scRM: A single-cell foundation model trained on scRNA-seq reads

In jeder lebenden Zelle arbeitet ständig eine geschäftige Fabrik des Lebens, die Anweisungen liest und Proteine baut. Um zu verstehen, wie diese Fabriken funktionieren, verlassen sich Wissenschaftler seit langem auf eine Methode, die wie ein Volkszähler fungiert: Sie zählen, wie viele Kopien jeder Bedienungsanleitung vorhanden sind. Dieser Ansatz, der eine einfache Liste von Zahlen für Tausende von Genen liefert, ist seit Jahren der Standard für die Untersuchung einzelner Zellen. Diese Volkszählermethode wirft jedoch den eigentlichen Text der Anweisungen weg. Sie sagt Ihnen zwar, dass eine Fabrik vier Kopien einer bestimmten Anleitung produziert hat, aber sie verwirft die Seiten selbst und verliert dabei Details darüber, wie diese Seiten bearbeitet wurden, wo sie beschnitten wurden oder ob sie Tippfehler enthielten. Jahrzehntelang haben Forscher diesen Detailverlust als den Preis akzeptiert, um in der Lage zu sein, Tausende von Zellen gleichzeitig zu untersuchen, in dem Glauben, dass der rohe Text des genetischen Codes zu chaotisch und komplex sei, um ihn direkt analysieren zu können.

Ein Team von Forschern bei Altos Labs und der University of Maryland hat nun diese lang gehegte Annahme infrage gestellt. Sie haben eine neue Art von künstlicher Intelligenz entwickelt, die den Zählschritt vollständig überspringt. Anstatt den Computer anzuweisen, auf eine Liste von Zahlen zu schauen, haben sie ihm den rohen genetischen Text selbst gefütert – die tatsächlichen Sequenzen der Buchstaben A, C, G und T, aus denen die RNA-Moleküle in einer Zelle bestehen. Dieses neue Modell, das sie scRM nennen, lernt direkt aus den unverarbeiteten Daten, ganz so, wie ein Schüler eine Sprache lernt, indem er die Originalbücher liest, anstatt eine Zusammenfassung zu lesen. Die Forscher fanden heraus, dass dieser Ansatz nicht nur funktioniert, sondern es auch ermöglicht, die Aktivität der Zelle mit einem Detailgrad zu verstehen, der zuvor unmöglich war, und das bei einem Bruchteil der Rechenleistung, die ältere Methoden erfordern.

Der Kern dieses Durchbruchs liegt darin, wie die Daten vorbereitet werden. In einem typischen Experiment erfassen Wissenschaftler das genetische Material aus Tausenden einzelner Zellen. Das Rohergebnis ist ein massiver Strom kurzer Textfragmente, von denen jedes mit einem eindeutigen Code versehen ist, um zu identifizieren, aus welcher Zelle es stammt. Traditionell versuchen Computer zuerst, jedes einzelne Fragment einem Referenzgenom zuzuordnen – ein Prozess, der langsam ist und eine bereits existierende Karte der Gene eines Organismus erfordert. Das neue Framework umgeht dies vollständig. Es nimmt die rohen Fragmente, gruppiert sie nach ihren Zell-Tags und setzt sie zu längeren, zusammenhängenden Textstücken zusammen, die Contigs genannt werden. Diese Contigs repräsentieren die tatsächlich in der Zelle gefundenen mRNA-Moleküle und bewahren die exakte Sequenz sowie etwaige Variationen in der Art und Weise, wie die Gene zusammengespleißt wurden. Dieser zusammengesetzte Text wird dann direkt in das KI-Modell eingespeist, welches den genetischen Code als eine Sprache behandelt, die es zu verstehen gilt, anstatt als eine Liste, die es zu zählen gilt.

Das von ihnen gebaute Modell, scRM, ist überraschend klein. Es enthält nur 1,2 Millionen einstellbare Einstellungen, sogenannte Parameter. Um dies einzuordnen: Andere führende Modelle auf diesem Gebiet sind oft hunderte Male größer, besitzen hunderte Millionen von Parametern und werden an zehntallen Millionen Zellen trainiert. Im Gegensatz dazu trainierten die Forscher ihr Modell an nur 3.000 Zellen aus Maus-Neuronen, ein Prozess, der nur eine Stunde auf einem einzigen Hochleistungs-Computerchip dauerte. Trotz seiner geringen Größe und der begrenzten Trainingsdaten schnitt das Modell bemerkenswert gut ab. Bei Tests, wie etwa der Identifizierung von Zelltypen oder der Vorhersage, wie Zellen auf genetische Veränderungen reagieren, erreichte es die Leistung der massiven, datenhungrigen Modelle. Es gelang ihm sogar, Zelltypen in Arten korrekt zu identifizieren, die es noch nie gesehen hatte, wie etwa Menschen, Fliegen und Ratten, einfach weil es die universelle Sprache des genetischen Codes lernte und nicht bloß eine spezifische Liste von Gennamen auswendig lernte.

Die wahre Stärke dieses Ansatzes wurde deutlich, als die Forscher untersuchten, wie Zellen auf spezifische genetische Störungen reagieren. In einigen Fällen kann eine Zelle die Art und Weise ändern, wie sie ihre genetischen Anweisungen zusammennäht, wodurch eine leicht andere Version eines Proteins entsteht. Die alten Zählmethoden, die nur die Gesamtzahl der Anweisungen sehen, können diese subtilen strukturellen Veränderungen nicht erkennen. Da scRM die tatsächliche Sequenz liest, kann es diese Unterschiede feststellen. In Experimenten, bei denen Zellen so verändert wurden, dass sich ihr Spleißen der Gene änderte, detektierte das neue Modell die Veränderungen genauer als alle bestehenden groß angelegten Modelle. Dies deutet darauf hin, dass der rohe Text des genetischen Codes einen Reichtum an Informationen über die Zellfunktion enthält, der verloren geht, wenn Daten auf einfache Zählungen reduziert werden.

Diese Arbeit öffnet eine neue Tür für die biologische Forschung. Indem sie bewiesen haben, dass Modelle direkt auf rohen Sequenzier-Reads trainiert werden können, haben die Forscher gezeigt, dass es möglich ist, leistungsstarke Werkzeuge zu bauen, ohne eine vorab existierende Karte der Gene eines Organismus zu benötigen. Dies ist besonders wichtig für die Untersuchung von Viren, Bakterien oder seltenen Organismen, die keine gut kartierten Genome besitzen. Das Framework ist zudem effizient genug, dass es Wissenschaftlern ermöglichen könnte, eigene, spezifische Modelle auf ihren eigenen Datensätzen zu trainieren, anstatt sich auf allgemeine Modelle zu verlassen, die auf massiven, öffentlichen Datensammlungen basieren. Während das aktuelle Modell ein Proof-of-Concept ist, glauben die Forscher, dass die Skalierung dieses Ansatzes einen tieferen Einblick in die Funktionsweise von Zellen ermöglichen könnte, indem Details über die Genaktivität enthüllt werden, die hinter dem Schleier vereinfachter Zählmethoden verborgen geblieben sind. Die Studie zeigt, dass man manchmal, um die Geschichte des Lebens zu verstehen, den Originaltext lesen muss und nicht nur die Zusammenfassung.