Slide-level batch structure limits histology-guided supervision of transcriptomic foundation models

Nel silenzioso e intricato mondo del tessuto umano, vengono costantemente parlate due lingue. Una è scritta nel codice chimico dei geni, le minuscole istruzioni che dicono alle cellule come comportarsi, sopravvivere e interagire. L'altra è scritta nella forma e nella consistenza del tessuto stesso, visibile a occhio nudo o al microscopio come un paesaggio di cellule, fibre e strutture. Per decenni, i patologi hanno letto la seconda lingua, osservando fette di tessuto colorate per diagnosticare malattie, mentre i biologi hanno decodificato la prima, misurando l'attività genica per comprendere il meccanismo della vita. Recentemente, è emerso un nuovo campo chiamato trascrittomica spaziale, che permette agli scienziati di leggere entrambe le lingue simultaneamente dallo stesso minuscolo punto di un campione di tessuto. Ciò promette un'unione potente: comprendere esattamente quali geni siano attivi in parti specifiche di un tumore o di un organo, mappandoli direttamente sull'architettura fisica del corpo.

La speranza è stata che queste due lingue potessero insegnarsi a vicenda. Se un computer avesse imparato a leggere i pattern visivi di una fetta di tessuto, forse avrebbe potuto usare quella conoscenza per comprendere meglio i complessi dati genetici, anche quando i dati visivi mancano in seguito. Questa idea si basa su un concetto chiamato "modelli di fondazione", ovvero sistemi di intelligenza artificiale massicci, pre-addestrati su enormi quantità di dati per riconoscere schemi generali. I ricercatori si sono chiesti se potessero addestrare questi modelli di lettura genica mostragendli le immagini del tessuto corrispondenti durante la fase di apprendimento, usando essenzialmente l'immagine come un insegnante, per poi scartare l'immagine una volta che il modello fosse stato addestrato. L'obiettivo era creare uno strumento di lettura genica che fosse più acuto, più accurato e migliore nel riconoscere i pattern in nuovi pazienti, semplicemente perché aveva imparato a guardare la struttura del tessuto mentre studiava i geni.

Un team di ricercatori ha deciso di testare questa ipotesi con un esperimento rigoroso che coinvolgeva tre diversi modelli di lettura genica all'avanguardia. Hanno raccolto dati da campioni di tessuto umano, guardando specificamente a punti in cui l'attività genica veniva misurata insieme a immagini ad alta risoluzione del tessuto colorato con una comune tintura rosa e viola. Per ogni minuscolo punto, avevano un elenco di geni attivi e un'immagine corrispondente. Hanno preso i modelli genici pre-addestrati e hanno cercato di perfezionarli costringendoli a predire l'immagine del tessuto basandosi esclusivamente sull'elenco dei geni. Se il modello fosse riuscito a indovinare l'aspetto del tessuto leggendo solo i geni, i ricercatori ragionavano, significava che aveva appreso una connessione più profonda e utile tra i due. Una volta completato questo addestramento, hanno rimosso la parte di predizione dell'immagine dal sistema e hanno testato i modelli genici raffinati su nuovi pazienti non ancora visti, per vedere se fossero migliori nell'identificare i tipi di tessuto, come distinguere un tumore da un tessuto sano.

I risultati sono stati sorprendenti e hanno offerto una risposta chiara, seppur severa. Nonostante la forte intuizione che la guida visiva avrebbe aiutato, i modelli raffinati non sono diventati migliori nel riconoscere i tipi di tessuto in nuovi pazienti rispetto ai modelli originali non raffinati. In effetti, nella maggior parte dei casi, le prestazioni sono rimaste esattamente le stesse. I ricercatori hanno scoperto che, sebbene le immagini del tessuto contenessero una ricchezza di informazioni che potevano facilmente identificare diversi tipi di tessuto, i dati genetici di questi campioni spaziali specifici non contenevano abbastanza di quella stessa informazione per essere migliorati dalle immagini. I modelli genici erano essenzialmente "ciechi" ai segnali visivi che i ricercatori speravano di insegnare loro, non perché i modelli fossero difettosi, ma perché i dati genetici su cui erano costruiti non trasportavano semplicemente i segnali necessari.

Lo studio ha rivelato un problema strutturale nascosto all'interno dei dati genetici stessi. L'informazione catturata da queste misurazioni geniche spaziali era sorprendentemente a bassa dimensionalità, il che significa che occupava uno spazio di possibilità molto piccolo e stretto, piuttosto che un panorama ricco e diversificato. Inoltre, questo spazio ristretto era dominato dall'identità dello specifico vetrino di tessuto da cui proveniva, piuttosto che dalle differenze biologiche tra i pazienti. Era come se i dati genetici fossero così strettamente legati al lotto specifico di tessuto da cui provenivano da aver oscurato i segnali biologici universali di cui i modelli avevano bisogno per apprendere. Quando i ricercatori hanno cercato di forzare i modelli ad allinearsi con le immagini, i modelli non hanno imparato a vedere meglio la biologia; invece, hanno semplicemente riorganizzato le informazioni limitate che già possedevano, spesso a scapito della loro capacità di predire altre attività geniche.

C'erano alcune eccezioni in cui la guida visiva ha aiutato, ma solo per tipi di tessuto che apparivano molto distinti e unici al microscopio, come certi tumori aggressivi. Per questi casi specifici, gli indizi visivi hanno permesso al modello di affinare il proprio focus. Tuttavia, per la stragrande maggioranza dei tipi di tessuto, specialmente quelli che appaiono simili o con differenze sottili, la guida non ha portato alcun beneficio e talvolta ha persino peggiorato la capacità del modello di predire l'attività genica. I ricercatori hanno concluso che l'informazione visiva non poteva recuperare o ricostruire i segnali biologici che erano mancanti dai dati genetici fin dall'inizio. I modelli potevano solo riorganizzare ciò che era già presente; non potevano inventare nuova informazione.

Questa scoperta suggerisce un limite critico nel modo in cui possiamo migliorare questi potenti strumenti biologici. Sebbene sia tentante lanciare ogni fonte di dati disponibile contro un problema, lo studio dimostra che aggiungere una seconda lingua non migliora automaticamente la comprensione della prima se la prima lingua manca del vocabolario necessario. Prima di provare a usare le immagini del tessuto per guidare i modelli genetici, gli scienziati devono prima diagnosticare se i dati genetici contengano effettivamente i segnali condivisi necessari per tale guida. Il lavoro funge da promemoria: nel complesso compito di decodificare la vita, più dati non sono sempre migliori se la struttura sottostante di quei dati è troppo vincolata per sostenere il peso della nuova informazione. La strada da seguire richiede una diagnica attenta di ciò che i dati possono e non possono dirci, piuttosto che assumere che un insegnante visivo possa sempre correggere uno studente silenzioso.