Résumé Technique : L'apprentissage profond topologique identifie des clusters de variants polygéniques dans les troubles multimorbides familiaux

Énoncé du problème

Le séquençage du génome entier (WGS) offre une couverture complète des variations codantes, non codantes et structurelles, pourtant son utilité clinique est limitée par un « goulot d'étranglement de l'interprétation ». Les pipelines bioinformatiques actuels, largement ancrés dans les critères de l'American College of Medical Genetics and Genomics/Association for Molecular Pathology (ACMG/AMP), excellent dans l'identification d'allèles mendéliens à haute pénétrance, mais échouent fréquemment à détecter les variants à faible ou moyenne pénétrance, les altérations non codantes et les interactions germinales-somatiques. Cette logique catégorielle basée sur des règles est mal adaptée au « déluge de données génomiques » et à l'identification de variants qui contribuent à la maladie via des mécanismes quantitatifs et combinatoires (modèles oligogéniques ou polygéniques). Dans les troubles familiaux caractérisés par une multimorbidité (par exemple, cooccurrence de cancers, de maladies auto-immunes et de maladies cardiovasculaires), une proportion substantielle de variants contributeurs peut ne pas répondre aux seuils de pathogénicité classiques (par exemple, une rareté insuffisante ou des tailles d'effet modestes), conduisant à leur rejet en tant que variants de signification incertaine (VUS). Les auteurs soutiennent que le domaine nécessite un passage de la classification de variants uniques à la sélection d'ensembles cohérents de variants qui pointent collectivement vers un mécanisme pathologique plausible.

Méthodologie : Le cadre PolyCLIP-T

Les auteurs introduisent PolyCLIP-T, un cadre multimodal guidé par la topologie conçu pour transformer la sélection de variants d'un problème de classification en une tâche de découverte géométrique. Le pipeline se compose de trois étapes principales :

1. Représentation multimodale unifiée et apprentissage contrastif

PolyCLIP-T apprend des représentations multimodales de variants génomiques en alignant des informations de séquence, biologiques et textuelles au sein d'un espace latent partagé.

• Architecture à double encodeur : Inspiré par le cadre CLIP, le modèle utilise deux encodeurs :
  • Encodeur de séquence : Utilise un transformateur DNABERT-2 affiné pour encoder les séquences d'ADN de référence et alternatives (±100 bp, étendues à ±500 bp pour les contextes sensibles à l'épissage) en plongements de séquence ($h_{seq}$).
  • Encodeur biologique : Un perceptron multicouche (MLP) traite les vecteurs d'annotation tabulaires, incluant les conséquences fonctionnelles (VEP, CADD, SpliceAI), les mesures de conservation (phyloP, GERP++), la génétique des populations (gnomAD), le contexte structurel (CNV, LOH) et les annotations de voies métaboliques.
• Apprentissage contrastif : Le modèle est entraîné à l'aide d'une perte de contraste symétrique (InfoNCE, NT-Xent) pour aligner les plongements de séquence avec les plongements de caractéristiques biologiques. Crucialement, il utilise la similitude sémantique basée sur l'ontologie (par exemple, Gene Ontology, voies métaboliques) comme une stratégie de supervision par étiquettes souples (soft-labels) plutôt que de s'appuyer sur des étiquettes de pathogénicité strictes, rares et biaisées. Cela permet au modèle d'apprendre la similitude fonctionnelle et les relations liées aux maladies entre les variants.
• Plongements Delta : Le déplacement entre les plongements de référence et alternatifs ($\Delta z_i = z_{alt} - z_{ref}$) dans l'espace latent partagé quantifie la perturbation moléculaire induite par chaque variant.

2. Analyse des données topologiques (TDA) et régularisation

Pour préserver la structure géométrique intrinsèque du manifold des variants et éviter l'effondrement géométrique courant dans l'apprentissage contrastif, les auteurs introduisent la Régularisation par Diffusion Topologique (TDR).

• TDR : Un cadre enseignant-élève (teacher-student) où un réseau enseignant (une moyenne mobile exponentielle des paramètres de l'élève) maintient une topologie de référence stable. La fonction de perte minimise la divergence entre les distances de diffusion de l'élève et de l'enseignant à travers plusieurs échelles ($t \in \{1, 3, 5\}$), garantissant que la structure géométrique globale de l'espace des variants est préservée.
• Homologie persistante : Appliquée à l'espace de caractéristiques intégré (spécifiquement les plongements delta), l'homologie persistante identifie des composantes topologiques stables. Une filtration de Vietoris–Rips construit une filtration sur la matrice de distance, enregistrant la « naissance » et la « mort » des caractéristiques topologiques. Les caractéristiques ayant des durées de vie prolongées représentent des clusters de variants robustes et bien séparés, partageant des similitudes de séquence et des profils fonctionnels.

3. Critères de sélection des variants

Les ensembles de variants candidats sont extraits des composantes persistantes sur la base de trois critères intrinsèques :

1. Signification topologique : La durée de vie de la composante doit dépasser un seuil ($\ell_{min} = 0,25$), assurant la robustesse face au bruit.
2. Enrichissement de densité : La densité locale des variants au sein de la composante doit être au moins deux fois plus élevée que la densité de fond dans la même région génomique.
3. Cohérence fonctionnelle : Le groupe doit présenter un enrichissement pour au moins une signature moléculaire d'intérêt biologique (par exemple, score CADD élevé, rareté extrême, chevauchement LOH ou cooccurrence de variants structurels).

Le cadre emploie également un critère de sélection à norme mixte fondé sur la théorie du transport optimal, filtrant les variants en fonction de leur distance par rapport à un noyau compact de profils connus comme bénins.

Contributions clés et résultats

Cohorte et validation

Le cadre a été développé et testé sur six familles (14 individus) sélectionnées pour une multimorbidité transgénérationnelle dense (cancer, maladies auto-immunes et/ou cardiovasculaires). Cinq familles (F1–F5) ont été utilisées pour le développement, tandis que la famille F6 a servi de test indépendant.

• Performance : PolyCLIP-T a atteint une précision de 0,96 et un rappel de 0,67 dans la récupération des variants pathogènes connus de ClinVar, surpassant nettement les méthodes de base et les encodeurs individuels.
• Efficacité des étiquettes : Le modèle a maintenu une haute qualité de clustering (Indice de Rand ajusté $\ge 0,70$) avec seulement 1 à 5 % de variants portant des étiquettes de maladie, surpassant les classificateurs entièrement supervisés.
• Études d'ablation : Les résultats ont confirmé que chaque composante — encodage de séquence, annotation biologique, alignement contrastif et régularisation topologique — apporte une contribution indépendante et additive à la performance.

Découverte de modules polygéniques

Appliqué à la famille de test (F6), PolyCLIP-T a réduit 4,2 millions de variants bruts à 112 candidats interprétables.

• Récupération de zones non codantes : Contrairement aux pipelines conventionnels qui se concentrent sur les exons codants, PolyCLIP-T a récupéré une proportion significative de candidats non codants (38 %) et structurels.
• Pléiotropie inter-maladies : Les clusters identifiés ont révélé des modules biologiquement cohérents couvrant différentes catégories de maladies. Par exemple, des gènes tels que ERBB3, HLA-A et LPA ont été trouvés co-clustérés, liant le cancer, la régulation immunitaire et le risque cardiovasculaire.
• Étude de cas (Famille F6) : Alors que l'analyse conventionnelle identifiait un variant pathogène BRCA1 (expliquant le cancer héréditaire du sein/ovaire), PolyCLIP-T a identifié un cluster distinct de 15 variants constitutionnels (incluant ERBB3, HLA-A, LPA, PAX3, TNFRSF25). Ces variants, individuellement d'effet modeste et souvent classés comme VUS, co-ségréguaient avec le phénotype multimorbide plus large (cancer, maladie de Crohn, AVC) et formaient un composant topologique stable.

Signification et affirmations

L'article pose que PolyCLIP-T fournit une solution interprétable et scalable pour les investigations basées sur le génome des troubles pilotés par des architectures polygéniques qui échappent à l'analyse de variant unique.

• Changement de paradigme : Ce travail plaide pour un passage de la « classification à la sélection », s'éloignant des seuils binaires pathogène-bénin pour identifier des ensembles cohérents de variants qui indiquent collectivement un mécanisme de maladie.
• Rôle complémentaire : Les auteurs déclarent explicitement que PolyCLIP-T n'est pas destiné à remplacer le cadre ACMG/AMP pour la classification définitive des variants. Au contraire, il opère en amont comme une couche de filtrage et de priorisation pour identifier le petit sous-ensemble de variants les plus dignes d'une curation manuelle détaillée.
• Génération d'hypothèses : L'outil sert de « moteur de découverte » qui réduit le risque de rejeter prématurément des variants dont la pertinence fonctionnelle ne deviendrait apparente qu'en combinaison. Il génère des hypothèses pour des gènes et des voies spécifiques (par exemple, l'axe PI3K/AKT, le crosstalk immuno-métabolique) pour une validation ultérieure dans de plus grandes cohortes.

Limites et directions futures

Les auteurs maintiennent une position modeste concernant la portée actuelle :

• Taille de la cohorte : L'étude s'est appuyée sur six familles, privilégiant la profondeur de caractérisation plutôt que la taille de l'échantillon. Une validation dans des populations indépendantes et plus larges est essentielle pour établir la généralisabilité.
• Circularité : Le benchmarking par rapport à ClinVar introduit une circularité partielle car les classifications de ClinVar sont partiellement dérivées des règles ACMG/AMP, qui alimentent également le système de scoring du modèle. Des ensembles de validation indépendants et orthogonaux sont nécessaires pour des estimations de performance impartiales.
• Exigences en données : L'implémentation actuelle nécessite des données de WGS familiales multi-générationnelles avec des paires tumeur-normal, ce qui limite l'applicabilité aux cas de cas isolés ou de trios.
• Biais d'ascendance : La performance peut être affectée par les biais des bases de données de référence (par exemple, gnomAD) envers les populations européennes.

Les auteurs concluent que, bien que le cadre soit prometteur pour identifier les allèles de susceptibilité constitutionnelle dans les familles multimorbides, la validation prospective dans des cohortes multicentriques indépendantes est la prochaine étape nécessaire avant la translation clinique.