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

Dentro de cada célula viva, una bulliciosa fábrica de vida trabaja constantemente, leyendo instrucciones y construyendo proteínas. Para entender cómo operan estas fábricas, los científicos han dependido durante mucho tiempo de un método que actúa como un censador: cuentan cuántas copias de cada manual de instrucciones están presentes. Este enfoque, que produce una lista simple de números para miles de genes, ha sido el estándar para estudiar células individuales durante años. Sin embargo, este método de censo desecha el texto real de las instrucciones. Te dice que una fábrica produjo cuatro copias de un manual específico, pero descarta las páginas mismas, perdiendo detalles sobre cómo se editaron esas páginas, dónde se cortaron o si contenían erratas. Durante décadas, los investigadores han aceptado esta pérdida de detalle como el precio de poder estudiar miles de células a la vez, creyendo que el texto bruto del código genético era demasiado caótico y complejo para analizarlo directamente.

Un equipo de investigadores de Altos Labs y la Universidad de Maryland ha desafiado ahora este supuesto largamente sostenido. Han construido un nuevo tipo de inteligencia artificial que se salta el paso del conteo por completo. En lugar de pedirle a la computadora que observe una lista de números, le suministraron el texto genético bruto mismo: las secuencias reales de letras A, C, G y T que componen las moléculas de ARN dentro de una célula. Este nuevo modelo, al que llaman scRM, aprende directamente de los datos sin procesar, de forma muy similar a un estudiante que aprende un idioma leyendo los libros originales en lugar de un resumen. Los investigadores descubrieron que este enfoque no solo funciona, sino que permite al modelo comprender la actividad celular con un nivel de detalle que antes era imposible, todo ello utilizando una fracción de la potencia de cómputo requerida por los métodos anteriores.

El núcleo de este avance reside en cómo se preparan los datos. En un experimento típico, los científicos capturan el material genético de miles de células individuales. El resultado bruto es un flujo masivo de fragmentos de texto cortos, cada uno marcado con un código único para identificar de qué célula proviene. Tradicionalmente, las computadoras primero intentarían emparejar cada fragmento con un genoma de referencia, un proceso que es lento y requiere un mapa preexistente de los genes del organismo. El nuevo marco de trabajo evita esto por completo. Toma los fragmentos brutos, los agrupa por sus etiquetas de célula y los ensambla en piezas de texto más largas y coherentes llamadas contigs. Estos contigs representan las moléculas de ARNm reales encontridas en la célula, preservando la secuencia exacta y cualquier variación en cómo se ensamblaron los genes. Este texto ensamblado se introduce directamente en el modelo de IA, que trata el código genético como un lenguaje para ser comprendido, en lugar de una lista para ser contada.

El modelo que construyeron, scRM, es sorprendentemente pequeño. Contiene solo 1,2 millones de ajustes ajustables, conocidos como parámetros. Para poner esto en perspectiva, otros modelos líderes en este campo suelen ser cientos de veces más grandes, con cientos de millones de parámetros, y son entrenados con decenas de millones de células. En contraste, los investigadores entrenaron su modelo con solo 3.000 células de neuronas de ratón, un proceso que tomó solo una hora en un único chip de computadora de alto rendimiento. A pesar de su pequeño tamaño y sus limitados datos de entrenamiento, el modelo funcionó de manera notable. Al ser probado en tareas como la identificación de tipos de células o la predicción de cómo las células responden a cambios genéticos, igualó el rendimiento de los modelos masivos y ávidos de datos. Incluso logró identificar correctamente tipos de células en especies que nunca había visto antes, como humanos, moscas y ratas, simplemente porque aprendió el lenguaje universal del código genético en lugar de memorizar una lista específica de nombres de genes.

El verdadero poder de este enfoque se hizo evidente cuando los investigadores observaron cómo las células reaccionan a disrupciones genéticas específicas. En algunos casos, una célula puede cambiar la forma en que cose sus instrucciones genéticas, creando una versión ligeramente diferente de una proteína. Los viejos métodos de conteo, que solo ven el número total de instrucciones, no pueden detectar estos sutiles cambios estructurales. Debido a que scRM lee la secuencia real, puede detectar estas diferencias. En experimentos donde las células fueron alteradas para cambiar cómo se ensamblan sus genes, el nuevo modelo detectó los cambios con mayor precisión que cualquiera de los modelos existentes a gran escala. Esto sugiere que el texto bruto del código genético contiene una riqueza de información sobre la función celular que se pierde cuando los datos se reducen a simples conteos.

Este trabajo abre una nueva puerta a la investigación biológica. Al demostrar que los modelos pueden entrenarse directamente sobre lecturas de secuenciación puras, los investigadores han demostrado que es posible construir herramientas poderosas sin necesidad de un mapa preexistente de los genes del organismo. Esto es particularmente importante para estudiar virus, bacterias o organismos raros que no tienen genomas bien mapeados. El marco de trabajo también es lo suficientemente eficiente como para permitir que los científicos entrenen modelos personalizados con sus propios conjuntos de datos específicos, en lugar de depender de modelos generales entrenados con colecciones masivas de datos públicos. Aunque el modelo actual es una prueba de concepto, los investigadores creen que escalar este enfoque podría desbloquear una comprensión más profunda de cómo funcionan las células, revelando detalles sobre la actividad genética que han permanecido ocultos tras el velo de los métodos de conteo simplificados. El estudio demuestra que, a veces, para entender la historia de la vida, uno debe leer el texto original, no solo el resumen.