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

All'interno di ogni cellula vivente, una frenetica fabbrica della vita è costantemente al lavoro, leggendo istruzioni e costruendo proteine. Per capire come operano queste fabbriche, gli scienziati si sono da tempo affidati a un metodo che agisce come un censore: contano quante copie di ogni manuale di istruzioni sono presenti. Questo approccio, che produce un semplice elenco di numeri per migliaia di geni, è stato per anni lo standard per lo studio delle singole cellule. Tuttavia, questo metodo di censimento scarta il testo effettivo delle istruzioni. Ti dice che una fabbrica ha prodotto quattro copie di un manuale specifico, ma scarta le pagine stesse, perdendo i dettagli su come quelle pagine siano state modificate, dove siano state tagliate o se contenessero errori. Per decenni, i ricercatori hanno accettato questa perdita di dettaglio come il prezzo da pagare per essere in grado di studiare migliaia di cellule contemporaneamente, ritenendo che il testo grezzo del codice genetico fosse troppo disordinato e complesso per essere analizzato direttamente.

Un team di ricercatori di Altos Labs e dell'Università del Maryland ha ora sfidato questa visione radicata da tempo. Hanno costruito un nuovo tipo di intelligenza artificiale che salta interamente la fase di conteggio. Invece di chiedere al computer di guardare un elenco di numeri, hanno fornito al modello il testo genetico grezzo stesso: le sequenze reali di lettere A, C, G e T che compongono le molecole di RNA all'interno di una cellula. Questo nuovo modello, che chiamano scRM, impara direttamente dai dati non elaborati, proprio come uno studente che impara una lingua leggendo i libri originali invece di un riassunto. I ricercatori hanno scoperto che questo approccio non solo funziona, ma permette al modello di comprendere l'attività cellulare con un livello di dettaglio precedentemente impossibile, il tutto utilizzando una frazione della potenza di calcolo richiesta dai metodi più vecchi.

Il cuore di questa scoperta risiede nel modo in cui i dati vengono preparati. In un tipico esperimento, gli scienziati catturano il materiale genetico da migliaia di singole cellule. L'output grezzo è un flusso massiccio di brevi frammenti di testo, ciascuno contrassegnato da un codice unico per identificare la cellula di provenienza. Tradizionalmente, i computer tentavano prima di far corrispondere ogni singolo frammento a un genoma di riferimento, un processo lento che richiede una mappa preesistente dei geni dell'organismo. Il nuovo framework bypassa interamente questo passaggio. Prende i frammenti grezzi, li raggruppa per i tag cellulari e li assembla in pezzi di testo più lunghi e coerenti chiamati contig. Questi contig rappresentano le molecole di mRNA effettive presenti nella cellula, preservando la sequenza esatta e qualsiasi variazione nel modo in cui i geni sono stati uniti (splicing). Questo testo assemblato viene poi fornito direttamente al modello di IA, che tratta il codice genetico come una lingua da comprendere, piuttosto che come un elenco da contare.

Il modello che hanno costruito, scRM, è sorprendentemente piccolo. Contiene solo 1,2 milioni di impostazioni regolabili, note come parametri. Per dare un termine di paragone, altri modelli leader in questo campo sono spesso centinaia di volte più grandi, con centinaia di milioni di parametri, e vengono addestrati su decine di milioni di cellule. Al contrario, i ricercatori hanno addestrato il loro modello su soli 3.000 neuroni di topo, un processo che ha richiesto solo un'ora su un singolo chip di un computer ad alte prestazioni. Nonostante le sue dimensioni ridotte e i dati di addestramento limitati, il modello ha performato in modo straordinario. Quando testato su compiti come l'identificazione dei tipi cellulari o la previsione di come le cellule rispondono ai cambiamenti genetici, ha eguagliato le prestazioni dei modelli massicci e voraci di dati. È riuscito persino a identificare correttamente i tipi cellulari in specie che non aveva mai visto prima, come esseri umani, mosche e ratti, semplicemente perché ha imparato il linguaggio universale del codice genetico piuttosto che memorizzare un elenco specifico di nomi genici.

La vera potenza di questo approccio è diventata evidente quando i ricercatori hanno osservato come le cellule reagiscono a specifiche interruzioni genetiche. In alcuni casi, una cellula può cambiare il modo in cui cuce le proprie istruzioni genetiche, creando una versione leggermente diversa di una proteina. I vecchi metodi di conteggio, che vedono solo il numero totale di istruzioni, non possono rilevare questi sottili cambiamenti strutturali. Poiché scRM legge la sequenza effettiva, può individuare queste differenze. In esperimenti in cui le cellule sono state alterate per cambiare il modo in cui i loro geni vengono uniti, il nuovo modello ha rilevato i cambiamenti con maggiore precisione rispetto a qualsiasi modello esistente su larga scala. Ciò suggerisce che il testo grezzo del codice genetico contiene una ricchezza di informazioni sulla funzione cellulare che viene persa quando i dati vengono ridotti a semplici conteggi.

Questo lavoro apre una nuova porta alla ricerca biologica. Dimostrando che i modelli possono essere addestrati direttamente sulle letture di sequenziamento grezze, i ricercatori hanno mostrato che è possibile costruire strumenti potenti senza la necessità di una mappa preesistente dei geni dell'organismo. Questo è particolarmente importante per lo studio di virus, batteri o organismi rari che non dispongono di genomi ben mappati. Il framework è inoltre abbastanza efficiente da consentire agli scienziati di addestrare modelli personalizzati sui propri set di dati specifici, invece di dover fare affidamento su modelli generali addestrati su enormi collezioni pubbliche di dati. Sebbene l'attuale modello sia una prova di concetto, i ricercatori ritengono che scalare questo approccio possa sbloccare una comprensione più profonda del funzionamento delle cellule, rivelando dettagli sull'attività genica che sono rimasti nascosti dietro il velo dei metodi semplificati di conteggio. Lo studio dimostra che, a volte, per comprendere la storia della vita, bisogna leggere il testo originale, non solo il riassunto.