A transcriptomics-native foundation model for universal cell representation and virtual cell synthesis

El artículo presenta xVERSE, un modelo fundamental nativo de transcriptómica que supera a los métodos actuales en la representación de datos y la síntesis de células virtuales de alta fidelidad, permitiendo el análisis preciso de conjuntos de datos diminutos y la generalización de predicciones entre modalidades.

Lo esencial

Imagina que el cuerpo humano es una ciudad inmensa y compleja, donde cada célula es un ciudadano con su propia historia, trabajo y personalidad. Para entender cómo funciona esta ciudad (o cómo se enferma), los científicos han estado tomando "fotos" de millones de estos ciudadanos. Pero hay un problema: a veces las fotos son borrosas, a veces solo vemos a unos pocos ciudadanos (como en una muestra pequeña de sangre) y, a veces, las cámaras de diferentes hospitales toman fotos con colores y estilos tan distintos que es difícil compararlas.

Aquí es donde entra xVERSE, el protagonista de este nuevo estudio.

¿Qué es xVERSE?

Piensa en xVERSE no como una simple cámara, sino como un "chef genio" o un "arquitecto digital" que ha leído todos los libros de cocina y planos de la ciudad del cuerpo humano.

Hasta ahora, la inteligencia artificial en biología funcionaba como un traductor que intentaba adivinar palabras faltantes en un texto (como los modelos de lenguaje que usas para chatear). Pero xVERSE es diferente: es un modelo nativo de transcriptómica. Esto significa que no solo "lee" las palabras (los genes), sino que entiende la receta completa de cómo se cocinan las células.

¿Qué hace este "chef" tan especial?

1. El Traductor Universal (Representación de Células)

Imagina que tienes notas escritas en 50 idiomas diferentes sobre cómo se sienten los ciudadanos de la ciudad. Algunos usan una cámara antigua, otros una moderna.

• El problema: Las herramientas antiguas a menudo se confundían con el ruido de la cámara (el "batch effect") en lugar de ver la verdadera personalidad del ciudadano.
• La solución de xVERSE: xVERSE es como un traductor mágico que ignora el tipo de cámara y va directo al alma del ciudadano. Aprende a reconocer a un "médico" o a un "bombero" (tipos de células) sin importar si lo viste en un hospital de Nueva York o en una clínica de Tokio. Es tan bueno que supera a los mejores traductores anteriores en un 17.9%.

2. El "Simulador de Realidad" (Células Virtuales)

Esta es la parte más mágica. A veces, los científicos tienen muy pocos datos. Es como intentar predecir el clima de una ciudad solo con las fotos de 4 días de lluvia.

• La magia: xVERSE puede inventar "ciudadanos virtuales" que son indistinguibles de los reales. Si le das una semilla (una célula real), xVERSE puede generar 100 copias perfectas de esa célula, con todas sus características biológicas, como si hubiera nacido en un laboratorio digital.
• El resultado: Estos ciudadanos virtuales son tan reales que, si le das una prueba a un experto para ver si son reales o falsos, el experto fallará (como lanzar una moneda al aire). Esto permite a los científicos hacer "experimentos computacionales" sin necesidad de costosos laboratorios físicos.

3. El Detective de Genes (Diseño de Paneles)

En la medicina espacial (ver dónde están las células en el tejido), a veces no podemos medir todos los genes porque las máquinas son limitadas. Es como intentar adivinar la receta de un pastel midiendo solo 3 de los 50 ingredientes.

• La herramienta: xVERSE tiene un "sentido común" llamado Puntaje Gene2Cell. Le dice a los científicos: "Oye, para entender este tipo de célula, no necesitas medir los 50 ingredientes. Solo necesitas medir estos 5 ingredientes clave".
• Beneficio: Esto ahorra dinero y tiempo, permitiendo a los científicos diseñar pruebas más baratas y eficientes sin perder información importante.

4. El Rescatador de Minorías (Datos Pequeños)

A veces, hay enfermedades raras donde solo hay 4 o 5 células afectadas en una muestra gigante. Es como buscar una aguja en un pajar, pero la aguja es tan pequeña que las herramientas normales no la ven.

• La ayuda: xVERSE toma esas 4 células y crea un "ejército" de células virtuales basadas en ellas. De repente, el algoritmo de análisis puede ver claramente que hay un grupo diferente y entender la enfermedad, algo que antes era imposible con tan pocos datos.

¿Por qué es un cambio de juego?

Antes, si querías estudiar una enfermedad rara o una muestra pequeña, tenías que recolectar miles de muestras reales, lo cual es caro, lento y a veces imposible (no puedes sacar tejido de un paciente sano solo para experimentar).

Con xVERSE, los científicos pueden:

1. Entrenar mejores modelos de IA usando datos virtuales generados por la IA.
2. Predecir cómo reaccionará un paciente a un tratamiento basándose en datos de otros, incluso si su enfermedad es muy diferente a la de los datos originales.
3. Descubrir patrones ocultos en enfermedades cardíacas o cáncer que antes se perdían en el ruido.

En resumen

xVERSE es como tener una máquina del tiempo y un duplicador de realidad para la biología. No solo nos ayuda a entender mejor lo que ya hemos visto, sino que nos permite "simular" lo que aún no hemos medido, acelerando el descubrimiento de curas y tratamientos de una manera que antes parecía ciencia ficción. Es la herramienta definitiva para convertir datos biológicos dispersos en un mapa claro y completo de la vida humana.

Resumen técnico

Título: xVERSE: Un modelo fundacional nativo de transcriptómica para representación universal de células y síntesis de células virtuales

1. El Problema

Los modelos fundacionales actuales para datos de células individuales (single-cell) se basan predominantemente en arquitecturas de modelos de lenguaje (como BERT o GPT), tratando los datos de expresión génica como secuencias de "tokens". Esta aproximación presenta limitaciones fundamentales:

• Incompatibilidad Arquitectónica: Ignoran la distribución probabilística subyacente de los datos transcriptómicos, que son no ordenados, de alta dimensión y dispersos, a diferencia del lenguaje natural secuencial.
• Falta de Capacidad Generativa: Aunque algunos modelos (ej. scGPT) aprenden representaciones robustas, no modelan explícitamente las distribuciones de probabilidad completas, lo que les impide sintetizar células virtuales de alta fidelidad.
• Rendimiento Inferior en Tareas Específicas: A menudo no superan a los métodos tradicionales especializados en corrección de efectos de lote (batch effects), imputación de genes no medidos o inferencia en conjuntos de datos pequeños.

2. Metodología: xVERSE

xVERSE es un modelo fundacional generativo diseñado nativamente para transcriptómica, que unifica el aprendizaje de representaciones con la reconstrucción probabilística del transcriptoma completo.

• Arquitectura Nativa:

  • Entrada Directa: Modela directamente las cuentas crudas de genes (raw counts) en lugar de imponer una estructura secuencial artificial.
  • Codificador de Célula y Gen: Utiliza un "Gene2Cell Encoder" que proyecta los perfiles de expresión en un espacio latente biológico invariante al lote (batch-invariant). Emplea una estrategia de enmascaramiento estocástico consciente del panel de genes para el aprendizaje auto-supervisado.
  • Decodificador de Distribución Poisson: A diferencia de los modelos que solo predicen valores, xVERSE modela los parámetros de distribuciones de Poisson específicas para cada célula y gen. Esto permite generar perfiles de expresión completos y realistas.
  • Desenredado de Señales: Utiliza una Capa de Reversión de Gradiente (GRL) y entrenamiento adversarial para separar explícitamente la variación biológica intrínseca de los confusores técnicos (efectos de lote y plataforma).

• Datos de Entrenamiento:

  • Entrenado en una base de datos masiva y diversa de más de 89 millones de perfiles celulares, incluyendo datos de secuenciación de ARN de células individuales (scRNA-seq) de 64 tejidos y 138 estados de enfermedad, así como datos de transcriptómica espacial (Xenium, MERFISH, CosMx) de 13 tejidos.

3. Contribuciones Clave

1. Representación Universal de Células y Genes: xVERSE aprende representaciones robustas e invariantes a los efectos de lote, paneles de genes y tecnologías, superando a los modelos fundacionales actuales y a métodos de corrección de lotes especializados.
2. Síntesis de Células Virtuales de Alta Fidelidad: Es el primer modelo fundacional capaz de sintetizar "células virtuales" indistinguibles de las células biológicas reales (AUROC ≈ 0.5 en clasificación binaria). Esto permite la generación de datos sintéticos para aumentar conjuntos de datos pequeños.
3. Puntuaciones Gene2Cell: Introduce una métrica interpretable que cuantifica la contribución de cada gen a la identidad celular, permitiendo la identificación de marcadores biológicos y la optimización de paneles de genes para tecnologías espaciales.
4. Imputación sin Referencia Externa: Capaz de imputar genes no medidos en transcriptómica espacial sin depender de conjuntos de datos de referencia externos, superando a métodos como SpaGE y gimVI.

4. Resultados Principales

• Aprendizaje de Representaciones: En pruebas de inferencia "zero-shot" (sin ajuste fino), xVERSE superó a los modelos fundacionales líderes (scGPT, Nicheformer, Geneformer) en un 17.9% en la puntuación de Silueta Promedio (ASW) para la separación de tipos celulares. También superó a Harmony (método de corrección de lotes) en un 11.4%.
• Síntesis y Fidelidad: Las células virtuales generadas por xVERSE preservan la heterogeneidad biológica compleja. Los clasificadores no pudieron distinguir entre células reales y virtuales (AUROC ≈ 0.5), mientras que los generados por scVI fueron fácilmente detectables (AUROC > 0.7).
• Imputación Espacial: En la imputación de genes en datos espaciales (CosMx), xVERSE superó al segundo mejor método especializado en un 34.3% en promedio. Además, demostró una mayor robustez en escenarios de "estrés", evitando fallos catastróficos cuando los métodos especializados producían correlaciones negativas inválidas.
• Análisis de Datos Escasos:
  • Permitió la resolución de tipos celulares raros en conjuntos de datos con tan solo 4 células mediante la síntesis de células virtuales, mejorando drásticamente el clustering.
  • Mejoró la detección de genes diferencialmente expresados (DEG) en poblaciones ultra-raras (ej. células dendríticas con n=4) en comparación con el sobremuestreo tradicional.
• Generalización en Aprendizaje Automático: El uso de células virtuales de xVERSE para aumentar datos de entrenamiento mejoró significativamente la generalización de modelos de aprendizaje automático a estados patológicos no vistos (ej. predicción de isótopos de cadenas pesadas de células B y linajes de células T en pacientes con trasplante cardíaco).

5. Significado e Impacto

xVERSE representa un cambio de paradigma en el análisis de datos de células individuales:

• Motor de Aumento de Datos: Permite a los investigadores "realizar experimentos computacionales" para superar las limitaciones físicas y de costo de la biología experimental, especialmente en muestras clínicas raras o pequeñas.
• Desacoplamiento de Hardware: Facilita la extracción de información genómica completa a partir de paneles de genes limitados y costosos en tecnologías espaciales, reduciendo la dependencia de hardware específico.
• Marco Unificado: Establece un nuevo estándar para modelos fundacionales en biología, demostrando que un enfoque nativo para la distribución de datos (en lugar de adaptar modelos de lenguaje) es superior para la generación, integración y descubrimiento biológico.

En resumen, xVERSE no solo mejora las tareas analíticas existentes, sino que habilita nuevas capacidades para el descubrimiento biológico en escenarios de datos limitados, actuando como un puente entre la biología experimental y la inteligencia artificial generativa.