CoNVict: An Agentic AI System for Copy Number Variation Prioritization in Rare Disease Diagnosis

Le papier présente CoNVict, un système d'IA agentique à deux étapes qui surpasse les méthodes computationnelles existantes en priorisant les variants de nombre de copies (CNV) pour le diagnostic des maladies rares grâce à un raisonnement contextuel guidé par le phénotype du patient.

L'essentiel

🕵️‍♂️ L'Enquête : CoNVict, le Détective IA des Gènes

Imaginez que votre corps est une immense bibliothèque contenant 20 000 livres (vos gènes). Parfois, un livre manque (une délétion) ou un livre est dupliqué (une duplications). Ces erreurs s'appellent des Variations du Nombre de Copie (CNV).

Chez les personnes atteintes de maladies rares, ces erreurs sont souvent la cause du problème. Mais voici le piège : un seul de ces "livres manquants" peut toucher des dizaines de chapitres à la fois. Pour un médecin, c'est comme essayer de trouver quel chapitre précis a causé la maladie dans un livre de 500 pages, alors que le patient a des symptômes très spécifiques (comme "ne parle pas" ou "a des problèmes de cœur").

Jusqu'à présent, les ordinateurs étaient comme des dictionnaires géants : ils pouvaient lister tous les livres manquants et dire "ceci est une erreur", mais ils ne savaient pas pourquoi cela correspondait aux symptômes du patient. C'était au médecin de faire le lien, ce qui prenait du temps et était difficile.

CoNVict est une nouvelle intelligence artificielle qui change la donne. Voici comment elle fonctionne, avec des analogies simples :

1. Le Filtre de Sécurité (Le Tri)

Imaginez que vous avez reçu un tas de 10 000 lettres suspectes (les variations génétiques) pour un seul patient. Lire chaque lettre prendrait des jours.

• Ce que fait CoNVict : Il utilise un premier filtre rapide (comme un tri postal automatisé) pour ne garder que les 64 ou 512 lettres les plus "suspectes". Il ne jette rien d'important, mais il élimine le bruit de fond.

2. Le Dossier du Patient (Le Contexte)

Un bon détective ne regarde jamais une preuve isolément. Il la compare au dossier du client.

• Ce que fait CoNVict : Il crée un "dossier patient" numérique. Il prend les symptômes du patient (par exemple : "retard de parole", "visage particulier") et les compare à une base de données géante de connaissances sur chaque gène touché.
• L'analogie : C'est comme si CoNVict avait lu des milliers de romans policiers sur chaque gène. Il sait que le gène X est souvent lié à la "tristesse" et le gène Y à la "maladie cardiaque". Si le patient est triste, CoNVict sait immédiatement que le gène X est un suspect de premier plan.

3. Le Tribunal des Gènes (Le Tournoi)

C'est la partie la plus brillante. Au lieu de simplement donner un score, CoNVict organise un tournoi de boxe entre les suspects restants.

• Comment ça marche : Il prend deux variations génétiques et les met en face à face devant un juge (l'IA).
  • Juge : "Laquelle de ces deux erreurs explique mieux les symptômes de ce patient ?"
  • IA : "La variation A touche un gène lié à la parole, et le patient ne parle pas. La variation B touche un gène lié aux cheveux, ce qui n'a rien à voir. Donc, A gagne."
• Ce tournoi se répète jusqu'à ce qu'il reste un seul gagnant : la variation la plus probable d'être la cause de la maladie.

🏆 Pourquoi c'est révolutionnaire ?

1. Il comprend le contexte : Les anciens outils étaient comme des robots qui comptaient les lettres. CoNVict est comme un médecin humain qui réfléchit. Il comprend que "ne pas marcher" est plus important qu'une petite erreur dans un gène sans rapport.
2. Il résout les mystères : Il est particulièrement doué pour les cas où les médecins sont perdus (les "Variants d'Importance Incertaine"). Même si personne ne sait encore si une variation est dangereuse, CoNVict peut dire : "Attendez, ce gène est lié à ce symptôme, donc c'est probablement le coupable."
3. Il va plus loin que les codes : Il peut même regarder les zones entre les gènes (comme les notes de bas de page d'un livre) pour voir si elles contrôlent les gènes, ce que les autres outils ignorent souvent.

📊 Les Résultats en Bref

Sur des centaines de cas simulés (comme des entraînements de détectives), CoNVict a trouvé le coupable (la variation responsable) 74 % du temps en premier choix. Les meilleurs outils précédents ne le faisaient que 64 % du temps.

En résumé, CoNVict ne remplace pas le médecin. Il est comme un super-assistant qui lit des millions de documents en une seconde, compare les preuves, et dit au médecin : "Regardez ici, c'est très probablement la cause. Voici pourquoi." Cela permet de diagnostiquer les maladies rares beaucoup plus vite, offrant de l'espoir aux familles qui attendent une réponse.

Résumé technique

1. Problématique

Les variants du nombre de copies (CNV) sont une cause majeure de maladies rares (15 à 20 % des cas de troubles du neurodéveloppement ou d'anomalies congénitales multiples). Cependant, leur interprétation clinique reste un défi majeur pour plusieurs raisons :

• Complexité structurelle : Contrairement aux variants nucléotidiques simples, les CNV peuvent englober plusieurs gènes, perturber des éléments régulateurs, révéler des allèles récessifs ou créer des fusions géniques.
• Dépendance au phénotype : L'impact clinique d'un CNV ne peut être déterminé qu'en le confrontant au phénotype spécifique du patient.
• Limites des outils actuels : Les outils computationnels existants (comme AnnotSV, Exomiser, PhenoSV) automatisent le score au niveau du variant mais échouent à intégrer de manière dynamique les preuves guidées par le phénotype et à effectuer des comparaisons transversales entre plusieurs candidats. Ils traitent souvent les CNV de manière isolée, laissant au clinicien la tâche lourde de la synthèse des preuves et du classement.
• Variants d'importance incertaine (VUS) et non-codants : Une grande partie des CNV rapportés sont classés comme VUS ou situés dans des régions non codantes, où les annotations fonctionnelles sont insuffisantes pour une interprétation fiable par des règles statiques.

2. Méthodologie : Le système CoNVict

CoNVict est un système d'IA agentique (Agentic AI) conçu pour prioriser les CNV spécifiques à un patient. Il utilise des modèles de langage (LLM) pour orchestrer un pipeline de raisonnement multi-étapes, imitant le processus de diagnostic des généticiens cliniciens.

Le pipeline se déroule en deux stages principaux :

A. Pré-filtrage et Annotation

• Les variants sont annotés via AnnotSV.
• Un pré-filtrage basé sur le score de pathogénicité de CNVoyant réduit l'ensemble des candidats (top 64 pour le séquençage exome - WES, top 512 pour le séquençage génome entier - WGS) afin de limiter le coût computationnel des LLM.

B. Étape 1 : CNVerdict (Classification par verdict)

• Un LLM analyse chaque variant restant individuellement.
• Entrée : Les annotations du variant, les mots-clés phénotypiques extraits d'une base de données de gènes pré-calculée (cache), les termes HPO du patient et le résumé clinique (épicrisis).
• Sortie : Une classification en trois catégories : Pertinent (relevant), Abstention (abstain), ou Non pertinent (irrelevant).
• Objectif : Éliminer les variants clairement non liés au phénotype et réorganiser la liste en donnant la priorité aux variants pertinents.

C. Étape 2 : Tournoi de classement (Tournament Ranking)

• Les variants restants (top 32 pour WES, top 64 pour WGS) entrent dans un tournoi de comparaison par paires.
• Mécanisme : Le LLM compare deux CNV à la fois, conditionné par le contexte clinique du patient (HPO, épicrisis) et les détails structuraux des variants (impact sur les gènes, sensibilité à la dose, éléments régulateurs).
• Algorithme : Un système de tournoi éliminatoire permet d'identifier le vainqueur (rang 1), puis un sous-tournoi est lancé sur les perdants directs du vainqueur pour identifier le rang 2, et ainsi de suite jusqu'à obtenir le top-K (4 pour WES, 8 pour WGS).
• Avantage : Cette approche permet une synthèse comparative des preuves, là où les méthodes statiques échouent.

D. Ingénierie des connaissances

• Cache de gènes : Une base de données pré-calculée contient des mots-clés pertinents pour chaque gène (extraits de OMIM, ClinVar, HPO, etc.) via une recherche web et un ancrage par LLM. Cela permet de fournir un contexte riche sans surcharger la fenêtre de contexte du LLM.
• Raisonnement in-context : Le système utilise l'apprentissage en contexte (in-context learning) pour adapter son raisonnement à chaque cas clinique sans nécessiter de réentraînement du modèle.

3. Contributions Clés

1. Premier système agentique pour les CNV : CoNVict est la première application d'IA agentique dédiée spécifiquement à la priorisation des CNV, comblant le fossé entre l'annotation automatisée et le raisonnement clinique spécifique au patient.
2. Architecture à deux étapes : La combinaison d'un tri par verdict (CNVerdict) et d'un classement par tournoi permet de gérer efficacement le bruit de fond et de comparer les candidats de manière relative.
3. Généralisation robuste : Le système fonctionne bien sur des variants non codants, des VUS et des variants nouveaux (novel), là où les outils basés sur des bases de données connues échouent souvent.
4. Interprétabilité : Le système fournit un historique des comparaisons et un résumé pour le clinicien, rendant le processus de décision transparent.

4. Résultats

L'évaluation a été menée sur 397 cas diagnostiques simulés (320 WES, 77 WGS) provenant de sources variées (ClinVar, DECIPHER, UDN, et cas nouveaux).

• Performance globale : CoNVict a classé le CNV causal à la première position dans 74,3 % des cas et dans le top 5 dans 89,2 % des cas.
• Comparaison avec l'état de l'art :
  • CoNVict surpasse significativement les meilleurs outils existants (Exomiser, PhenoSV, SvAnna). Par exemple, il améliore le rappel Top-1 de 10,3 points de pourcentage par rapport à Exomiser.
  • L'écart de performance s'élargit dans les scénarios WGS (bruit de fond élevé), où CoNVict maintient un rappel Top-5 de 70,1 %, contre seulement 27,3 % pour PhenoSV.
• Variants complexes :
  • VUS et Cas nouveaux : Sur les variants classés VUS par AnnotSV (y compris les cas nouveaux absents des bases de données), CoNVict atteint un rappel Top-1 de 54,8 % contre 38,7 % pour Exomiser.
  • Variants non-codants : CoNVict est le seul outil à classer correctement certains variants intergéniques (Top-1 à 21,4 %), tandis que SvAnna échoue complètement (0 %) et Exomiser chute à 11,1 %.
• Robustesse : Le système conserve ses performances sur des variants sans preuve pathogénique préalable (pas de données ClinVar/OMIM), démontrant sa capacité à raisonner sur la base des mécanismes biologiques et du phénotype plutôt que sur la simple correspondance de mots-clés.

5. Signification et Perspectives

• Changement de paradigme : CoNVict démontre que l'IA agentique, capable de raisonnement itératif et contextuel, est mieux adaptée à l'interprétation des CNV que les fonctions de score statiques. Elle permet de traiter la complexité inhérente aux variants structuraux qui nécessitent une synthèse de preuves hétérogènes.
• Impact clinique : En améliorant la détection des causes génétiques, en particulier pour les cas complexes, VUS et non-codants, CoNVict pourrait réduire le taux de diagnostics non résolus et accélérer le parcours des patients atteints de maladies rares.
• Limites et futurs travaux : L'étude repose sur des données simulées (bien que réalistes). Les auteurs prévoient d'évaluer le système sur des cohortes cliniques prospectives, d'intégrer les informations de transmission (trio) et d'améliorer l'annotation des régions régulatrices pour renforcer la performance sur les variants non-codants.

En résumé, CoNVict représente une avancée majeure en génomique diagnostique, prouvant que les systèmes d'IA agentiques peuvent combler le fossé entre l'annotation à haut débit et le raisonnement clinique nuancé requis pour le diagnostic des maladies rares.