Neighbor-Contrastive Heterogeneous Graph Learning for Spatially Coherent Representation of Single-Cell Data

Dans le corps humain, les tissus ne sont pas des amas aléatoires de cellules, mais des quartiers hautement organisés. Tout comme une ville possède des districts distincts — un marché animé, un parc calme, un quartier résidentiel dense — les tissus contiennent des régions contiguës où des groupes spécifiques de cellules vivent et travaillent ensemble. Au cours des dernières années, les scientifiques ont développé des microscopes puissants capables de prendre une capture instantanée de centaines de milliers de cellules individuelles à la fois, enregistrant non seulement quels gènes chaque cellule utilise, mais aussi exactement où elle se situe dans le tissu. Cette technologie a ouvert une nouvelle frontière de la biologie : la capacité de cartographier l'architecture de la vie à une échelle microscopique. Cependant, transformer ces cartes massives en informations significatives nécessite un moyen de regrouper les cellules dans leurs bons quartiers. Le défi est que des cellules du même type peuvent paraître très différentes selon leur emplacement, et des cellules de types différents vivent souvent côte à côte dans un même district fonctionnel. Pour résoudre cela, les chercheurs utilisent des modèles informatiques qui traitent le tissu comme un réseau, où les connexions entre les cellules voisines aident à définir ce qu'est une région.

Un chercheur s'est récemment attaqué à un problème fondamental concernant la manière dont ces modèles informatiques apprennent à reconnaître les quartiers tissulaires. Pendant des années, la méthode standard pour entraîner ces modèles reposait sur une logique empruntée à la façon dont les humains apprennent à reconnaître les visages : l'ordinateur se voit montrer deux images légèrement différentes du même objet et on lui dit qu'elles sont identiques, tout en lui disant que chaque autre objet dans la pièce est différent. Cette approche force l'ordinateur à traiter chaque cellule comme un individu unique, le poussant à séparer chaque cellule de toutes les autres. Bien que cela fonctionne bien pour identifier des types de cellules spécifiques, cela échoue lorsque l'objectif est de trouver les plus grands quartiers où les cellules vivent ensemble. Dans un tissu, les cellules qui se touchent physiquement sont censées appartenir au même groupe, pourtant la méthode d'entraînement standard enseignait activement à l'ordinateur à les séparer.

Pour corriger ce décalage, Zheng Zhao, un cherchenaire à l'Université de l'aviation civile de Chine, a proposé un changement simple mais radical dans la manière dont l'ordinateur apprend. Au lieu de traiter chaque cellule comme sa propre classe unique, la nouvelle méthode enseigne à l'ordinateur que les cellules qui se touchent physiquement doivent être considérées comme une paire positive, ou une correspondance. Le modèle a été entraîné sur un ensemble de données massif comprenant près de 459 000 cellules provenant de neuf sections de tissu de colon humain, couvrant à la fois des échantillons sains et ceux de patients souffrant de maladies inflammatoires de l'intestin. Le chercheur a construit une carte complexe où les cellules étaient connectées sur la base de leur proximité physique, créant un réseau de plus de 2,6 millions de connexions. Il a ensuite entraîné un réseau neuronal, un type d'intelligence artificielle conçu pour traiter ces connexions, pour rapprocher les représentations des cellules qui se touchent dans sa mémoire interne, plutôt que de les éloigner.

Les résultats de ce changement ont été frappants. Lorsque le chercheur a testé le nouveau modèle par rapport aux méthodes existantes les plus performantes, la nouvelle approche a produit une image beaucoup plus claire de l'organisation tissulaire. Une mesure standard de la capacité du modèle à capturer le flux naturel du tissu s'est considérablement améliorée, passant d'un score de 0,633 à 0,756. Une autre mesure de la cohérence avec laquelle les cellules d'un même quartier étaient regroupées a bondi de 0,765 à 0,862. Ces améliorations ont été obtenues en utilisant seulement la moitié du temps de calcul et la moitié de la mémoire requis par les meilleures méthodes précédentes. Le modèle a identifié avec succès dix régions distinctes à travers les échantillons de tissus. Certaines de ces régions étaient dominées par des types de cellules spécifiques, comme un territoire composé presque entièrement de cellules épithéliales, tandis que d'autres étaient des mélanges complexes de différents types de cellules qui n'apparaissent que dans des états pathologiques spécifiques, tels que des zones distinctes trouvées uniquement dans la maladie de Crohn ou la rectocolite hémorragique.

L'étude a également révélé des vérités surprenantes sur la façon dont ces modèles devraient être évalués et ce qu'ils devraient éviter. Le chercheur a testé si l'ajout d'une caractéristique demandant à l'ordinateur de reconstruire les données cellulaires originales à partir d'une version corrompue aiderait, une pratique courante dans ce domaine. Il a découvert le contraire : l'ajout de cette tâche de reconstruction rendait en fait le modèle moins performant pour identifier les quartiers, nuisant à ses performances sur chaque métrique mesurée. De plus, l'étude a mis en évidence une faille dans la façon dont les scientifiques jugent souvent la qualité de ces cartes. Une métrique courante, qui mesure la compacité des régions identifiées, s'est révélée hautement instable. Lorsque le chercheur a exécuté exactement le même modèle avec un point de départ aléatoire différent, le score de cette métrique a oscillé violemment, changeant d'un facteur de 2,4. Cela signifie qu'un seul essai ne peut être fiable pour comparer les méthodes de manière équitable, car le résultat peut dépendre davantage du point de départ aléatoire que de la qualité du modèle lui-même.

Une autre découverte clé concernait la façon dont les scientifiques testent les interactions entre les types de cellules. Un outil statistique courant suppose que si deux types de cellules n'interagissent pas, leur disposition devrait ressembler à un mélange aléatoire d'étiquettes à travers l'ensemble du tissu. Le chercheur a montré que cette hypothèse est erronée pour les tissus où les cellules se regroupent naturellement. Lorsqu'il a appliqué ce test standard, celui-ci suggérait faussement que les macrophages et les fibroblastes s'évitaient. Cependant, lorsqu'il a utilisé un test plus rigoureux respectant la structure du voisinage local, la fausse alerte a disparu, montrant que ces cellules interagissaient au taux attendu. Cette découverte avertit les chercheurs que les outils standards peuvent engendrer des conclusions trompeuses sur le comportement des cellules s'ils ne tiennent pas compte du regroupement naturel des cellules dans le tissu.

En fin de compte, ce travail démontre que la manière dont un ordinateur est enseigné à apprendre importe autant que les données qu'il voit. En changeant simplement la définition de ce qui constitue une « correspondance », passant de « la même cellule » à « des voisins qui se touchent », le chercheur a permis au modèle de voir le tissu comme une collection de quartiers cohérents plutôt que comme une collection d'individus isolés. Le modèle n'a pas seulement mieux performé ; il a produit un type de carte différent, un qui reflète la réalité biologique de l'organisation tissulaire. Bien que l'étude ait été limitée au tissu du côlon et ne se soit pas comparée à toutes les autres méthodes existantes, elle offre une voie claire pour l'analyse des données spatiales. Elle suggère que pour les tâches impliquant la découverte de régions tissulaires, l'objectif doit être de préserver la continuité de l'espace, et que les outils utilisés pour mesurer le succès doivent être assez robustes pour gérer la variabilité inhérente des algorithmes de regroupement. Le code de cette nouvelle approche est désormais disponible pour que d'autres scientifiques puissent l'utiliser, offrant une manière plus efficace et plus précise de cartographier les quartiers complexes du corps humain.