Temporal AI model predicts drivers of cell state trajectories across human aging

Die Forscher entwickelten mit MaxToki ein temporales KI-Modell, das auf fast einer Billion Gen-Token trainiert wurde, um Zellzustandsverläufe über die gesamte menschliche Lebensspanne vorherzusagen und experimentell verifizierte Zielmoleküle zur Beeinflussung altersbedingter Gene zu identifizieren.

Das Wesentliche

Stellen Sie sich vor, Sie könnten die Zukunft einer Zelle vorhersagen, so wie ein Wetterbericht das Wetter für die nächsten Tage prognostiziert. Genau das haben die Forscher in dieser Studie mit einer neuen künstlichen Intelligenz namens MaxToki geschafft.

Hier ist die Geschichte dahinter, einfach erklärt:

1. Das Problem: Ein Foto reicht nicht

Bisherige KI-Modelle für Zellen waren wie ein Fotograf, der nur einzelne Schnappschüsse macht. Sie konnten sagen: „Diese Zelle sieht heute so aus." Aber sie konnten nicht verstehen, wie sich die Zelle über die Zeit verändert.
Stellen Sie sich Alterung wie einen Film vor. Bisherige KIs sahen nur einzelne Bilder aus diesem Film und versuchten, das ganze Drama zu verstehen. Das war schwierig, weil Zellen sich ständig verändern – sie altern, werden krank oder heilen. Um das zu verstehen, braucht man den ganzen Film, nicht nur ein Standbild.

2. Die Lösung: MaxToki, der „Zeit-Reisende"

Die Forscher haben eine neue KI entwickelt, die nicht nur Fotos macht, sondern den ganzen Film versteht. Sie nennen sie MaxToki.

• Wie lernt sie? MaxToki hat sich fast eine Billion (1.000.000.000.000) „Wörter" (Gene) aus fast 175 Millionen Zellen angeschaut. Das ist wie ein Schüler, der alle Bücher in einer riesigen Bibliothek gelesen hat, um die Sprache des Lebens zu verstehen.
• Was kann sie? Sie kann nicht nur sagen, wie eine Zelle heute ist, sondern auch:
  • Wie sie früher war (Rückblick).
  • Wie sie in 10 Jahren aussehen wird (Vorhersage).
  • Was passiert, wenn man ihr ein bestimmtes „Medikament" gibt (Simulation).

3. Die große Übung: Das Alter simulieren

Um MaxToki zu trainieren, haben die Forscher Daten von Menschen aus allen Lebensabschnitten gesammelt – von Babys bis zu 90-Jährigen. Da man nicht denselben Menschen über 90 Jahre hinweg jeden Tag beobachten kann, haben sie Tausende von Menschen zu einem großen „Lebensfilm" zusammengefügt.

MaxToki hat gelernt, Muster zu erkennen:

• „Wenn eine Zelle so aussieht, ist sie wahrscheinlich 20 Jahre alt."
• „Wenn sie so aussieht, ist sie 60."
• Sie konnte sogar vorhersagen, wie lange es dauert, bis eine Zelle von einem Zustand in einen anderen wechselt.

4. Der große Test: Krankheiten erkennen

Die Forscher haben MaxToki dann mit Krankheiten konfrontiert, die sie im Training gar nicht gesehen hatte (wie Alzheimer oder Lungenfibrose).

• Das Ergebnis: MaxToki hat sofort gemerkt: „Hey, diese Zellen sehen aus, als wären sie viel älter, als sie eigentlich sind!"
• Die Analogie: Stellen Sie sich vor, Sie sehen einen 40-jährigen Mann, der aussieht wie ein 70-Jähriger. MaxToki hat genau das bei Zellen von Alzheimer-Patienten erkannt. Sie sagte: „Diese Zellen haben sich um 3 Jahre schneller gealtert als normal." Das stimmt mit dem überein, was Ärzte in der Realität beobachten.

5. Der Durchbruch: Die „Anti-Aging"-Schalter finden

Das Coolste an MaxToki ist, dass sie nicht nur zuschaut, sondern Ratschläge gibt.
Die Forscher fragten die KI: „Was müssen wir tun, damit diese Zelle jünger bleibt?"

• MaxToki hat eine Liste von Genen erstellt, die wie Schalter funktionieren. Wenn man diese Schalter umlegt (in der KI simuliert), wird die Zelle jünger.
• Der Test im echten Leben: Die Forscher haben die besten Vorschläge von MaxToki im Labor getestet. Sie haben diese Gene in menschlichen Herzzellen aktiviert.
• Das Ergebnis: Die Zellen wurden tatsächlich älter und funktionsunfähiger – genau das, was die KI vorhergesagt hatte! Umgekehrt zeigten die Tests, dass das Ausschalten bestimmter Gene die Zellen jünger halten könnte.

Warum ist das wichtig?

Stellen Sie sich vor, Sie wollen ein Haus reparieren. Früher musste man raten, welches Brett lose ist, und hat dann alles zerlegt, um zu schauen. Mit MaxToki haben Sie einen Bauplan, der genau sagt: „Wenn du hier nagelst, wird das Dach in 10 Jahren nicht mehr漏en."

Diese KI hilft uns, die Ursachen des Alterns und von Alterskrankheiten wie Herzschwäche oder Demenz zu verstehen. Sie kann neue Medikamente finden, die das Altern verlangsamen, lange bevor teure klinische Studien am Menschen beginnen.

Zusammengefasst:
MaxToki ist wie ein Kristallkugel-Orakel für Zellen. Es hat gelernt, wie das Leben im Mikrokosmos abläuft, und kann uns jetzt sagen, wie wir den Film des Alterns verlangsamen oder sogar umdrehen können.

Technische Zusammenfassung

1. Problemstellung

Bestehende KI-Modelle für die Netzwerkbioinformatik (z. B. Geneformer) behandeln Zellzustände typischerweise als statische Momentaufnahmen. Sie können zwar den Einfluss von Störungen auf einen einzelnen Zustand vorhersagen, versagen jedoch darin, zu lernen, wie zelluläre Reaktionen über die Zeit ablaufen. Dies ist insbesondere bei langen Trajektorien wie der menschlichen Alterung, der Entwicklung oder chronischen Krankheiten ein kritisches Limit. Da es ethisch und praktisch kaum möglich ist, dieselben Individuen über Jahrzehnte hinweg in schwer zugänglichen Geweben zu sequenzieren, fehlen Daten, um Alterungsprozesse als kontinuierliche zeitliche Abfolge zu modellieren. Es besteht ein dringender Bedarf an Modellen, die nicht nur den aktuellen Zustand, sondern die gesamte Trajektorie und die treibenden Faktoren von Zustandsübergängen über lange Zeiträume vorhersagen können.

2. Methodik: MaxToki

Die Autoren entwickelten MaxToki, ein temporales KI-Modell, das auf Transformer-Architekturen basiert und speziell für die Generierung von Zellzuständen über dynamische Trajektorien sowie die Vorhersage von Interventionen entwickelt wurde.

• Zweistufiger Trainingsansatz:

  1. Stufe 1 (Generierung): Das Modell wurde mit einem Korpus von ca. 175 Millionen einzelnen Zell-Transkriptomen (Genecorpus-175M) vortrainiert. Es lernte, einzelne Zellzustände zu generieren, indem es Gene basierend auf ihrer relativen Expression (Rank-Value-Encoding) autoregressiv vorhersagte. Dies depriorisiert häusliche Gene und priorisiert Transkriptionsfaktoren.
  2. Stufe 2 (Temporales Lernen): Das Modell wurde auf einen Kontext von 16.384 Tokens erweitert, um mehrere Zellzustände entlang einer Trajektorie zu modellieren. Es lernte, sowohl den zeitlichen Abstand (Timelapse) zwischen Zuständen vorherzusagen als auch Zellzustände zu generieren, die nach einem bestimmten Zeitintervall auftreten.

• Datenbasis:

  • Ein populationsbasierter Alterungskorpus (Genecorpus-Aging-22M) mit ca. 22 Millionen Zellen von ~3.800 Spendern, die alle Lebensjahrzehnte von der Geburt bis ins hohe Alter (90+) abdecken.
  • Daten wurden nach Zelltyp und Geschlecht stratifiziert, um simulierte Alterungstrajektorien zu erstellen.
  • Spezielle "Held-out"-Datensätze (bestimmte Zelltypen und Altersgruppen) wurden zurückgehalten, um die Generalisierungsfähigkeit zu testen.

• Technische Architektur & Optimierung:

  • Zwei Modellvarianten: 217 Millionen und 1 Milliarde Parameter.
  • Nutzung von RoPE (Rotary Positional Embeddings) zur Skalierung des Kontextfensters.
  • Continuous Numerical Tokenization: Zeitintervalle wurden nicht als kategorische Werte, sondern als kontinuierliche numerische Token behandelt, um das Lernen von Zeitverläufen zu ermöglichen.
  • Verlustfunktionen: Kreuzentropie (CE) für die Zellgenerierung und Mean-Squared-Error (MSE) für die Vorhersage von Zeitintervallen.
  • Hardware-Optimierung: Einsatz von NVIDIA BioNeMo, FlashAttention-2 und gemischter Präzision (bf16) auf H100/H200 GPUs, was den Durchsatz um das 5-fache und die Generierungsgeschwindigkeit um über 400-fach steigerte.

• Prompting-Strategie:
  Das Modell erhält einen Kontext (z. B. 2-3 Zellen mit ihren Zeitabständen) und eine Abfrage (Query). Die Abfrage kann entweder eine Zielzelle sein (Aufgabe 1: Vorhersage des benötigten Zeitintervalls) oder ein Zeitintervall (Aufgabe 2: Generierung des resultierenden Zellzustands).

3. Wichtige Beiträge

• Erstmalige temporale Modellierung: MaxToki ist eines der ersten Foundation-Modelle, das Zellzustände nicht isoliert, sondern als kontinuierliche zeitliche Trajektorien modelliert.
• In-Context-Learning für Trajektorien: Das Modell kann lernen, wie sich Gene in neuen, während des Trainings nicht gesehenen Zelltypen oder Altersgruppen über die Zeit verändern, ohne explizite Labels für diese Trajektorien zu benötigen.
• Interpretierbarkeit: Durch Attention-Analysen wurde gezeigt, dass das Modell selbstständig lernt, Transkriptionsfaktoren (die Haupttreiber von Zellzuständen) stärker zu gewichten als andere Gene, obwohl es keine Vorabinformationen über Genfunktionen erhielt.
• In-silico-Screening: Entwicklung einer Strategie zur Vorhersage von pro-aging (alterungsfördernden) vs. rejuvenierenden (verjüngenden) genetischen Eingriffen.

4. Ergebnisse

• Vorhersagegenauigkeit: MaxToki konnte Zeitintervalle zwischen Zellzuständen für zurückgehaltene Altersgruppen und Zelltypen signifikant genauer vorhersagen als lineare Modelle oder Baseline-Ansätze (Korrelation von 0,77 bis 0,85).
• Qualität generierter Zellen: Die vom Modell generierten Transkriptome wurden von externen Klassifikatoren korrekt als spezifische Zelltypen annotiert (82% Übereinstimmung) und zeigten eine hohe Ähnlichkeit mit echten Zellen im Embedding-Raum. Sie waren zudem als einzelne Zellen (Singlets) und nicht als Mittelwerte (Doublets) erkennbar.
• Erkennung nicht-monotoner Muster: Das Modell konnte komplexe, nicht-monotone Genaktivierungsmuster in kurzen Trajektorien (z. B. bei der partiellen Reprogrammierung von Zellen) korrekt nachbilden.
• Alterungsbeschleunigung in Krankheiten: Das Modell identifizierte erfolgreich eine beschleunigte Alterung in Zellen von Patienten mit:
  • Lungenfibrose (15 Jahre Beschleunigung).
  • Schwerem Rauchen (5 Jahre Beschleunigung).
  • Alzheimer-Demenz (3 Jahre Beschleunigung in Mikroglia).
  • Interessanterweise zeigten Patienten mit "Alzheimer-Resilienz" (gleiche Pathologie, aber keine kognitiven Symptome) keine Alterungsbeschleunigung in Mikroglia.
• Experimentelle Validierung:
  • In silico: Das Modell sagte Gene voraus, deren Hemmung verjüngend wirken würde.
  • In vitro: Die Überexpression vorhergesagter pro-aging Gene (z. B. P4HA1, RASGEF1B, ZBTB16) in humanen iPSC-abgeleiteten Kardiomyozyten und kardialen Fibroblasten führte zu einer Dysregulation von Alterungsgenen, erhöhter Seneszenz, gestörter Calcium-Kinetik und Rhythmusstörungen.
  • In vivo: Die Überexpression von P4HA1 und RASGEF1B in Mäusen führte innerhalb von 6 Wochen zu einer signifikanten Verschlechterung der Herzfunktion (reduzierte Ejektionsfraktion und longitudinale Dehnung).

5. Bedeutung und Ausblick

MaxToki stellt einen Paradigmenwechsel in der computergestützten Biologie dar. Es überwindet die Limitierung statischer Zellzustandsmodelle und ermöglicht die Vorhersage dynamischer zellulärer Trajektorien über die gesamte menschliche Lebensspanne.

• Therapeutische Entdeckung: Das Modell dient als leistungsstarkes Werkzeug für das in-silico-Screening von Kandidaten für Interventionen, die Alterungsprozesse verlangsamen oder Krankheiten wie Herzinsuffizienz und Demenz behandeln könnten.
• Mechanistische Einblicke: Es liefert neue Hypothesen über die molekularen Treiber des Alterns (z. B. Entzündung, mitochondriale Dysfunktion, Seneszenz-assoziierte Sekretionsphänotypen), die experimentell validiert wurden.
• Zukunft: Die Autoren schlagen vor, solche Modelle mit iPSC-basierten Krankheitsmodellen zu kombinieren, um kausale Mechanismen von Krankheitsverläufen zu entschlüsseln und personalisierte Therapien zu entwickeln, die zelluläre Trajektorien gezielt in Richtung Gesundheit programmieren.

Zusammenfassend demonstriert das Paper, wie temporale KI-Modelle genutzt werden können, um die Dynamik des menschlichen Alterns zu decodieren und neue, validierbare therapeutische Ziele zu identifizieren.