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

ヒトの組織という静かで複雑な世界では、二つの言語が絶えず語られています。一つは遺伝子の化学コードによって書かれたもので、細胞がいかに振る舞い、生存し、相互作用するかを指示する微細な命令です。もう一つは、組織そのものの形状と質感によって書かれたもので、肉眼や顕微鏡を通じて、細胞、繊維、構造が織りなす風景として観察されます。数十年にわたり、病理学者は染色された組織切片を見ることによって二番目の言語を読み解き、生物学者は生命の仕組みを理解するために遺伝子の活動を解読してきました。近年、「空間トランスクリプトミクス」と呼ばれる新しい分野が登場し、科学者が組織サンプルの同じ微小な地点から、これら二つの言語を同時に読み取ることが可能になりました。これは強力な結合を約束するものです。つまり、腫瘍や臓器の特定の部位において、どの遺伝子が活性化しているのかを、身体の物理的な構造上に直接マッピングして理解できるのです。

ここでの期待は、これら二つの言語が互いに教え合えるのではないか、というものでした。もしコンピュータが組織切片の視覚的パターンを読み取ることを学習できれば、たとえ後に視覚的データが失われたとしても、その知識を用いて複雑な遺伝子データをより良く理解できるのではないか、という考えです。このアイデアは、「基盤モデル」と呼ばれる概念に基づいています。これは、一般的なパターンを認識するために膨大な量のデータで事前学習された、大規模な人工知能システムのことです。研究者たちは、学習フェーズにおいて組織の画像を見せることで、遺伝子を読み取るモデルを訓練できるのではないかと考えました。つまり、本質的に画像を「教師」として利用し、その後、学習が終わったら画像を破棄するという手法です。その目的は、組織構造を見ながら遺伝子を学ぶことで、新しい患者に対してもより鋭敏で正確、かつパターン認識に優れた遺伝子読み取りツールを作り出すことでした。

ある研究チームは、三つの異なる最先端の遺伝子読み取りモデルを用いた厳格な実験によって、この仮説を検証することに乗り出しました。彼らはヒト組織のサンプルからデータを収集し、特に、標準的なピンク色と紫色の染料で染色された高解像度の組織画像とともに、遺伝子活動が測定された箇所に注目しました。それぞれの微小な地点には、活性化している遺伝子のリストと、それに対応する画像パッチが存在していました。彼らは事前学習済みの遺伝子モデルを取り出し、遺伝子リストのみに基づいて組織画像を予測するように強制することで、モデルを精緻化しようと試みました。もしモデルが、遺伝子を読むだけで組織がどのような見た目であるかを正確に推測できたならば、研究者たちの推論通り、モデルは両者の間のより深く有用なつながりを学習したことになるからです。一度このトレーニングが完了した後、彼らは画像予測部分をシステムから取り除き、精緻化された遺伝子モデルを未知の患者に対してテストし、腫瘍と正常組織などの組織型の識別能力が向上しているかどうかを確認しました。

結果は驚くべきものであり、明確かつ、ある種の厳しい答えを提示しました。視覚的なガイダンスが助けになるという強い直感があったにもかかわらず、精緻化されたモデルは、新しい患者における組織型の認識において、元の精緻化されていないモデルよりも優れた性能を示すことはありませんでした。実際、ほとんどのケースにおいて、パフォーマンスは全く変わらないままでした。研究者たちは、組織画像自体には異なる組織型を容易に識別できる豊富な情報が含まれている一方で、これらの特定の空間サンプルから得られた遺伝子データには、画像を介して改善できるほどの情報は含まれていなかったことを突き止めました。遺伝子モデルは、研究者が教えようとした視覚的な手がかりに対して、本質的に「盲目」であったのです。それはモデルに欠陥があったからではなく、モデルが構築された基盤となる遺伝子データ自体に、必要な信号が含まれていなかったためでした。

この研究は、遺伝子データ自体の中に潜む構造的な問題を明らかにしました。これらの空間的な遺伝子測定によって捉えられた情報は、驚くほど低次元であり、つまり、豊かで多様な景観というよりも、非常に狭く限定された可能性の領域しか占めていなかったのです。さらに、この狭い領域は、患者間の生物学的な違いよりも、その特定の組織スライドが由来するものであるという特性に支配されていました。それはまるで、遺伝子データが特定の組織のバッチ（一連の検体）にあまりにも強く縛り付けられていたために、モデルが学習する必要のある普遍的な生物学的信号をかき消してしまったかのようでした。研究者がモデルに画像との整合性を強制しようとしたとき、モデルは生物学をより良く「見る」ように学習したのではなく、単に手元にある限られた情報を再編成しただけであり、その過程で他の遺伝子活動を予測する能力を損なうことさえありました。

視覚的なガイダンスが効果を発揮した例外もわずかにありましたが、それは顕微鏡下で非常に独特で際立った外見を持つ組織、例えば特定の攻撃的な腫瘍などの場合に限られていました。これらの特定のケースでは、視覚的なヒントによってモデルの焦点が研ぎ澄まされました。しかし、大多数の組織型、特に見た目が似通っていたり、微妙な違いしか持たなかったりするものについては、ガイダンスによる恩恵はなく、むしろモデルの遺伝子予測能力を低下させることさえありました。研究者たちは、視覚的な情報が、遺伝子データに最初から欠落していた生物学的信号を救済したり、回復させたりすることはできないと結論付けました。モデルができるのは、既にあるものを再編成することであり、新しい情報を創造することではないのです。

この発見は、これら強力な生物学的ツールをどのように改善できるかという点における、決定的な限界を示唆しています。あらゆる利用可能なデータソースを問題解決に投入したくなる誘惑はありますが、本研究は、第二の言語を追加することが、第一の言語が適切な語彙を備えていない場合に、自動的に第一の言語への理解を深めるわけではないことを示しています。組織画像を用いて遺伝子モデルを導こうとする前に、科学者はまず、遺伝子データの中に、そのガイダンスに必要な共通の信号が実際に含まれているかどうかを診断しなければなりません。この研究は、生命を解読するという複雑な任務において、「データが多ければ良い」というわけではないことを思い出させてくれます。データの背後にある構造があまりに制約されている場合、データは新しい情報の重みに耐えうるものではないのです。進むべき道は、視覚的な教師が常に物静かな生徒を救えると思い込むことではなく、データが何を語ることができ、何を語ることができないのかを注意深く診断することにあります。