Resumen Técnico: Tabula – Un Modelo Fundacional de Célula Única Preservador de la Privacidad con Aprendizaje Tabular y Federado

Declaración del Problema

Los modelos fundacionales (FMs) actuales de célula única enfrentan dos limitaciones críticas que dificultan su escalabilidad y fidelidad biológica:

1. Privacidad de Datos y Ética: Los modelos existentes (p. ej., Geneformer, scGPT, scFoundation) dependen del aprendizaje centralizado, lo que requiere la agregación de conjuntos de datos masivos de célula única de diversas instituciones. Este enfoque plantea preocupaciones significativas de privacidad, ya que los datos de célula única son susceptibles de reidentificación mediante ataques de vinculación, particularmente al escalar a decenas de millones de células de miles de individuos.
2. Desalineación Estructural: Los datos de secuenciación de ARN de célula única (scRNA-seq) poseen una estructura tabular intrínseca (una matriz de células por genes) donde los genes son atributos sin orden. Sin embargo, los FMs actuales adaptan ingenuamente los paradigmas de Procesamiento de Lenguaje Natural (NLP) imponiendo órdenes artificiales a los genes (p. ej., clasificándolos por expresión) para tratarlos como secuencias de palabras. Esto ignora la naturaleza de permutación invariante de las características de los genes y no modela explícitamente las relaciones tabulares inherentes a los datos.

Metodología

Los autores presentan Tabula, un nuevo modelo fundacional de célula única diseñado para abordar estas brechas mediante dos innovaciones principales: Aprendizaje Tabular y Aprendizaje Federado (FL).

1. Marco de Aprendizaje Tabular

A diferencia de los modelos basados en secuencias, Tabula trata cada célula como una fila de genes con permutación invariante.

• Arquitectura: El modelo utiliza un backbone de Transformer global compartido, pero incorpora codificadores (embedders) específicos de cada cliente y cabezales de proyección para capturar características específicas de cada tejido.
• Representación de Entrada: Los genes se tratan como características de columna independientes. El modelo utiliza un token especial [CLS] para agregar las representaciones a nivel de célula.
• Objetivos de Preentrenamiento Autosupervisado: En lugar de el Modelado de Lenguaje Enmascarado (MLM) o el modelado autorregresivo, Tabula emplea dos pérdidas distintas adaptadas para datos tabulares:
  • Pérdida de Reconstrucción Gen a Gen: El 60% de los genes en una célula se corrompen aleatoriamente mediante el remuestreo de valores de sus distribuciones marginales empíricas (binomial negativa). El modelo aprende a reconstruir los valores de expresión originales, capturando las dependencias a nivel de columna (gen).
  • Pérdida Contrastiva de Célula a Célula: El modelo aprende a alinear pares positivos (vistas originales y corrompidas de la misma célula) y separar pares negativos (células diferentes) en el espacio latente. Esto asegura la consistencia intracelular y la variabilidad intercelular, capturando las relaciones a nivel de fila (célula).

2. Aprendizaje Federado y la Plataforma Chiron

Para permitir el entrenamiento sin compartir datos brutos, Tabula se despliega a través de Chiron, una plataforma de agentes de IA descentralizada.

• Flujo de Trabajo: Las instituciones (clientes) alojan servidores de datos locales y entrenan modelos locales en sus conjuntos de datos privados. Solo se comparten las actualizaciones de los pesos del transformer (no los datos brutos) con un orquestador central.
• Agregación: El orquestador utiliza el Promedio Federado (FedAvg) para agregar los pesos locales en un modelo global, el cual es transmitido de vuelta a los clientes.
• Privacidad: Los datos brutos de célula única nunca abandonan la infraestructura local de la institución. La plataforma soporta el despliegue en contenedores (Docker, Podman, Singularity) para reducir las barreras de adopción clínica y académica.

3. Aplicaciones Aguas Abajo

Tras el preentrenamiento en 15 millones de células a través de ocho categorías de tejidos, Tabula se ajusta (fine-tuning) para:

• Benchmarks Estándar: Anotación de tipos celulares, corrección de lote (batch correction), imputación de genes e integración multiómica.
• Descubrimiento Mecanístico: Predicción in silico de redes de regulación génica de pares y combinatorias.
• Descubrimiento Terapéutico: Optimización in silico para identificar factores de rejuvenecimiento para el envejecimiento humano.

Resultados Clave

1. Rendimiento en Benchmarks Aguas Abajo

Tabula supera consistentemente a los modelos basados en secuencias de última generación (scGPT, Geneformer, scFoundation) en tareas tanto de nivel de célula como de nivel de gen, a pesar de haber sido preentrenado con menos células.

• Anotación de Tipos Celulares: Logró una precisión, precisión (precision), sensibilidad (recall) y puntuación F1 superiores en conjuntos de datos de páncreas humano, mieloides, hígado y líneas celulares.
• Imputación: Demostró una mayor correlación de Pearson y menores tasas de error (RMSE, MAE) en la recuperación de valores de expresión génica enmascarados.
• Predicción de Perturbaciones: Predijo con precisión los resultados transcripcionales para escenarios de perturbación de un solo gen, de doble gen y de perturbaciones no vistas.

2. Recuperación de la Lógica Regulatoria (Zero-Shot)

Tabula demostró la capacidad de recuperar redes regulatorias de verdad fundamental sin necesidad de ajuste fino:

• Regulación de Pares: En cuatro sistemas biológicos distintos (hematopoyesis, cardiogénesis, neurogénesis y endogénesis pancreática), Tabula alcanzó una precisión >83% en la predicción de modos de activación, represión o neutralidad basándose en trayectorias de perturbación in silico.
• Regulación Combinatoria: El modelo predijo con éxito puertas lógicas booleanas complejas (p. ej., GATA1/FLI1 regulando EKLF en la hematopoyesis) con una consistencia notable (hasta el 100% para reglas específicas) frente a verdades fundamentales establecidas.

3. Descubrimiento de Factores de Rejuvenecimiento

Utilizando conjuntos de datos de fibroblastos humanos jóvenes y envejecidos emparejados (del Estudio de Baltimore sobre el Envejecimiento Longitudinal), los autores emplearon una optimización guiada por puntuaciones de edad e identidad in silico:

• Método: Un procedimiento de optimización iterativa desplazó los estados celulares envejecidos hacia un fenotipo más joven mientras preservaba la identidad celular, guiado por un discriminador MLP.
• Candidatos: Los genes con mayor rango incluyeron CPE, POSTN y OLFM2.
• Validación: Estos candidatos mostraron un enriquecimiento significativo (>45% a 151%) en firmas independientes de intervención de longevidad (base de datos mSALT). Por ejemplo, CPE y OLFM2 estaban sobreexpresados en múltiples modelos de ratón de extensión de la vida (p. ej., Ames, Snell, Little).
• Ortogonalidad: La validación experimental mediante Perturb-seq mostró que, si bien los factores de Yamanaka (OCT4, SOX2) redujeron las puntuaciones de edad, no alteraron la expresión de CPE o OLFM2, lo que sugiere que los factores nominados por Tabula representan estrategias de rejuvenecimiento ortogonales a la reprogramación parcial.

Significado y Reivindicaciones

El artículo posiciona a Tabula como un avance significativo en la genómica de célula única al:

1. Redefinir el Paradigma: Alejarse de la analogía de NLP de "genes como palabras" hacia un marco de aprendizaje tabular explícito que respeta la naturaleza desordenada y basada en atributos de los datos de scRNA-seq.
2. Habilitar la Colaboración Preservadora de la Privacidad: Demostrar que los modelos fundacionales de alto rendimiento pueden entrenarse a través de instituciones distribuidas sin comprometer la privacidad de los datos, facilitado por la plataforma Chiron.
3. Visión Mecanística: Proporcionar una de las primeras demostraciones de que un modelo fundacional puede recuperar redes regulatorias biológicas complejas y de verdad fundamental (tanto de pares como combinatorias) en un entorno zero-shot.
4. Utilidad Terapéutica: Establecer los modelos fundacionales de célula única como motores prácticos para el descubrimiento terapéutico, específicamente para la nominación de genes candidatos para el rejuvenecimiento de la piel humana que están respaldados por datos de longevidad independientes.

Los autores concluyen que Tabula y Chiron allanan el camino hacia "células virtuales preservadoras de la privacidad" y representan un paso hacia el descubrimiento biológico automatizado, al tiempo que reconocen las limitaciones actuales, como el enfoque exclusivo en la transcriptómica y la necesidad de futuras integraciones con datos multiómicos y espaciales.