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

Au cœur de chaque cellule vivante, une usine de la vie en pleine effervescence travaille sans relâche, lisant des instructions et construisant des protéines. Pour comprendre comment ces usines fonctionnent, les scientifiques s'appuient depuis longtemps sur une méthode qui agit comme un recenseur : ils comptent combien d'exemplaires de chaque manuel d'instructions sont présents. Cette approche, qui produit une simple liste de nombres pour des milliers de gènes, est la norme depuis des années pour l'étude des cellules individuelles. Cependant, cette méthode de recensement jette aux oubliettes le texte réel des instructions. Elle vous indique qu'une usine a produit quatre exemplaires d'un manuel spécifique, mais elle écarte les pages elles-mêmes, perdant ainsi les détails sur la façon dont ces pages ont été éditées, où elles ont été découpées ou si elles contenaient des coquilles. Pendant des décennies, les chercheurs ont accepté cette perte de détails comme le prix à payer pour être capables d'étudier des milliers de cellules simultanément, estimant que le texte brut du code génétique était trop désordonné et complexe pour être analysé directement.

Une équipe de chercheurs d'Altos Labs et de l'Université du Maryland vient de remettre en question cette hypothèse de longue date. Ils ont construit un nouveau type d'intelligence artificielle qui saute l'étape du comptage. Au lieu de demander à l'ordinateur de regarder une liste de nombres, ils lui ont fourni le texte génétique brut lui-même — les séquences réelles de lettres A, C, G et T qui constituent les molécules d'ARN à l'intérieur d'une cellule. Ce nouveau modèle, qu'ils appellent scRM, apprend directement à partir des données non traitées, tout comme un étudiant apprenant une langue en lisant les livres originaux plutôt qu'un résumé. Les chercheurs ont découvert que cette approche fonctionne non seulement, mais qu'elle permet au modèle de comprendre l'activité cellulaire avec un niveau de détail auparavant impossible, tout en utilisant une fraction de la puissance de calcul requise par les anciennes méthodes.

Le cœur de cette avancée réside dans la préparation des données. Dans une expérience typique, les scientifiques capturent le matériel génétique de milliers de cellules individuelles. Le résultat brut est un flux massif de fragments de texte courts, chacun étant marqué d'un code unique pour identifier la cellule dont il provient. Traditionnellement, les ordinateurs tentent d'abord de faire correspondre chaque fragment à un génome de référence, un processus lent qui nécessite une carte préexistante des gènes de l'organisme. Le nouveau cadre contourne entièrement cette étape. Il prend les fragments bruts, les regroupe par leurs étiquettes cellulaires et les assemble en morceaux de texte plus longs et cohérents appelés contigs. Ces contigs représentent les molécules d'ARNm réelles trouvées dans la cellule, préservant la séquence exacte et toutes les variations dans la façon dont les gènes ont été épissés. Ce texte assemblé est ensuite directement injecté dans le modèle d'IA, qui traite le code génétique comme un langage à comprendre, plutôt que comme une liste à compter.

Le modèle qu'ils ont construit, scRM, est étonnamment petit. Il ne contient que 1,2 million de paramètres ajustables. Pour mettre cela en perspective, d'autres modèles de pointe dans ce domaine sont souvent des centaines de fois plus grands, avec des centaines de millions de paramètres, et sont entraînés sur des dizaines de millions de cellules. En revanche, les chercheurs ont entraîné leur modèle sur seulement 3 000 cellules de neurones de souris, un processus qui n'a pris qu'une heure sur une seule puce informatique haut de gamme. Malgré sa petite taille et ses données d'entraînement limitées, le modèle a obtenu des performances remarquables. Testé sur des tâches telles que l'identification de types cellulaires ou la prédiction de la réponse des cellules à des changements génétiques, il a égalé les performances des modèles massifs et gourmands en données. Il a même réussi à identifier correctement des types de cellules dans des espèces qu'il n'avait jamais vues auparavant, comme l'humain, la mouche et le rat, simplement parce qu'il a appris le langage universel du code génétique plutôt que de mémoriser une liste spécifique de noms de gènes.

La véritable puissance de cette approche est devenue évidente lorsque les chercheurs ont observé comment les cellules réagissent à des perturbations génétiques spécifiques. Dans certains cas, une cellule peut modifier la façon dont elle assemble ses instructions génétiques, créant une version légèrement différente d'une protéine. Les anciennes méthodes de comptage, qui ne voient que le nombre total d'instructions, ne peuvent pas détecter ces subtiles modifications structurelles. Parce que scRM lit la séquence réelle, il peut repérer ces différences. Lors d'expériences où les cellules ont été altérées pour modifier l'épissage de leurs gènes, le nouveau modèle a détecté les changements plus précisément que n'importe lequel des modèles existants à grande échelle. Cela suggère que le texte brut du code génétique contient une richesse d'informations sur la fonction cellulaire qui est perdue lorsque les données sont réduites à de simples comptages.

Ce travail ouvre une nouvelle porte à la recherche biologique. En prouvant que des modèles peuvent être entraînés directement sur des lectures de séquençage brutes, les chercheurs ont montré qu'il est possible de construire des outils puissants sans avoir besoin d'une carte préexistante des gènes de l'organisme. Ceci est particulièrement important pour l'étude des virus, des bactéries ou des organismes rares qui ne possèdent pas de génomes bien cartographiés. Le cadre est également assez efficace pour permettre aux scientifiques d'entraîner des modèles personnalisés sur leurs propres ensembles de données spécifiques, plutôt que de dépendre de modèles généraux entraînés sur de vastes collections publiques de données. Bien que le modèle actuel soit une preuve de concept, les chercheurs pensent que le passage à l'échelle de cette approche pourrait débloquer une compréhension plus profonde du fonctionnement des cellules, révélant des détails sur l'activité génique qui sont restés cachés derrière le voile des méthodes de comptage simplifiées. L'étude démontre que, parfois, pour comprendre l'histoire de la vie, il faut lire le texte original, et non pas seulement le résumé.