Reconstructing intra-tumor fitness landscapes from scSeq CNA genotypes via simulation-based Bayesian inference and Deep Learning

Cet article présente un cadre d'inférence bayésienne sans vraisemblance, combinant simulation et apprentissage profond via des réseaux de neurones et des flux normalisants, pour reconstruire les paysages de fitness intra-tumoraux et estimer les coefficients de sélection des altérations du nombre de copies à partir de profils génétiques de cellules uniques.

L'essentiel

🧬 Le Grand Jeu de l'Évolution Cancéreuse

Imaginez qu'un cancer est comme une ville en pleine expansion où vivent des millions de citoyens (les cellules). Au début, tout le monde est pareil. Mais avec le temps, certains citoyens subissent des « accidents » dans leurs plans de construction (l'ADN).

Certains accidents sont catastrophiques (la cellule meurt), d'autres sont neutres, et d'autres donnent un super-pouvoir (la cellule se multiplie plus vite que les autres). C'est ce qu'on appelle l'évolution : les cellules les plus « fortes » prennent le dessus.

Le problème pour les médecins et les scientifiques, c'est qu'ils ne voient souvent la ville qu'en une seule photo (un instantané). Ils voient la ville telle qu'elle est aujourd'hui, avec ses quartiers riches et ses quartiers pauvres, mais ils ne savent pas pourquoi certains quartiers sont devenus si grands. Ils veulent connaître les « règles du jeu » (les avantages ou désavantages) qui ont conduit à cette situation.

🕵️‍♂️ Le Défi : Deviner les règles sans voir le film

Habituellement, pour comprendre comment une ville a grandi, on regarde l'historique complet (les vidéos de surveillance). Mais en cancérologie, on n'a souvent que la photo finale. De plus, les règles qui gouvernent la croissance des cellules sont si complexes qu'il est mathématiquement impossible de les calculer directement avec les formules classiques. C'est comme essayer de deviner la recette d'un gâteau en ne goûtant que le résultat final, sans avoir vu le cuisinier travailler.

🤖 La Solution : L'Entraînement d'un Détective Virtuel

Les auteurs de ce papier (Maryam KafiKang et Pavel Skums) ont créé un détective virtuel (une intelligence artificielle) capable de deviner ces règles cachées. Voici comment ils ont fait, étape par étape :

1. La Simulation : Créer des milliers de mondes fictifs

Puisqu'ils ne peuvent pas voir le passé réel, ils ont créé un simulateur de ville (appelé SISTEM).

• Ils ont programmé des règles aléatoires : « Si une cellule perd un chromosome, elle grandit de 10 % », « Si elle en gagne un, elle rétrécit ».
• Ils ont lancé ce simulateur 62 500 fois !
• À chaque fois, ils ont noté les règles utilisées (la vérité) et la photo finale de la ville (les données).

C'est comme si un chef cuisinier avait cuisiné 62 500 gâteaux différents avec des recettes secrètes, et avait pris une photo de chaque gâteau.

2. L'Entraînement : Apprendre à voir l'invisible

Ensuite, ils ont nourri leur intelligence artificielle avec ces 62 500 exemples.

• L'IA regarde la photo (la composition des cellules cancéreuses).
• L'IA essaie de deviner la recette (les règles de sélection qui ont créé cette photo).
• On lui dit : « Tu as deviné ça, mais la vraie recette était celle-ci ».
• L'IA apprend de ses erreurs, encore et encore, jusqu'à devenir un expert.

3. Les Trois Méthodes de Détective

Pour voir quelle méthode fonctionnait le mieux, ils ont testé trois types de détectives :

• Le Détective « Super-Clone » (DominantClone) : Il ne regarde que le quartier le plus peuplé de la ville. Il ignore tout le reste. C'est simple, mais il rate beaucoup d'indices.
• Le Détective « Complexe » (CloneAtt) : Il regarde toute la ville et essaie de comprendre les relations complexes entre tous les quartiers en utilisant une technologie très avancée (un « Set Transformer »). C'est comme essayer de lire tous les livres d'une bibliothèque en même temps.
• Le Détective « Équilibré » (CloneMLP) : C'est le champion du papier. Il regarde toute la ville, mais avec une méthode plus directe et efficace (un réseau de neurones simple mais puissant) pour synthétiser l'information.

🏆 Le Résultat : Qui gagne ?

Le détective CloneMLP a gagné haut la main !

• Précision : Il a réussi à deviner les règles cachées beaucoup mieux que les autres.
• Confiance : Il sait aussi dire quand il n'est pas sûr de lui (ce qui est crucial en médecine).
• Pourquoi ? En regardant toute la ville (tous les sous-groupes de cellules) et pas seulement le plus gros, il a pu voir des indices subtils que les autres détectives ont manqués.

💡 En résumé

Ce papier nous dit que pour comprendre comment un cancer évolue, il ne suffit pas de regarder la cellule la plus nombreuse. Il faut regarder l'ensemble de la population tumorale comme un puzzle complexe.

Grâce à une intelligence artificielle entraînée sur des millions de simulations virtuelles, nous pouvons maintenant « lire » la photo d'un cancer et déduire avec une bonne précision quelles sont les forces qui l'ont façonné. C'est un pas de géant pour comprendre l'histoire évolutive de la maladie et, peut-être un jour, mieux la combattre.

L'analogie finale : C'est comme si, en regardant une seule photo d'une foule en mouvement, notre IA pouvait dire : « Ah, je vois que les gens qui portent des chapeaux rouges courent plus vite que les autres, et que ceux qui ont des sacs bleus s'arrêtent souvent ». Elle a déduit les règles du mouvement à partir de la position finale de la foule.

Résumé technique

1. Problématique

L'évolution tumorale est un processus dynamique où la pression sélective favorise l'expansion de sous-clones porteurs d'avantages génétiques. Un défi majeur en oncologie est d'inférer les coefficients de sélection associés aux altérations du nombre de copies (CNA) à l'échelle des bras chromosomiques, à partir de données de séquençage d'ARN ou d'ADN de cellules uniques (scSeq).

Les approches traditionnelles reposent souvent sur des modèles phylogénétiques ou des méthodes de vraisemblance maximale. Cependant, ces méthodes rencontrent deux obstacles majeurs :

1. Intracabilité de la vraisemblance : Les modèles mécanistiques réalistes de l'évolution tumorale génèrent des vraisemblances impossibles à calculer analytiquement.
2. Données transversales : La plupart des données disponibles sont des « instantanés » (snapshots) à un seul moment, contrairement aux mesures longitudinales, ce qui rend l'inférence des paramètres évolutifs particulièrement difficile.

L'objectif est donc de développer un cadre d'inférence capable d'estimer directement les coefficients de sélection à partir des profils CNA clonaux, sans avoir besoin d'évaluer explicitement la fonction de vraisemblance.

2. Méthodologie

Les auteurs proposent un cadre d'inférence bayésienne sans vraisemblance (likelihood-free) basé sur la simulation et l'apprentissage profond.

A. Simulation des données (SISTEM)

Les données d'entraînement sont générées à l'aide de SISTEM (SImulation of Single-cell Tumor Evolution and Metastasis), un simulateur mécanistique en Python.

• Modèle : Le simulateur modélise la croissance tumorale, la métastase et l'évolution génétique sous une sélection guidée par le génotype.
• Paramètres : Pour chaque simulation, 46 paramètres sont échantillonnés, dont 44 coefficients de sélection pour les bras des autosomes ($\theta \in \mathbb{R}^{44}$) et 2 taux d'événements CNA (nuisance parameters).
• Données : Le simulateur produit des populations de clones avec des profils CNA. Pour chaque simulation, 25 répliques indépendantes sont générées pour capturer la variabilité stochastique.

B. Représentation des données

Les auteurs construisent deux types de représentations à partir des profils CNA des clones :

1. Représentation du clone dominant : Un vecteur 45D (44 bras chromosomiques + fréquence) basé uniquement sur le clone le plus abondant.
2. Matrice CNA du tumor entier : Une matrice $N \times 45$ (où $N \le 100$) contenant les profils normalisés des 100 clones les plus fréquents, incluant leur fréquence relative. Cette matrice préserve l'hétérogénéité intratumorale.

C. Architecture du modèle (NPE)

L'inférence est réalisée via l'Estimation Postérieure Neurale (NPE) couplée à des Flux de Normalisation (Normalizing Flows) pour approximer la distribution postérieure $p(\theta | X)$.
Trois architectures d'encodeur sont comparées pour transformer la représentation du tumor en un vecteur de contexte :

1. CloneMLP-NPE (Modèle proposé) : Utilise un encodeur basé sur un Perceptron Multicouche (MLP) appliqué à la matrice CNA du tumor entier.
2. CloneAtt-NPE (Baseline 1) : Utilise un Set Transformer appliqué à la même matrice CNA du tumor entier, conçu pour respecter l'invariance par permutation des clones.
3. DominantClone-NPE (Baseline 2) : Utilise uniquement le vecteur du clone dominant (représentation simplifiée).

Le processus d'inférence agrège les répliques de simulation par mean pooling avant de conditionner le flux de normalisation pour produire la distribution postérieure complète.

3. Contributions Clés

• Cadre d'inférence sans vraisemblance : Introduction d'une méthode NPE pour inférer les coefficients de sélection CNA directement à partir de profils clonaux, contournant le problème de l'intracabilité de la vraisemblance.
• Modélisation de l'hétérogénéité : Démonstration que l'utilisation de la matrice complète des clones (et non seulement du clone dominant) améliore significativement l'inférence.
• Architecture efficace : Identification qu'un encodeur MLP simple sur la matrice complète surpasse les architectures plus complexes comme le Set Transformer dans ce contexte spécifique, probablement en raison de la structure des données ou de la taille de l'échantillon.
• Quantification rigoureuse de l'incertitude : Utilisation de flux de normalisation pour fournir des distributions postérieures complètes, permettant une calibration précise des incertitudes.

4. Résultats

L'évaluation a été réalisée sur des simulations de test (20 % des paramètres) non vues lors de l'entraînement.

• Calibration Postérieure : Le modèle CloneMLP-NPE produit des distributions bien calibrées. Les scores Z (écart entre la vraie valeur et la moyenne postérieure normalisée par l'écart-type) suivent une distribution normale centrée sur zéro, indiquant un biais systématique faible et une quantification de l'incertitude appropriée.
• Récupération des moyennes postérieures : CloneMLP-NPE surpasse systématiquement les deux modèles de base.
  • Pour les 6 bras chromosomiques les mieux récupérés, le coefficient de détermination ($R^2$) atteint environ 0,60 (avec des corrélations de Pearson de 0,77 à 0,79).
  • En comparaison, CloneAtt-NPE performe très mal ($R^2 < 0,17$), et DominantClone-NPE obtient des résultats intermédiaires ($R^2 \approx 0,10 - 0,35$).
• Impact de la représentation : Les résultats confirment que l'information contenue dans l'hétérogénéité clonale (matrice entière) est cruciale pour l'inférence, et que l'encodeur MLP est plus efficace que le Set Transformer pour extraire ces signaux dans ce cadre.

5. Signification et Conclusion

Cette étude démontre qu'il est possible de reconstruire les paysages de fitness intra-tumoraux à partir de données de séquençage unicellulaire en utilisant des méthodes d'inférence basées sur la simulation et l'apprentissage profond.

• Avantage scientifique : La méthode permet d'estimer les forces sélectives agissant sur les bras chromosomiques, ce qui est essentiel pour comprendre les mécanismes de progression du cancer et l'instabilité chromosomique.
• Robustesse : La capacité à fournir des distributions postérieures calibrées permet aux chercheurs de quantifier la confiance dans leurs estimations, un aspect souvent négligé dans les approches par point unique.
• Perspectives : Bien que le modèle actuel fonctionne bien, les auteurs notent que certains effets restent partiellement identifiables. Des travaux futurs viseront à élargir les ensembles de données de simulation et à affiner les architectures (notamment le Set Transformer) pour mieux couvrir des coefficients de sélection de plus grande amplitude.

En résumé, CloneMLP-NPE représente un état de l'art prometteur pour l'inférence de l'évolution tumorale, combinant la puissance des simulateurs mécanistiques et l'efficacité des réseaux de neurones pour résoudre des problèmes d'inférence bayésienne complexes.