💻 bioinformatics

Covariance Nonstationarity is Evident in Spatial Transcriptomics and Provides a New Categorization of Spatially Varying Genes

Cette étude démontre que la non-stationnarité de la covariance est une caractéristique prévalente et biologiquement significative dans la transcriptomique spatiale qui viole les hypothèses communes des processus gaussiens, nécessitant ainsi une réévaluation de la manière dont les gènes variant spatialement sont caractérisés et catégorisés.

Auteurs originaux : Velidi, P., Wei, Z., Nathoo, F.

Publié 2026-09-05

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Velidi, P., Wei, Z., Nathoo, F.

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète

Imaginez que vous regardiez une ville d'en haut. De cette distance, les rues pourraient ressembler à une grille uniforme et les bâtiments pourraient sembler suivre un schéma prévisible. Mais si vous zoomez, vous voyez que le quartier change complètement. Un pâté de maisons est un marché animé, le suivant est un parc calme, et un autre est un groupe dense de gratte-ciel. Les règles qui régissent la façon dont les gens se déplacent et interagissent dans le marché sont différentes de celles du parc. Pendant longtemps, les scientifiques étudiant le monde microscopique à l'intérieur de nos corps ont souvent traité les tissus comme cette vue lointaine d'une ville, supposant que les règles régissant la façon dont les cellules communiquent entre elles sont les mêmes partout. Ils ont supposé que si deux cellules sont proches, elles sont susceptibles de se comporter de manière similaire, et que cette relation reste vraie quel que soit l'endroit où l'on regarde dans le tissu. Cette hypothèse, connue sous le nom de stationnarité, a rendu les mathématiques plus faciles, mais elle a peut-être caché une réalité plus complexe.

Dans le domaine de la transcriptomique spatiale, les chercheurs cartographient l'endroit où les gènes sont actifs au sein d'un échantillon de tissu, créant ainsi une image détaillée de la géographie interne du corps. Cette technologie a explosé en popularité, permettant aux scientifiques de voir non seulement quels gènes sont activés, mais aussi exactement où ils accomplissent leur travail. Pour donner un sens à ces cartes, les scientifiques utilisent des modèles statistiques pour identifier les gènes dont l'activité change en fonction de leur emplacement. Ce sont ce qu'on appelle des gènes à variation spatiale. L'approche standard a consisté à utiliser une règle unique et uniforme pour décrire comment l'activité génique se propage à travers le tissu. Cependant, une nouvelle étude suggère que cette règle uniforme est souvent erronée. Les chercheurs ont découvert que dans de nombreuses parties du corps, la façon dont les gènes influencent leurs voisins change d'un endroit à l'autre, tout comme les règles d'une rue de ville animée diffèrent de celles d'une banlieue tranquille.

L'équipe, dirigée par des chercheurs de l'Université de Victoria, a entrepris de tester si cette hypothèse d'uniformité tenait la route face aux données biologiques réelles. Ils ont examiné douze échantillons de tissus différents provenant d'humains et de souris, incluant des échantillons de cancer du sein, de cancer de l'ovaire et de diverses parties du cerveau. Au lieu de forcer toutes les données à s'adapter à un schéma unique et immuable, ils ont permis à leurs modèles de changer de comportement en fonction de l'emplacement. Ils ont comparé les modèles standards, immuables, à des modèles plus flexibles capables de s'adapter aux différences locales. Les résultats ont été frappants. Dans certains tissus, près de la moitié des gènes présentaient des signes indiquant que leur comportement ne suivait pas une règle unique et uniforme. Dans les échantillons de cancer du sein humain, par exemple, cinquante pour cent des gènes favorisaient le modèle flexible et changeant. Dans d'autres tissus, ce chiffre était plus bas, mais restait significatif, variant de trois à cinquante pour cent. Cela signifie que pour un grand nombre de gènes, l'ancienne hypothèse d'un motif uniforme manquait une pièce cruciale du puzzle.

Lorsque les chercheurs ont examiné de plus près les gènes qui ne suivaient pas la règle uniforme, ils ont découvert une histoire biologique claire. Ces gènes n'étaient pas aléatoires ; ils étaient souvent ceux impliqués dans les systèmes de défense du corps, tels que les réponses immunitaires et l'inflammation. Dans les tissus cancéreux, ces gènes étaient fréquemment liés aux interactions complexes entre les cellules tumorales et leur environnement périphérique. L'étude suggère que ces gènes sont actifs dans des poches spécifiques et localisées plutôt que de se propager uniformément à travers tout le tissu. Par exemple, certains gènes montraient une activité élevée uniquement le long des bords d'une tumeur ou dans de petits amas de cellules, tandis que d'autres étaient actifs selon un motif large et changeant qui évoluait à mesure que l'on traversait l'échantillon. Cette variation locale est probablement le reflet de la propre complexité du tissu, où différents groupes de cellules forment des quartiers distincts avec leurs propres environnements chimiques uniques.

Les chercheurs ont également vérifié la fiabilité de leurs conclusions. Ils ont créé des milliers de jeux de données simulés basés sur les données réelles pour voir si leur nouvelle méthode pouvait identifier correctement les motifs changeants sans commettre d'erreurs. Les tests ont montré que leur approche était très précise, identifiant correctement les motifs changeants la plupart du temps, tout en signalant rarement un gène comme étant changeant alors qu'il était en fait uniforme. Cela leur donne la certitude que ce qu'ils observent dans les véritables échantillons de tissus est une caractéristique réelle de la biologie, et non un simple bug mathématique.

Le point le plus important est peut-être que ignorer ces changements locaux peut conduire les scientifiques à passer à côté de signaux biologiques importants. Si un chercheur suppose qu'un gène se comporte de la même manière partout, il pourrait ne pas remarquer qu'il accomplit en réalité quelque chose de critique dans une seule petite partie du tissu. En reconnaissant que les règles d'interaction génique peuvent changer d'un endroit à l'autre, les scientifiques peuvent désormais catégoriser les gènes d'une nouvelle manière. Au lieu de simplement demander si un gène est actif à un endroit spécifique, ils peuvent demander comment la relation du gène avec ses voisins change à mesure que l'on traverse le tissu. Cette nouvelle perspective offre une vision plus nuancée de l'organisation des tissus, révélant que le corps n'est pas un paysage uniforme, mais une collection de régions distinctes et dynamiques où les règles de la vie sont constamment en mutation.

Résumé technique : Non-stationnarité de la covariance dans la transcriptomique spatiale

Énoncé du problème
L'analyse de la transcriptomique spatiale repose largement sur les modèles de processus gaussiens (GP) pour détecter les gènes à variation spatiale (SVG). Cependant, la grande majorité des outils existants supposent une stationnarité de la covariance, postulant que la corrélation spatiale entre les mesures d'expression génique dépend uniquement de la distance et de l'angle entre les localisations, restant constante à travers tout le tissu. Bien que la statistique spatiale reconnaisse depuis longtemps que les données spatiales réelles présentent souvent une non-stationnarité de la covariance (où les structures de corrélation changent à travers l'espace), cette caractéristique a été largement ignorée dans la transcriptomique spatiale. Les auteurs soutiennent que cette hypothèse est biologiquement irréaliste compte tenu de l'hétérogénéité inhérente des tissus, des agrégats cellulaires et des microenvironnements. Par conséquent, l'imposition de modèles stationnaires peut atténuer la détection de véritables motifs spatiaux, caractériser de manière erronée l'échelle spatiale des gènes et conduire à la mauvaise classification de gènes spécifiques à un segment tissulaire comme étant des signaux présents dans tout le tissu.

Méthodologie
L'étude emploie un cadre géostatistique pour tester et modéliser explicitement la non-stationnarité de la covariance à travers 12 jeux de données 10x Genomics Visium (humains et souris) disponibles publiquement.

Cadre de modélisation : Les auteurs utilisent l'approche des équations aux dérivées partielles stochastiques (SPDE) pour représenter les processus gaussiens de Matérn. Ils comparent trois modèles pour les résidus normalisés et détrendés de l'expression génique :
1. Modèle spatial non stationnaire ( $M_{NS}$ ) : Un GP où les paramètres de portée ( $\rho$ ) et de variance ( $\sigma^2$ ) varient spatialement via des combinaisons linéaires de fonctions de base spatiales (cas isotrope).
2. Modèle spatial stationnaire ( $M_S$ ) : Un GP de Matérn isotrope standard avec des paramètres globaux.
3. Modèle non spatial ( $M_0$ ) : Un modèle sans effet spatial (uniquement un "nugget").
Inférence et tests : L'estimation des paramètres et le calcul de la vraisemblance marginale sont effectués à l'aide de l'approximation de Laplace imbriquée (INLA) via le package R-INLA. Les auteurs utilisent des facteurs de Bayes approximatifs pour effectuer la sélection de modèles :
- Premièrement, ils comparent $M_{NS}$ vs $M_S$ pour tester la non-stationnarité.
- Deuxièmement, pour les gènes favorisant la stationnarité, ils comparent $M_S$ vs $M_0$ pour tester la variation spatiale.
- Cette approche hiérarchique évite le piège de la comparaison de deux modèles potentiellement mal spécifiés (par exemple, comparer deux modèles stationnaires alors que la vérité est non stationnaire).
Validation : Pour évaluer les caractéristiques de fonctionnement de la règle de décision du facteur de Bayes (seuil $BF_{10} > 1$ ), les auteurs ont simulé 100 réplicats de jeux de données pour les gènes provenant des jeux de données de cancer du sein humain (ILC) et de cancer de l'ovaire humain, en utilisant les estimations de paramètres des ajustements originaux. Ils ont calculé la puissance statistique empirique et les taux de fausses découvertes (FDR).
Analyse en aval : Les gènes ont été catégorisés selon leur préférence de modèle, et des analyses d'enrichissement de l'Ontologie des Gènes (GO) et des voies KEGG ont été menées pour identifier les fonctions biologiques associées aux gènes non stationnaires.

Résultats clés

Prévalence de la non-stationnarité : À travers les 12 jeux de données, des preuves de non-stationnarité de la covariance ont été trouvées dans 3 % à 50 % des gènes. Le jeu de données de cancer du sein humain (ILC) présentait la prévalence la plus élevée (50 %), tandis que le jeu de données de cancer de l'ovaire humain affichait 5,3 %.
Performance des modèles : Les études de simulation ont démontré que le test du facteur de Bayes possède une puissance statistique élevée (0,874 pour le cancer du sein, 0,811 pour l'ovaire) et des FDR empiriques bien contrôlés (0,003 et 0,081, respectivement) au seuil choisi.
Classification des gènes : L'étude propose une catégorisation tripartite des gènes :
1. Spatial non stationnaire : Gènes présentant une dépendance spatiale qui varie localement.
2. Spatial stationnaire : Gènes présentant une corrélation spatiale cohérente à travers le tissu.
3. Non spatial : Gènes sans structure spatiale détectable.
  Dans le jeu de données de cancer du sein, 50,0 % des gènes ont été classés comme non stationnaires, 33,6 % comme stationnaires et 16,4 % comme non spatiaux.
Enrichissement biologique : Les gènes favorisant une covariance non stationnaire étaient significativement enrichis pour des programmes biologiques spécifiques. Ceux-ci incluaient des voies immunitaires et de cytokines, des fonctions effectrices et des mécanismes liés aux maladies (particulièrement dans les jeux de données de cancer). Des enrichissements tissulaires spécifiques ont également été observés, tels que la signalisation synaptique dans les tissus nerveux et le mouvement ciliaire dans le tissu de la moelle épinière.
Motifs visuels : Les cartes de résidus des gènes non stationnaires ont révélé divers motifs spatiaux, notamment une expression spécifique aux bordures, des clusters compacts et des signaux dispersés mais à densité variable, qui seraient probablement manqués ou lissés par des modèles stationnaires.

Signification et revendications
L'article affirme que la non-stationnarité de la covariance est une caractéristique substantielle et biologiquement structurée des données de transcriptomique spatiale, et non un simple artefact statistique. Les auteurs affirment que :

La stationnarité n'est pas une simplification bénigne : Supposer la stationnarité est fréquemment contredit de manière biologiquement significative, correspondant à l'hétérogénéité tissulaire et aux agrégats cellulaires.
Impact sur la détection des SVG : Ignorer la non-stationnarité modifie la définition et la classification des gènes à variation spatiale, pouvant entraîner l'omission de véritables gènes spatiaux ou une mauvaise caractérisation de leurs échelles spatiales.
Nouvelle catégorisation : L'étude fournit un nouveau cadre pour catégoriser les SVG en groupes non stationnaires, stationnaires et non spatiaux, offrant une compréhension plus nuancée de la régulation génique spatiale.
Aperçu biologique : L'enrichissement des gènes à covariance non stationnaire dans les fonctions immunitaires et effectrices suggère que les variations locales de dépendance spatiale sont liées à des réponses biologiques dépendantes du contexte.

Les auteurs concluent que, bien que les noyaux stationnaires ne soient pas toujours inadéquats, leur adéquation est spécifique à chaque gène et à chaque jeu de données. Ils soulignent que l'incorporation de structures de covariance non stationnaires est nécessaire pour une caractérisation précise des données de transcriptomique spatiale, particulièrement dans les tissus hétérogènes comme les tumeurs.

Articles similaires