branches, taux d'édition, taux de dropout) via une méthode de point intérieur (IPOPT), offrant une convergence quadratique plus rapide que les méthodes de coordonnées alternées utilisées précédemment.
• Contraintes biologiques : L'algorithme peut imposer une contrainte d'horloge moléculaire stricte (arbre ultramétrique) et une longueur de branche minimale pour éviter les divisions cellulaires instantanées non biologiques.

3. Contributions Clés

1. Inférence conjointe : Première méthode capable de reconstruire directement les arbres de lignage à partir de données brutes (imagerie ou séquençage) en intégrant l'incertitude du génotypage dans le modèle probabiliste.
2. Correction des erreurs de génotypage : Le modèle corrige les erreurs d'observation en temps réel, réduisant drastiquement le taux d'erreur des génotypes déduits.
3. Modélisation des données manquantes : Le modèle PMMO distingue les données manquantes dues à un dropout technique (probabilité $\vartheta$) de celles dues à un silence épigénétique héréditaire (-1), un aspect souvent négligé.
4. Évolutivité : Malgré la complexité du modèle, l'algorithme est optimisé pour traiter des milliers de cellules (ex: 3 108 cellules en ~18 heures).

4. Résultats

Les performances de LAML-Pro ont été évaluées sur des données simulées et deux jeux de données réels basés sur l'imagerie (PEtracer et baseMEMOIR).

• Données Simulées :

  • LAML-Pro produit des topologies d'arbres nettement plus précises (distance de Robinson-Foulds normalisée médiane de 0,03 contre 0,18 pour les méthodes existantes) en présence de taux de données manquantes réalistes (37,5 %).
  • Il corrige les erreurs de génotypage avec une précision proche de celle du séquençage, même lorsque la variance des observations d'imagerie est élevée.
  • L'estimation des longueurs de branches est quasi parfaite ($R^2 = 0,995$) comparée aux méthodes concurrentes.

• Données Réelles (PEtracer - Imagerie) :

  • Réduction des erreurs : LAML-Pro réduit les erreurs de génotypage issues de l'imagerie d'un facteur 5, les amenant au niveau des erreurs de séquençage (~0,03 %).
  • Gestion des données manquantes : Contrairement aux pipelines standards qui rejettent les cellules ou les sites à faible confiance, LAML-Pro impute les génotypes manquants, éliminant les données manquantes (22,3 % dans le pipeline standard).
  • Concordance spatiale : Les arbres reconstruits par LAML-Pro montrent une corrélation significativement plus forte entre la distance phylogénétique et la distance spatiale (coordonnées x, y des cellules) que les arbres publiés précédemment, validant la cohérence biologique du résultat.

• Données Réelles (baseMEMOIR - Imagerie multiplexée) :

  • LAML-Pro exploite des observations que le pipeline original avait rejetées par manque de confiance, améliorant la couverture des sites de 51-58 % à plus de 70 %.
  • Les arbres LAML-Pro présentent une meilleure concordance avec les génotypes de référence et une meilleure cohérence spatiale (corrélation de Pearson $R=0,349$ contre $R \approx 0$ pour la méthode de référence).

5. Signification et Impact

LAML-Pro représente une avancée majeure pour le traçage de lignée cellulaire, en particulier pour les technologies basées sur l'imagerie. En évitant l'étape intermédiaire de génotypage binaire et erroné, la méthode :

• Rend les systèmes de traçage par imagerie (moins coûteux et permettant une résolution spatiale) aussi fiables que les systèmes de séquençage.
• Permet d'utiliser des données qui seraient autrement rejetées comme « bruitées » ou « incertaines ».
• Fournit des arbres de lignage plus précis et biologiquement cohérents, essentiels pour comprendre les mécanismes du développement et du cancer.

Le code source est disponible publiquement, facilitant l'adoption de cette approche par la communauté scientifique.