Single-Cell Foundation Models in Biotechnology: A Scoping Review and Bibliometric Analysis of Multimodal AI for Cell-State, Perturbation, and Biomarker Prediction

Resumen Técnico: Modelos Fundacionales de Célula Única en Biotecnología

Planteamiento del Problema
El campo de la biología de célula única ha adoptado rápidamente los "modelos fundacionales" —redes neuronales extensas preentrenadas en conjuntos de datos amplios y ajustadas para tareas específicas— lo que refleja las tendencias en el procesamiento de lenguaje natural (NLP) y el modelado de proteínas. Aunque modelos como Geneformer, scGPT y scBERT prometen representaciones (embeddings) unificadas para el análisis del estado celular, la predicción de perturbaciones y el descubrimiento de biomarcadores, las ventajas sistemáticas de estas arquitecturas sobre alternativas más simples siguen sin evaluarse completamente. Persisten preocupaciones críticas respecto al rigor de los benchmarks, la fuga de datos (data leakage), la reproducibilidad y si las mejoras de rendimiento reportadas son genuinas o artefactos de un diseño experimental deficiente. Existe una falta de análisis empírico, impulsado por código, que caracterice el panorama de estos modelos, la calidad de sus evaluaciones de referencia (benchmarks) y el estado de la reproducibilidad en la literatura.

Metodología
Este estudio emplea una revisión sistemática de alcance combinada con un análisis bibliométrico computacional original. Los autores construyeron un flujo de trabajo totalmente automatizado para analizar la literatura publicada entre 2020 y abril de 2026.

• Recuperación de Datos: Se consultaron cuatro bases de datos (PubMed, bioRxiv, Semantic Scholar, Crossref) utilizando ocho cadenas de búsqueda estructuradas, lo que arrojó 1,295 registros brutos.
• Filtrado y Deduplicación: Un filtro de relevancia programático retuvo 1,249 registros, seguido de una deduplicación (coincidencia exacta de DOI y coincidencia difusa de títulos), resultando en un corpus final de 1,042 registros únicos.
• Extracción Automatizada: Scripts extrajeron 45 campos por registro, incluyendo familia de modelos, tipo de tarea, modalidad de entrada y marcadores de reproducibilidad (disponibilidad de código, pesos y datos).
• Análisis Bibliométrico: El estudio utilizó vectorización TF-IDF y agrupamiento K-means (k=8) para el modelado de temas, análisis de redes de coocurrencia de palabras clave y seguimiento de la línea de tiempo de publicación.
• Calificación de Calidad: Se asignó programáticamente una puntuación de calidad de benchmark personalizada (0–4) basada en la presencia de: (1) conjuntos de datos de benchmark con nombre, (2) comparaciones con líneas base (baselines) declaradas, (3) métricas de evaluación explícitas y (4) validación independiente.
• Auditoría de Reproducibilidad: La disponibilidad de código, pesos del modelo y datos de entrenamiento se identificó mediante la coincidencia de palabras clave en los resúmenes para calcular un índice de reproducibilidad compuesto.

Contribuciones Clave

1. Mapeo del Paisaje Sistemático: El artículo proporciona la primera caracterización a gran escala y dirigida por código del campo de los modelos fundacionales de célula única, categorizando 1,042 registros por arquitectura de modelo, tarea y modalidad.
2. Auditoría de Rigor de Benchmarks: Introduce un sistema de calificación cuantitativa para evaluar la calidad metodológica de los benchmarks en este dominio, revelando una falta sistémica de comparaciones con líneas base e independencia de validación.
3. Evaluación de la Reproducibilidad: El estudio cuantifica la "brecha de reproducibilidad", documentando las bajas tasas de intercambio de código, pesos y datos, y correlacionándolas con la calidad del benchmark.
4. Evaluación Crítica de Afirmaciones: El análisis prueba empíricamente la narrativa de la "superioridad del modelo fundacional" frente a la realidad de las líneas base reportadas y el rendimiento de las tareas.

Resultos Clave

• Crecimiento de Publicaciones: El campo ha experimentado un crecimiento anual de volumen de publicaciones de aproximadamente 24 veces entre 2020 y 2025, con un punto de inflexión pronunciado después de 2022 coincidiendo con el auge de los grandes modelos de lenguaje.
• Panorama de Modelos: Las arquitecturas de fusión multimodal son la categoría dominante (29.4%), seguidas por los modelos estándar de atención/transformer (22.0%) y los modelos generativos basados en VAE (17.6%). Los verdaderos modelos de preentrenamiento a "escala fundacional" (que reclaman objetivos de preentrenamiento masivos) constituyen solo el 13.9% de la literatura.
• Distribución de Tareas: La anotación de tipos celulares (29.9%), la reconstrucción espacial (28.6%) y la predicción de perturbaciones (27.9%) son las tareas más comunes.
• Calidad de Benchmarks: La puntuación media de calidad de benchmark es de 1/4. Solo el 12.4% de los artículos alcanzan una puntuación de 3 o 4. Crucialmente, las comparaciones explícitas con líneas base aparecen en solo el 25.7% de los resúmenes, y la validación independiente está presente en solo el 9.3%.
• Reproducibilidad: La disponibilidad de código es detectable en el 40.4% de los registros, mientras que los pesos del modelo (15.0%) y los datos de entrenamiento (19.5%) rara vez se comparten. El índice de reproducibilidad compuesto promedia 0.25.
• Rendimiento de Líneas Base: El análisis respalda el hallazgo de que las líneas base simples (por ejemplo, regresión logística sobre embeddings de PCA, scVI) son frecuentemente competitivas con los grandes modelos transformer, aunque rara vez se incluyen en las comparaciones publicadas.

Significancia y Afirmaciones
El artículo argumenta que, si bien el campo se está expandiendo rápidamente y produciendo herramientas sofisticadas, el valor científico acumulado es actualmente limitado por la inconsistencia en la reproducibilidad y el rigor de los benchmarks.

• Afirmaciones Modestas sobre Superioridad: Los autores sostienen que la evidencia de la superioridad de los modelos fundacionales sobre las líneas base simples es a menudo débil o dependiente del contexto. Para tareas como la anotación de tipos celulares, las representaciones preentrenadas muestran ventajas modestas pero consistentes en escenarios de pocos disparos (few-shot), pero las afirmaciones de ganancias masivas en la predicción de perturbaciones o respuesta a fármacos suelen carecer de soporte mediante pruebas rigurosas fuera de la distribución (out-of-distribution).
• La Cuestión de la "Escala": El artículo señala que muchos modelos etiquetados como "modelos fundacionales" son entrenados en escalas de datos (decenas a cientos de miles de células) órdenes de magnitud menores que sus contrapartes de NLP, y la necesidad biológica de tal escalamiento no ha sido demostrada rigurosamente.
• Llamado a la Estandarización: La principal significancia de este trabajo es la identificación de brechas específicas: la necesidad de conjuntos de benchmarks estandarizados (análogos a GLUE en NLP), la inclusión obligatoria de líneas base simples en las evaluaciones y la infraestructura para compartir pesos de modelos. Los autores concluyen que se requiere una adopción más amplia de código abierto, datos y protocolos estandarizados para transicionar el campo de un periodo de rápida proliferación a uno de avance científico acumulativo y reproducible.