Single-cell foundation models benefit from cross-modal training: adding proteomics data beats parameter scaling

داخل كل خلية حية، تجري محادثة معقدة، مكتوبة بلغتين مختلفتين. إحدى اللغتين تتكون من الحمض النووي الريبوزي (RNA)، وهي جزيئات تحمل تعليمات لبناء البروتينات، وهي "خيول العمل" التي تبقي الخلية حية وتعمل. أمضى العلماء سنوات في تعلم قراءة رسائل الـ RNA هذه، فأنشأوا مكتبات رقمية ضخمة تصف كيفية سلوك الخلايا في حالات الصحة والمرض. وقد نمت هذه المكتبات لتصبح كبيرة جدًا لدرجة أن الباحثين يستخدمون الآن برامج حاسوبية قوية، تُعرف بالنماذج التأسيسية، لإيجال الأنماط داخلها. تتعلم هذه البرامج التعرف على البصمات الفريدة لأنواع الخلايا المختلفة، تمامًا مثل أمين المكتبة الذي يمكنه تحديد نوع الكتاب فورًا من غلافه. ولفترة طويلة، كان الاعتقاد السائد هو أن الطريقة الوحيدة لجعل هذه البرامج أكثر ذكاءً هي تغذيتها بمزيد ومزيد من بيانات الـ RNA، آملين أن يكشف الحجم الهائل في نهاية المطاف عن كل أسرار الحياة الخلوية.

ومع ذلك، تتحدث الخلايا بأكثر من لغة واحدة. فإلى جانب الـ RNA، تنتج الخلايا البروتينات، وهي الهياكل الفعلية التي تؤدي مهام الخلية. وبينما يخبر الـ RNA الخلية بما يجب بناؤه، فإن البروتينات هي المنتجات النهائية. وحتى وقت قريب، كانت معظم النماذج الحاسوبية للخلايا تتجاهل هذه البروتينات، وتركز حصريًا على تعليمات الـ RNA. وقد ترك هذا فجوة في الفهم، حيث إن التعليمات لا تتطابق دائمًا مع النتيجة النهائية. وكان السؤال الذي يواجه العلماء هو ما إذا كان إضافة هذا الطبقة الثانية من المعلومات —بيانات البروتين— يمكن أن يعلم هذه النماذج الحاسوبية أكثر مما قد يفعله مجرد إضافة المزيد من بيانات الـ RNA. لقد كان اختبارًا لما إذا كانت الجودة والتنوع في المعلومات يمكن أن يتفوقا على الاستراتيجية البسيطة المتمثلة في جعل النماذج أكبر وتغذيتها بالمزيد من الشيء نفسه.

لقد شرع فريق من الباحثين في الإجابة على هذا من خلال تدريب نموذج حاسوبي على نوع جديد من البيانات. بدأوا بنموذج موجود سبق له التعلم من مئات الملايين من عينات الـ RNA. وبدلاً من مجرد تغذيته بمزيد من الـ RNA، قدموا له مجموعة واسعة من ملفات تعريف البروتين. جاءت هذه الملفات من 440 دراسة مختلفة استخدمت تقنية مطياف الكتلة، وهي تقنية تقيس البروتينات المحددة الموجودة في الخلية. وجه الباحثون النموذج بعناية للتعلم من عينات البروتين البالغ عددها 48,843 عينة، وهي عملية أطلقوا عليها اسم "التدريب المسبق المستمر عبر الوسائط المتعددة". وهذا يعني أن النموذج كان عليه أن يتعلم كيف ترتبط لغة البروتين بلغة الـ RNA التي يعرفها بالفعل، مما علمه فعليًا كيفية فهم الخلية من خلال تعليماتها ومنتجاتها النهائية معًا.

كانت النتائج مذهلة. فقد درب الباحثون نموذجًا يحتوي على 70 مليون معلمة (وهي مقياس لتعقيده) على هذه البيانات المختلطة لمجرد تمريرة واحدة عبر عينات البروتين. وعندما اختبروا هذا النموذج، وجدوا أنه أدى بشكل يضاهي أو يتفوق على نماذج أكبر بكثير تم تدريبها على الـ RNA فقط. وتحديدًا، طابق النموذج الأصغر المزود ببيانات البروتين أو تجاوز أداء نماذج الـ RNA فقط التي تحتوي على مليار و3 مليارات معلمة. يتحدى هذا الاكتشاف الفكرة القائلة بأن المسار الوحيد نحو فهم أفضل هو ببساطة زيادة حجم النموذج وكمية بيانات الـ RNA. وبدلاً من ذلك، يشير هذا إلى أن إدخال نوع مختلف من البيانات البيولوجية يمكن أن يوفر دفعة أكثر كفاءة لذكاء النموذج.

امتدت فوائد هذا النهج إلى ما هو أبعد من الأداء العام. فقد أظهر النموذج المدرب ببيانات البروتين قدرة أقوى على التعميم، مما يعني أنه يمكنه تطبيق ما تعلمه على مواقف جديدة لم يسبق له رؤيتها من قبل. وكان هذا واضحًا بشكل خاص عندما تم اختبار النموذج حول كيفية استجابة الخلايا للتغيرات في البروتين. في هذه الاختبارات، لم يساعد مجرد جعل نموذج الـ RNA فقط أكبر في فهم هذه التغييرات بشكل أفضل، بينما تعامل النموذج الذي تعلم من البروتينات مع هذه التحديات الجديدة بسهولة أكبر. ويشير هذا إلى أن بيانات البروتين ساعدت النموذج على بناء فهم أكثر قوة ومرونة لكيفية عمل الخلايا، وهو فهم لا يرتبط حصريًا بالأنماط الموجودة في الـ RNA وحده.

تشير هذه النتائج إلى أن مستقبل فهم الخلايا قد لا يكمن في بناء نماذج أكبر فأكبر مدربة على نوع واحد من البيانات. بدلاً من ذلك، قد تأتي أعمق الرؤى من الجمع بعناية بين أنواع مختلفة من المعلومات البيولوجية. فمن خلال تعليم النماذج الحاسوبية قراءة كل من التعليمات ومنتجات الخلية، يمكن للعلماء إنشاء أدوات ليست فقط أكثر ذكاءً، بل وأكثر دقة في توقعاتها أيضًا. يقدم هذا النهج مسارًا واعدًا نحو نماذج أكثر إفادة يمكنها استيعاب التعقيد الكامل للحياة، مما يثبت أن إضافة منظور جديد هي في كثير من الأحيان أكثر قيمة من مجرد إضافة المزيد من الشيء نفسه.