Les laboratoires de biologie ont beaucoup investi pour combiner images de tissus et données d'expression génique, dans l'espoir que deux vues d'une cellule valent mieux qu'une. Un article de Nature Machine Intelligence soutient que la façon la plus courante de le faire n'ajoute souvent rien que la meilleure source unique ne contenait déjà, et propose un test pour savoir quand la fusion vaut l'effort.
Le cadre est ce que les auteurs appellent des modèles de fondation compositionnels : deux encodeurs préentraînés, ici UNI-2 pour les lames d'histologie et Nicheformer pour la transcriptomique spatiale, gardés figés et reliés par une petite interface apprise. Cette conception est répandue parce que les données appariées, où le même tissu est à la fois imagé et séquencé, sont rares, alors que les données d'une seule modalité abondent. Les auteurs comparent dix interfaces de ce type, de la simple concaténation à CCA, VICReg et une méthode appelée CoMM, sur des données de fibrose pulmonaire, de thymus en développement et de cancer du sein, pour cinq tâches comme classer des niches tissulaires ou prédire les voisins d'une zone.
Leur nouvelle mesure, le Synergistic Information Score, évalue avec de simples sondes linéaires de combien une représentation fusionnée dépasse la meilleure représentation unique. Leur théorie montre que les objectifs d'alignement avec encodeurs figés récupèrent surtout le recouvrement linéaire que les deux encodeurs partagent déjà, ce que les auteurs nomment un plafond spectral. Dans les données à haute résolution où image et expression concordent étroitement, le score est proche de zéro ou négatif, et la fusion apporte peu. Dans un test de passage à l'échelle, affiner l'encodeur d'expression génique avec à peine 1% des données annotées a vite amélioré les résultats et égalé ou dépassé les modèles fusionnés pour chaque fraction de données testée.
La fusion se justifie pourtant dans certains cas. Là où la résolution diffère fortement, comme un séquençage par spots grossier à côté d'une histologie fine dans les données de thymus, le score augmente et les méthodes conçues pour modéliser les interactions, comme CoMM, deviennent compétitives. La leçon pratique est de mesurer avant de construire : si une seule modalité porte déjà le signal, un second encodeur ajoute des paramètres et un coût sans information nouvelle.
Les conclusions ont des limites nettes. Le plafond concerne les encodeurs figés évalués par sondes linéaires ; un entraînement de bout en bout à la manière de CLIP peut se comporter autrement. L'étude porte sur l'histologie spatiale, avec seulement un essai pilote sur d'autres associations multi-omiques. Et le score mesure ce qu'une sonde linéaire peut atteindre, pas toutes les façons dont un modèle plus riche pourrait exploiter des données combinées. Article relu par des pairs, il pèse plus qu'un preprint, mais reste le benchmark d'un seul groupe sur trois jeux de données.