Slide-level batch structure limits histology-guided supervision of transcriptomic foundation models

Dans le monde calme et complexe des tissus humains, deux langages s'expriment constamment. L'un est écrit dans le code chimique des gènes, ces minuscules instructions qui disent aux cellules comment se comporter, survivre et interagir. L'autre est écrit dans la forme et la texture du tissu lui-même, visible à l'œil nu ou au microscope comme un paysage de cellules, de fibres et de structures. Pendant des décennies, les pathologistes ont lu le second langage, observant des coupes de tissus colorés pour diagnostiquer des maladies, tandis que les biologistes ont décodé le premier, mesurant l'activité génique pour comprendre la machinerie de la vie. Récemment, un nouveau domaine appelé la transcriptomique spatiale est apparu, permettant aux scientifiques de lire simultanément les deux langages à partir du même minuscule point d'un échantillon de tissu. Cela promet une union puissante : comprendre exactement quels gènes sont actifs dans des parties spécifiques d'une tumeur ou d'un organe, cartographiés directement sur l'architecture physique du corps.

L'espoir était que ces deux langages puissent s'enseigner mutuellement. Si un ordinateur pouvait apprendre à lire les motifs visuels d'une coupe de tissu, peut-être pourrait-il utiliser cette connaissance pour mieux comprendre les données géniques complexes, même lorsque les données visuelles disparaissent plus tard. Cette idée repose sur un concept appelé « modèles de fondation » (foundation models), qui sont de massifs systèmes d'intelligence artificielle pré-entraînés sur de vastes quantités de données pour reconnaître des motifs généraux. Les chercheurs se sont demandé s'ils pouvaient entraîner ces modèles de lecture de gènes en leur montrant les images de tissus correspondantes pendant la phase d'apprentissage, utilisant essentiellement l'image comme un enseignant, pour ensuite écarter l'image une fois le modèle entraîné. L'objectif était de créer un outil de lecture de gènes plus affûté, plus précis et plus apte à reconnaître des motifs chez de nouveaux patients, simplement parce qu'il aurait appris à observer la structure du tissu tout en étudiant les gènes.

Une équipe de chercheurs s'est lancée dans le test de cette hypothèse par une expérience rigoureuse impliquant trois modèles différents de lecture de gènes de pointe. Ils ont recueilli des données provenant d'échantillons de tissus humains, en examinant spécifiquement des zones où l'activité génique était mesurée parallèlement à des images haute résolution de tissus colorés avec un colorant standard rose et violet. Pour chaque minuscule point, ils disposaient d'une liste de gènes actifs et d'un fragment d'image correspondant. Ils ont pris les modèles de gènes pré-entraînés et ont tenté de les affiner en forçant le modèle à prédire l'image du tissu uniquement à partir de la liste de gènes. Si le modèle pouvait deviner avec succès l'apparence du tissu en lisant seulement les gènes, les chercheurs raisonnaient, c'est qu'il avait appris un lien plus profond et plus utile entre les deux. Une fois cet entraînement terminé, ils ont retiré la partie de prédiction d'image du système et ont testé les modèles de gènes affinés sur de nouveaux patients non vus, afin de voir s'ils étaient meilleurs pour identifier les types de tissus, comme la distinction entre une tumeur et un tissu sain.

Les résultats ont été surprenants et ont apporté une réponse claire, bien que sobre. Malgré l'intuition forte selon laquelle un guidage visuel aiderait, les modèles affinés ne sont pas devenus meilleurs pour reconnaître les types de tissus chez de nouveaux patients par rapport aux modèles originaux non affinés. En fait, pour la plupart des cas, la performance est restée exactement la même. Les chercheurs ont découvert que si les images de tissus contenaient elles-mêmes une richesse d'informations permettant d'identifier facilement différents types de tissus, les données géniques de ces échantillons spatiaux spécifiques ne contenaient pas assez de cette même information pour être améliorées par les images. Les modèles de gènes étaient essentiellement « aveugles » aux indices visuels que les chercheurs espéraient leur enseigner, non pas parce que les modèles étaient défectueux, mais parce que les données géniques sur lesquelles ils étaient construits ne portaient tout simplement pas les signaux nécessaires.

L'étude a révélé un problème structurel caché au sein même des données géniques. L'information capturée par ces mesures géniques spatiales était étonnamment de faible dimensionnalité, ce qui signifie qu'elle occupait un espace de possibilités très étroit et limité, plutôt qu'un paysage riche et diversifié. De plus, cet espace étroit était dominé par l'identité de la lame de tissu spécifique dont elle provenait, plutôt que par les différences biologiques entre les patients. C'était comme si les données géniques étaient si étroitement liées au lot spécifique de tissu dont elles provenaient qu'elles étouffaient les signaux biologiques universels dont les modèles avaient besoin pour apprendre. Lorsque les chercheurs ont tenté de forcer les modèles à s'aligner sur les images, les modèles n'ont pas appris à mieux voir la biologie ; au contraire, ils ont simplement réorganisé l'information limitée qu'ils possédaient déjà, souvent au détriment de leur capacité à prédire d'autres activités géniques.

Il y a eu quelques exceptions où le guidage visuel a aidé, mais seulement pour des types de tissus qui paraissaient très distincts et uniques sous le microscope, comme certaines tumeurs agressives. Pour ces cas spécifiques, les indices visuels ont permis au modèle d'affiner sa concentration. Cependant, pour la grande majorité des types de tissus, en particulier ceux qui se ressemblent ou présentent des différences subtiles, le guidage n'a apporté aucun bénéfice et a même parfois rendu le modèle moins performant dans la prédiction de l'activité génique. Les chercheurs ont conclu que l'information visuelle ne pouvait ni sauver ni récupérer les signaux biologiques qui manquaient aux données géniques dès le départ. Les modèles ne pouvaient que réorganiser ce qui était déjà présent ; ils ne pouvaient pas inventer de nouvelles informations.

Cette découverte suggère une limite critique dans la manière dont nous pouvons améliorer ces puissants outils biologiques. Bien qu'il soit tentant de jeter toutes les sources de données disponibles sur un problème, l'étude montre que l'ajout d'un second langage ne permet pas automatiquement de mieux comprendre le premier si le premier manque du vocabulaire nécessaire. Avant de tenter d'utiliser des images de tissus pour guider les modèles de gènes, les scientifiques doivent d'abord diagnostiquer si les données géniques contiennent réellement les signaux partagés nécessaires à ce guidage. Ce travail sert de rappel que, dans la tâche complexe de décoder la vie, plus de données ne signifie pas toujours mieux, si la structure sous-jacente de ces données est trop contrainte pour porter le poids de la nouvelle information. La voie à suivre exige un diagnostic soigneux de ce que les données peuvent et ne peuvent pas nous dire, plutôt que de supposer qu'un enseignant visuel peut toujours corriger un élève silencieux.