Un modèle d’attention convolutionnel classe les variations du nombre de copies à partir du séquençage de l’exome entier

Détecter des indices cachés dans notre ADN

Les médecins utilisent de plus en plus le séquençage de l’ADN pour rechercher des altérations génétiques pouvant expliquer des maladies, mais certains des indices les plus importants ne sont pas des « fautes de frappe » ponctuelles : ce sont des segments d’ADN manquants ou dupliqués. Ces altérations, appelées variations du nombre de copies, sont parfois difficiles à repérer dans les données générées couramment par les hôpitaux. Cette étude présente un nouveau modèle informatique qui lit des profils de couverture bruyants et détecte ces parties manquantes ou supplémentaires de façon plus précise et plus cohérente entre différents appareils de séquençage, ce qui pourrait améliorer un outil déjà courant en génétique médicale.

Pourquoi l’ADN en trop ou en moins importe

Les variations du nombre de copies sont des portions d’ADN présentes en moins ou en plus grand nombre que d’habitude. Un segment peut être complètement supprimé ou copié plusieurs fois. Ces altérations peuvent influencer des traits quotidiens, modifier le risque de maladies comme le cancer ou les troubles du développement neurologique, et affecter l’évolution des populations humaines. En clinique, détecter ces variants est crucial tant pour le diagnostic des maladies rares que pour le profilage des tumeurs. De nombreux patients passent déjà un séquençage de l’exome entier, qui cible les parties du génome codant pour des protéines. Exploiter ces tests d’exome existants pour détecter aussi les variations du nombre de copies pourrait rendre les bilans génétiques plus informatifs sans nécessiter des examens supplémentaires plus coûteux.

Pourquoi les outils actuels peinent

Détecter des variations du nombre de copies à partir de données d’exome est techniquement difficile. Le processus de capture de l’exome échantillonne le génome de façon inégale, produisant une profondeur de lecture irrégulière et bruitée — le nombre de lectures couvrant chaque région. Les logiciels traditionnels lissent ce bruit à l’aide d’astuces statistiques et de règles conçues à la main, puis appliquent des seuils pour décider si une région est normale, supprimée ou dupliquée. Bien que utiles, ces méthodes échouent souvent quand la couverture est faible, quand le séquençage est réalisé sur des machines ou chimies différentes, ou quand des motifs subtils sur des régions voisines ou entre chromosomes sont importants. En conséquence, la sensibilité peut en pâtir, surtout pour les événements plus petits ou bruyants, et les performances peuvent mal se transférer entre laboratoires ou plateformes.

Une nouvelle façon de lire des signaux bruités

Les auteurs ont conçu un modèle d’apprentissage profond, appelé CNN‑Att, qui apprend directement à partir des motifs bruts de couverture au lieu de dépendre principalement de règles fixes. Pour chaque segment codant pour une protéine (un exon), le modèle reçoit un instantané standardisé de la profondeur de lecture à travers l’exon et sa région environnante, ainsi que ses positions de début et de fin génomiques. Il reçoit aussi une étiquette encodée indiquant de quel chromosome provient l’exon. Des couches convolutionnelles — popularisées à l’origine pour l’analyse d’images — parcourent ce signal unidimensionnel pour capturer des formes locales dans le profil de couverture, comme des creux pouvant indiquer des délétions ou des bosses subtiles suggérant des duplications. Un mécanisme d’attention met ensuite en évidence les caractéristiques les plus informatives, en particulier les signaux faibles qui pourraient correspondre à des événements petits ou bruités, avant que le modèle n’émette une décision en trois classes : normal, délétion ou duplication.

Performances du modèle

Pour évaluer CNN‑Att, les chercheurs l’ont entraîné sur un large jeu de référence construit à partir du 1000 Genomes Project, où les données d’exome sont appariées à des annotations déduites de séquençage du génome entier plus complet. Sur un jeu distinct de 50 échantillons d’exome réservés pour le test, le modèle a correctement classé environ 83 % des fenêtres d’exons au total et a montré une forte capacité à distinguer les trois classes, avec de bons résultats tant sur les courbes ROC que sur les courbes précision‑rappel. Les délétions ont été un peu plus faciles à détecter que les duplications, ce qui reflète le fait que les délétions laissent généralement une empreinte de couverture plus nette. Le modèle a surpassé une référence plus simple qui ne connaissait que les coordonnées génomiques, ce qui indique qu’il apprenait réellement à partir des motifs de profondeur plutôt que de mémoriser des « hotspots » où les variants sont fréquents.

Fiable sur différentes machines de séquençage

Parce que les centres cliniques et de recherche utilisent diverses machines de séquençage, un outil pratique doit bien se comporter sur plusieurs plateformes. Les auteurs ont donc testé CNN‑Att sur des données d’exome provenant du même ADN de référence séquencé sur quatre technologies majeures : HiSeq 4000, NovaSeq 6000, MGISEQ 2000 et BGISEQ 500. Sur ces instruments variés, le score F1 global du modèle — un équilibre entre précision et rappel — variait de 0,89 à 0,96, systématiquement supérieur à celui de plusieurs outils traditionnels largement utilisés. Dans une expérience supplémentaire, l’équipe a ajusté uniquement les couches de décision finales du modèle en utilisant un petit ensemble de sept échantillons annotés minutieusement par des experts. Même avec ces données curation limitées, l’ajustement a nettement amélioré le rappel pour les vraies délétions et duplications sur des échantillons mis de côté, au prix de quelques faux positifs supplémentaires, un compromis souvent acceptable lorsque les appels douteux peuvent être vérifiés par des tests de suivi.

Implications pour les patients et la recherche

Ce travail montre qu’une approche d’apprentissage profond ciblée peut transformer la couverture bruitée et inégale du séquençage d’exome de routine en un détecteur plus fiable de segments d’ADN manquants ou en excès. CNN‑Att atteint une sensibilité élevée tout en maintenant les erreurs à des niveaux gérables et reste robuste entre différentes machines de séquençage, ce qui le rend utile pour des études multi‑sites et des projets de grande envergure sur les populations. Bien qu’il nécessite encore une validation sur des cohortes plus larges annotées par des experts et dépende actuellement d’un génome de référence spécifique, la méthode ouvre la voie à des tests d’exome qui ratent moins de variants importants. En pratique, cela pourrait signifier que davantage de patients obtiennent des réponses génétiques exploitables et opportunes à partir du séquençage qu’ils subissent déjà.

Citation: Ouhmouk, M., Abik, M. A convolutional attention model classifies copy number variants from whole exome sequencing. Sci Rep 16, 14310 (2026). https://doi.org/10.1038/s41598-026-44691-2

Mots-clés: variations du nombre de copies, séquençage de l’exome entier, génomique apprentissage profond, réseau neuronal convolutionnel, génétique clinique