A vision foundation model for single-cell biology via spatial gene cartography

生物学を、あらゆる一冊一冊の書物が生きている細胞である、巨大で賑やかな図書館として想像してみてください。長い間、科学者たちは、本棚にある大量の本を混ぜ合わせたままの「平均的な」物語しか読むことができず、その結果、個々の巻物が持つユニークで微細な詳細を見落としてきました。しかし、シングルセル・シーケンシングと呼ばれる技術のおかげで、私たちは今や図書館のすべての本を読むことができるようになり、私たちの体がどのように機能し、疾患がどのように始まり、細胞がどのように変化するかという、何百万ものユニークな物語を明らかにできるようになりました。しかし、問題があります。これらの図書館はあまりにも速いスピードで成長しており、数十億ページに達しているため、それらすべてを読もうとするのは、まるで消防ホースから出る大量の水で喉を潤そうとするようなものです。この状況を理解するために、科学者たちは「基盤モデル（foundation models）」を構築しています。これは、生物学の一般的なルールを学習する非常にスマートなコンピューターの脳であり、新しい細胞に出会うたびにゼロから教え直す必要がないようにするためのものです。では、大きな疑問は、どのようにすればこれらのコンピューターに細胞の物語を最も効果的に教えることができるのか、ということです。

これからあなたが読む論文は、scVisionと呼ばれる、これらのコンピューターの脳を教えるための新しい方法を紹介しています。現在のほとんどのモデルが、細胞を「ランダムな単語で作られた文章」として扱うのに対し、研究者たちは、細胞を一つの「画像」として扱うことに決めました。彼らは、遺伝子（細胞の中にある「単語」）は単独で行動するのではなく、シーンの中の登場人物のように、チームとして機能していることに気づいたのです。これらの遺伝子を特定の組織化されたグリッド（格子状の配置）に並べることで――関連するキャラクターを舞台上の隣同士に配置するように――、彼らは細胞のデータを連続的な画像へと変えました。そして、コンピュータービジョンモデル（通常、猫や犬を認識するようなモデル）を使い、これらの「細胞の画像」を理解させることにしました。その結果、このモデルは驚異的な速さを持ち、非常に少ない例示から新しいことを学習でき、他のモデルが見逃してしまうような隠れた生物学的パターンを特定することができるようになりました。それは、テキストベースの翻訳機から、細胞が何をしているのかという全体像を一瞬で見抜く視覚的な芸術家へとアップグレードしたようなものです。

細胞を画像へと変える

巨大なレゴブロックの袋を想像してみてください。それぞれのブロックは一つの遺伝子を表しています。ほとんどのコンピューターモデルでは、科学者たちはこれらのブロックを山の中にバラバラに放り込み、コンピューターに対してその構造を推測させます。コンピューターは、散らばった山の中からどのブロックが互いに関連しているのかを判断しなければなりません。それは、パズルのピースが床に散乱している状態でパズルを解こうとするようなものです。

スタンフォードの研究者を中心とするこの論文の著者たちは、異なる方法を試すことにしました。彼らはこう問いかけました。「もし、先にパズルを組み立ててしまったらどうなるだろうか？」と。

彼らは、細胞内の最も重要な遺伝子を取り出し、104×104ピクセルの画像のように、固定されたグリッド上に配置しました。各遺伝子をどこに配置するかを決めるために、「最適輸送（optimal transport）」と呼ばれる巧妙な数学的トリックを用いました。そのルールは単純です。通常一緒に働く遺伝子（例えば、消防士のチームのようなもの）は、グリッド上で隣り合わせに配置されます。互いに交流のない遺伝子は、遠くに配置されます。細胞の活動をこのグリッド上に「描画」すると、その結果として、すべての細胞に対してユニークな画像が生成されます。細胞が感染と戦って忙しくしている場合、画像の特定の領域が明るい色で光ります。細胞が休息している場合、別のパターンが現れます。

これにより、細胞を理解するという問題が、テキストを読むタスクからビジョン（視覚）タスクへと変わりました。コンピューターは単なる単語のリストを読むのではなく、今や「画像」を見ているのです。これにより、自動運転車が道路を認識したり、スマートフォンが顔を認識したりするのを助けるものと同じ種類の強力な「ビジョン・トランスフォーマー」を使用して、生物学を理解することが可能になりました。

超エリート学生：scVision

研究者たちは、scVisionと名付けたモデルを構築しました。彼らは、体の様々な部位から採取された7,200万個のヒト細胞という膨大なデータセットを用いて、このモデルを訓練しました。彼らはモデルに対して、特定の細胞タイプを探すように指示したわけではありません。代わりに、「マスクされた画像モデリング（masked image modeling）」と呼ばれる手法を用いました。イメージとしては、モデルに細胞の画像を見せますが、その75%を黒いボックスで覆い隠してしまうのです。モデルの仕事は、見える部分に基づいて、隠された部分がどのような見た目であるかを推測することです。これを何十億回と繰り返すことで、モデルは細胞がどのように構築され、どのように振る舞うかという、深く根底にあるルールを学習しました。

一度訓練されると、モデルは「凍結（frozen）」されます。これは、新しい実験のたびに再学習させる必要がないことを意味します。新しい細胞を取り込み、それを画像に変換し、「これはどんな種類の細胞ですか？」とモデルに尋ねるだけで、追加のトレーニングなしで使用できるのです。

なぜこれが重要なのか：ゼロショットの魔法

基盤モデルの真のテストは、それが一度も見たことがないものに対してどれほど上手く機能するかという点にあります。研究者たちは、訓練には一切含まれていなかった、腎臓、卵巣、脳、腸、さらには多くの臓器が混ざり合った複雑な混合物を含む、6つの全く異なるデータセットを用いてscVisionをテストしました。

ここで魔法が起こります：

• ラベル効率の高い魔術師： AIの世界では、通常、新しいタスクを教えるために、何千ものラベル付きの例（例えば、コンピューターに1,000枚の猫の画像を見せて「これは猫です」と言うようなこと）が必要です。しかし、scVisionは異なります。多くのテストにおいて、このモデルは、わずか1つのラベル付き例だけで新しい細胞タイプを識別できました。ある実験では、scVisionは、それぞれ50個の例を持っていた他のモデルよりも、わずか1つの例だけで細胞タイプを特定することに成功しました。これは、他の学生が教科書の一章すべてを読む必要がある一方で、たった1ページ読むだけで新しい科目を習得できる学生のようなものです。
• 全体像を見通す力： 研究者がモデルがどのように細胞を整理しているかを調べたところ、scVisionは最も明確で際立ったグループを作成していることが分かりました。他のモデルは時として混乱し、似たような細胞タイプを混ぜ合わせてしまうことがありましたが、scVisionはそれらを整然と分離させ、区別を容易にしました。
• 高速であること： 細胞を画像として扱うため、scVisionは非常に効率的です。標準的なコンピューターチップ上で、毎秒528個の細胞を処理できます。他のモデルが毎秒1個から14個程度しか処理できない場合と比較すると、その差は歴然です。これは、短距離走者とカタツムリの違いのようなものです。

細胞の心を読み解く

scVisionの最も素晴らしい特徴の一つは、単に答えを出すだけの「ブラックボックス」ではなく、「なぜ」その決定を下したのかを説明できることです。遺伝子が画像として配置されているため、モデルの「アテンション（注意）」――つまり、モデルがどこに焦点を当てているか――を、画像の特定の領域へとマッピングすることができます。

研究者たちは、モデルがある特定の細胞タイプを見ているとき、画像の小さな局所的なパッチに焦点を当てていることを発見しました。そのパッチを遺伝子へと翻訳すると、それが実際の生物学的プログラムに対応していることが分かりました。例えば：

• 腎臓細胞において、モデルは損傷やストレスに関連する遺伝子に焦点を当てていました。
• 卵巣細胞においては、ストレス応答に関与する遺伝子を強調していました。
• 脳細胞においては、健康な脳と疾患のある脳の両方で活性化している特定の遺伝子セットを見つけ出し、モデルが異なる臓器にわたって機能する普遍的な「免疫細胞」のアイデンティティを学習したことを示しました。

このことは、scVisionが単にデータを暗記しているのではなく、遺伝子がどのように連携して機能するかという生物学的な「文法」を実際に学習していることを示唆しています。

これではないもの（および、排除されるもの）

この論文は、このモデルが「何ではないか」についても慎重に指摘しています。

• 単なる優れた分類器ではない： 研究者たちは、モデルの成功が、答えを推測するために特定の数学的手法を用いたことによるものかどうかをテストしました。彼らは多くの異なる手法を試みましたが、それでもscVisionが勝利しました。この優位性は、単なる推測ゲームによるものではなく、画像表現そのものから来るものです。
• 万能薬ではない： scVisionは細胞タイプの特定やパターンの発見には優れていますが、限界もあります。例えば、データが非常に「ノイズが多い（シーケンシングが非常に浅いなど）」場合、モデルの性能は他のモデルよりも少し低下します。しかし、現実世界のデータでよくある問題である「遺伝子の欠損」に対しては、非常に堅牢です。
• まだ完成した治療法ではない： このモデルはヒトのデータで訓練されているため、他の動物でどの程度うまく機能するかはまだ分かっていません。また、パターンを見つけることはできますが、そのパターンが何を意味するかを証明するために、科学者が実験を行う必要性を代替するものではありません。

まとめ

この論文は、生物学的データの「表現方法」が、モデルの「サイズ」と同じくらい重要であることを示唆しています。細胞の遺伝コードを画像へと変え、遺伝子の自然な関係を尊重するように配置することで、研究者たちは、従来の方法よりも速く、正確で、理解しやすいツールを作り上げました。

これは、細胞を「材料のリスト」として考えることから、「複雑で組織化された風景」として見るへの転換です。そして、優れた地図が新しい街でのナビゲーションを助けるように、scVisionは科学者が人類の生物学という広大で未踏の領域を航海し、私たちを細胞レベルで定義している隠れた通りやランドマークを見つけ出す手助けをするのです。著者たちは、この「ビジョンベース」のアプローチこそが、次世代の医学や生物学の発見を解き明かす鍵となり、圧倒的なデータの奔流を、明確で美しい一枚の絵へと変えていくのだと示唆しています。