Le diagnostic génétique, c'est un peu comme comparer deux photos prises avec des appareils différents. Si l'un des appareils a légèrement décalé les couleurs, la photo révèle des « défauts » qui n'existent pas dans la réalité. C'est pareil pour l'analyse d'ADN : on compare l'échantillon du patient à une référence, et si la référence a été traitée avec des réactifs d'un autre lot ou dans un autre laboratoire, la comparaison produit de faux signaux — tantôt des mutations en trop, tantôt de vraies mutations manquées.
Les auteurs proposent de détecter ces incidents grâce au « niveau de confiance » entre les données et le modèle. Quand la technique fonctionne comme prévu, les données s'ajustent bien aux prédictions. Quand le lot de réactifs est altéré ou que l'instrument est déréglé, les données cessent de concorder avec le modèle — la confiance chute. La méthode cherche des groupes d'échantillons avec une confiance anormalement basse et les sépare des échantillons sains. C'est comme si, dans un album photo, on trouvait des clichés aux couleurs irréalistes — on les repère immédiatement par rapport aux autres.
Les tests sur données synthétiques ont montré que la méthode ne déclenche pas plus de fausses alertes que prévu. Sur de vrais panels cliniques — biopsie liquide, BRCA et thalassémie — elle a détecté des incidents dus à des causes variées : changement de réactifs, traitement dans des lieux différents. Et sur des enregistrements d'activité électrique cérébrale de souris, la méthode a aussi bien fonctionné, même si la tâche vient d'un tout autre domaine. Cela signifie que l'approche est universelle : elle attrape toute perturbation technique qui fausse la comparaison avec la référence.
Un tel filtre n'est pas là pour la forme. En clinique, une fausse mutation peut envoyer une personne vers un traitement inutile, et une vraie mutation manquée peut la laisser sans aide. La méthode permet de trier les analyses altérées avant qu'elles n'arrivent entre les mains du médecin, et ainsi de préserver la confiance dans le diagnostic génétique.
tel que rédigé par les auteurs, en anglais arXiv:2601.09758
Batch effects represent a major confounder in genomic diagnostics. In copy number variant (CNV) detection from NGS, many algorithms compare read depth between test samples and a reference sample, assuming they are process-matched. When this assumption is violated, with causes ranging from reagent lot changes to multi-site processing, the reference becomes inappropriate, introducing false CNV calls or masking true pathogenic variants. Detecting such heterogeneity before downstream analysis is critical for reliable clinical interpretation. Existing batch effect detection methods either cluster samples based on raw features, risking conflation of biological signal with technical variation, or require known batch labels that are frequently unavailable. We introduce a method that addresses both limitations by clustering samples according to their Bayesian model evidence. The central insight is that evidence quantifies compatibility between data and model assumptions, technical artifacts violate assumptions and reduce evidence, whereas biological variation, including CNV status, is anticipated by the model and yields high evidence. This asymmetry provides a discriminative signal that separates batch effects from biology. We formalize heterogeneity detection as a likelihood ratio test for mixture structure in evidence space, using parametric bootstrap calibration to ensure conservative false positive rates. We validate our approach on synthetic data demonstrating proper Type I error control, three clinical targeted sequencing panels (liquid biopsy, BRCA, and thalassemia) exhibiting distinct batch effect mechanisms, and mouse electrophysiology recordings demonstrating cross-modality generalization. Our method achieves superior clustering accuracy compared to standard correlation-based and dimensionality-reduction approaches while maintaining the conservativeness required for clinical usage.
La méthode a été testée sur des enregistrements d'activité cérébrale de souris — et elle a détecté des incidents techniques dans les données, alors qu'elle avait été conçue pour l'analyse d'ADN. C'est comme si un détecteur de faux billets se mettait soudain à repérer un faux dans un tableau.