A Curvature Guided Composite Kernel Framework for Differential Gene Selection in Cancer Transcriptomics

Résumé Technique : Un cadre de noyau composite guidé par la courbure pour la sélection de gènes différentiels en transcriptomique du cancer

Énoncé du problème
L'analyse de l'expression différentielle des gènes (DEG) est fondamentale pour la découverte de biomarqueurs et l'identification de cibles thérapeutiques en transcriptomique du cancer. Cependant, les méthodes existantes présentent des limitations significatives selon la modalité des données (RNA-seq en vrac vs RNA-seq en cellule unique) et les hypothèses statistiques sous-jacentes.

• Les méthodes paramétriques (ex. DESeq2, edgeR) reposent sur des distributions binomiales négatives et des modèles linéaires généralisés. Elles peinent souvent face au déséquilibre des classes, aux petits échantillons et aux caractiques de parcimonie spécifiques aux données de cellule unique.
• Les méthodes non paramétriques (ex. SAMseq, NOIseq) gèrent la variabilité de la profondeur de séquençage mais peuvent être coûteuses en termes de calcul en raison du rééchantillonnage ou peuvent souffrir de perte de données et d'une réduction de l'intérêt biologique.
• Les approches d'apprentissage automatique utilisant des noyaux standards (Linéaire, Polynomial, RBF) échouent souvent à capturer les relations biologiques complexes, non linéaires et hiérarchiques inhérentes aux données NGS à haut débit. Les noyaux RBF, par exemple, peuvent trop lisser les caractéristiques biologiques nettes ou devenir instables aux lignes de séparation des tendances.

L'article postule que les méthodes actuelles manquent d'un cadre unifié et agnostique à la modalité qui puisse modéliser efficacement la double nature des états géniques (normal vs cancéreux) tout en préservant la structure géométrique intrinsèque des données sans dépendre d'hypothèses de distribution rigides.

Méthodologie
Les auteurs proposent un « Cadre de noyau composite guidé par la courbure » qui intègre des analogies de la mécanique quantique, de la géométrie différentielle et de l'optimisation inspirée par la physique. La méthodologie procède à travers les étapes suivantes :

1. Représentation d'état d'inspiration quantique :

   • Les états d'expression génique sont modélisés par le premier postulat de la mécanique quantique, représentant les gènes comme des fonctions d'onde $|\Psi\rangle$ dans un espace de Hilbert.
   • Un Noyau Composite est construit basé sur l'approche de la Combinaison Linéaire d'Orbitales Atomiques (LCAO). Le vecteur d'état du gène est partitionné en deux régimes orthogonaux : un régime « normal » ($|\Phi_i\rangle$) et un régime « cancer » ($|\Xi_i\rangle$).
   • Le cadre impose des axiomes garantissant l'orthogonalité entre les fonctions d'onde normales et cancéreuses, traitant un gène non pas comme un point unique, mais comme une entité duale capable de projection simultanée dans des états sains et pathologiques.
   • Un produit scalaire composite est défini pour mapper la matrice d'expression dans un Espace de Hilbert de Noyaux Reproduisants (RKHS), générant une matrice de Gram semi-définie positive (PSD).

2. Analyse géométrique via la courbure de Ricci :

   • L'espace de Hilbert induit est modélisé comme une variété de Riemann. Les auteurs calculent la Courbure d'Oliver-Ricci (ORC) sur le réseau discret de transcrits géniques.
   • Contrairement aux opérateurs différentiels continus qui sont instables sur des ensembles de données bruités et finis, l'ORC repose sur la topologie discrète du réseau et les probabilités de transition pour agréger les structures géométriques locales en une valeur de densité pour chaque gène.
   • Ce spectre de courbure identifie les anomalies géométriques ; les DEGs critiques sont supposés présenter une courbure de Ricci fortement négative (goulots d'étranglement), tandis que les gènes redondants présentent une courbure plate ou positive.

3. Optimisation par recherche gravitationnelle :

   • Pour déterminer de manière autonome le nombre optimal de DEGs ($k$) sans heuristique visuelle, un Algorithme de Recherche Gravitationnelle (GSA) est employé.
   • Une fonction de perte de représentation $L_{rep}(S)$ est minimisée, comprenant trois termes :
     1. L'erreur de classification empirique ($\epsilon_{class}$).
     2. Une pénalité linéaire sur la taille du sous-ensemble (favorisant la parcimonie).
     3. Un terme de régularisation géométrique basé sur l'exponentielle de la courbure de Ricci ($\exp(Ric)$). Ce terme pénalise lourdement l'inclusion de gènes plats/à courbure positive tout en minimisant le coût de l'inclusion de gènes à courbure négative (goulots d'étranglement).
   • Les gènes sont traités comme des particules avec une « masse » déterminée par leur contribution de fitness à la minimisation de la perte globale. Une force gravitationnelle dynamique déplace les particules dans l'espace des caractéristiques pour converger vers le sous-ensemble de gènes optimal.

Contributions clés

• Cadre Novateur : Introduction d'un noyau composite d'inspiration quantique qui modélise explicitement la dualité des états géniques (normal vs cancer) au sein d'un espace de Hilbert, se distinguant des combinaisons linéaires de noyaux standards.
• Sélection Sensible à la Géométrie : Utilisation de la courbure de Ricci sur une variété de Riemann pour identifier les anomalies topologiques (goulots d'étranglement) associées aux gènes exprimés de manière différentielle, allant au-delà de la simple signification statistique.
• Optimisation Inspirée par la Physique : Développement d'un mécanisme de recherche gravitationnelle qui sélectionne dynamiquement le sous-ensemble de gènes optimal en minimisant une fonction de perte qui équilibre la précision de classification, la parcimonie et la pertinence géométrique.
• Agnosticisme de la Modalité : La méthode est conçue pour fonctionner à travers différentes modalités de données, incluant le RNA-seq en vrac (NGS) et les données de microarray, sans nécesser de réglage de paramètres spécifique à la modalité.

Résultats
Le cadre a été validé sur de multiples jeux de données provenant de The Cancer Genome Atlas (TCGA) et du Gene Expression Omnibus (GEO/CuMiDa), couvrant des cancers tels que l'adénocarcinome pulmonaire (LUAD), le cancer de la tête et du cou (HNSC), le cancer du sein (BRCA), ainsi que les cancers du foie et du pancréas.

• Performance de Classification :
  • Sur les jeux de données TCGA, la méthode proposée a systématiquement amélioré la précision de la classification par rapport à l'utilisation de l'espace de caractéristiques transcriptomiques complet original. Pour les SVM avec noyaux RBF, la précision est passée d'environ 98 % à 99 % pour BRCA et LUAD.
  • XGBoost a également montré des gains, particulièrement pour BRCA (l'exactitude passant de 95 % à 97,85 %).
  • La méthode a égalé ou surpassé les références établies (DESeq2, Voom-Limma, NOISeq) dans la plupart des scénarios. Notamment, bien que NOISeq ait atteint une précision parfaite sur un jeu de données, il a échoué à identifier des DEGs significatifs dans les cohortes de microarrays, tandis que la méthode proposée est restée robuste.
• Validation Externe :
  • Le cadre a démontré une forte généralisabilité inter-plateformes. Les DEGs sélectionnés à partir des données TCGA (NGS) ont maintenu une performance prédictive lorsqu'ils ont été appliqués à des jeux de données GEO (microarray) indépendants, et vice versa.
  • Dans la validation externe du cancer du sein, l'utilisation des DEGs dérivés de TCGA sur les données GSE a amélioré l'exactitude de XGBoost de 79,89 % à 87,21 %.
• Enrichissement Biologique :
  • L'analyse d'enrichissement des ensembles de gènes (GSEA) et l'analyse de voies KEGG ont confirmé que les gènes sélectionnés étaient biologiquement pertinents.
  • Les voies identifiées incluaient systématiquement la réponse aux dommages de l'ADN, le contrôle du cycle cellulaire, l'apoptose, la modulation immunitaire et les principales voies de signalisation oncogénique (ex. p53, Notch, Hedgehog, RAS), s'alignant sur la biologie cancéreuse connue à travers divers types de tissus hétérogènes.
• Réduction de Dimensionnalité :
  • Les visualisations PCA et UMAP ont montré que les sous-ensembles de DEGs sélectionnés créaient des variétés de faible dimension avec une compacité intra-classe et une séparabilité inter-classe améliorées par rapport aux données originales, éliminant efficacement le bruit et la redondance.

Signification et Revendications
L'article affirme que ce travail présente un nouveau paradigme pour l'identification des DEG qui dépasse les hypothèses de distribution traditionnelles. En exploitant les axiomes de la mécanique quantique pour définir les états géniques et la géométrie différentielle pour analyser la variété latente, le cadre extrait avec succès des signatures géniques compactes, informatives et biologiquement cohérentes.

Les auteurs soulignent que la méthode est agnostique à la modalité, capable de gérer à la fois les données NGS et les microarrays avec des performances constantes. Les résultats de validation externe suggèrent que les caractéristiques sélectionnées capturent des signatures d'expression associées à la maladie qui sont robustes aux variations de plateforme et aux artefacts spécifiques aux jeux de données. L'étude conclut que cette stratégie de sélection de gènes, guidée par la géométrie et d'inspiration quantique, offre un outil prometteur pour la découverte de biomarqueurs et la classification des maladies, fournissant une représentation stable et biologiquement significative des données transcriptomiques. Les auteurs notent qu'une validation supplémentaire sur des cohortes indépendantes plus larges et des jeux de données de cellule unique est nécessaire pour évaluer pleinement le potentiel de translation clinique.