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

In de stille, complexe wereld van menselijk weefsel worden voortdurend twee talen gesproken. De ene is geschreven in de chemische code van genen, de minuscule instructies die cellen vertellen hoe ze moeten functioneren, overleven en met elkaar communiceren. De andere is geschreven in de vorm en textuur van het weefsel zelf, zichtbaar voor het blote oog of een microscoop als een landschap van cellen, vezels en structuren. Decennialang hebben pathologen de tweede taal gelezen door naar gekleurde weefselflitsjes te kijken om ziekten te diagnosticeren, terwijl biologen de eerste taal hebben ontcijferd door genactiviteit te meten om het mechanisme van het leven te begrijpen. Onlangs is een nieuw veld genaamd ruimtelijke transcriptomics ontstaan, waardoor wetenschappers beide talen tegelijkertijd kunnen lezen vanuit hetzelfde minuscule punt op een weefselmonster. Dit belooft een krachtige vereniging: begrijpen welke genen precies actief zijn in specifieke delen van een tumor of orgaan, direct in kaart gebracht op de fysieke architectuur van het lichaam.

De hoop is geweest dat deze twee talen elkaar zouden kunnen onderwijzen. Als een computer de visuele patronen van een weefseldoorsnede zou kunnen leren lezen, zou hij die kennis wellicht kunnen gebruiken om de complexe gengegevens beter te begrijpen, zelfs wanneer de visuele gegevens later ontbreken. Dit idee steunt op een concept genaamd "foundation models", wat massieve kunstmatige intelligentiesystemen zijn die zijn voorgetraind op enorme hoeveelheden data om algemene patronen te herkennen. Onderzoekers vroegen zich af of ze deze gen-lezende modellen konden trainen door ze tijdens de leerfase de bijbehorende weefselafbeeldingen te tonen, waarbij de afbeelding in feite als een leraar wordt gebruikt, om de afbeelding vervolgens te verwijderen zodra het model getraind is. Het doel was om een gen-lezend instrument te creëren dat scherper, nauwkeuriger en beter in staat was om patronen in nieuwe patiënten te herkennen, simpelweg omdat het geleerd had naar de weefselstructuur te kijken terwijl het de genen bestudeerde.

Een team van onderzoekers zette zich scharpe experimenten in om deze hypothese te testen met drie verschillende, geavanceerde gen-lezende modellen. Ze verzamelden gegevens uit menselijke weefselmonsters, waarbij ze specifiek keken naar plekken waar genactiviteit werd gemeten naast hoogresolutiebeelden van het weefsel, gekleurd met een standaard roze en paarse kleurstof. Voor elk minuscuul punt hadden ze een lijst met actieve genen en een bijbehorend beeldfragment. Ze namen de voorgetrainde genmodellen en probeerden deze te verfijnen door de modellen te dwingen de weefselafbeelding te voorspellen op basis van enkel de genenlijst. Als het model succesvol kon raden hoe het weefsel eruitzag door enkel de genen te lezen, redeneerden de onderzoekers, dan moest het een diepere, nuttigere verbinding tussen de twee hebben geleerd. Zodra deze training voltooid was, verwijderden ze het beeldvoorspellingsgedeelte van het systeem en testten ze de verfijnde genmodellen op nieuwe, ongeziene patiënten om te zien of ze beter waren in het identificeren van weefseltypen, zoals het onderscheiden van een tumor van gezond weefsel.

De resultaten waren verrassend en boden een duidelijk, zij het nuchter antwoord. Ondanks de sterke intuïtie dat visuele begeleiding zou helpen, werden de verfijnde modellen niet beter in het herkennen van weefseltypen in nieuwe patiënten vergeleken met de originele, onverfijnde modellen. Sterker nog, voor de meeste gevallen bleef de prestatie exact gelijk. De onderzoekers ontdekten dat hoewel de weefselafbeeldingen zelf een overvloed aan informatie bevatten die gemakkelijk verschillende weefseltypen kon identificeren, de gengegevens van deze specifieke ruimtelijke monsters niet genoeg van diezelfde informatie bevatten om te worden verbeterd door de afbeeldingen. De genmodellen waren in essentie "blind" voor de visuele aanwijzingen die de onderzoekers hoopten aan te leren hen, niet omdat de modellen gebrekkig waren, maar omdat de gengegevens waarop ze gebouwd waren simpelweg niet de noodzakelijke signalen in zich droegen.

De studie onthulde een verborgen structureel probleem binnen de gengegevens zelf. De informatie die werd vastgelegd door deze ruimtelijke genmetingen was verrassend laagdimensionaal, wat betekent dat het een zeer kleine, smalle ruimte van mogelijkheden besloeg in plaats van een rijk, divers landschap. Bovendien werd deze smalle ruimte gedomineerd door de identiteit van de specifieke weefselslide waar het vandaan kwam, in plaats van door de biologische verschillen tussen patiënten. Het was alsof de gengegevens zo strak verbonden waren met de specifieke batch van het weefsel waar ze vandaan kwamen, dat de universele biologische signalen die de modellen nodig hadden om te leren, werden overstemd. Wanneer de onderzoekers probeerden de modellen te dwingen tot afstemming met de afbeeldingen, leerden de modellen niet de biologie beter te zien; in plaats daarvan reorganiseerden ze simpelweg de beperkte informatie die ze al hadden, vaak ten koste van hun vermogen om andere genactiviteiten te voorspellen.

Er waren een paar uitzonderingen waarbij de visuele begeleiding wel hielp, maar alleen voor weefseltypen die onder de microscoop zeer onderscheidend en uniek waren, zoals bepaalde agressieve tumoren. Voor deze specifieke gevallen stelde de visuele hint de modellen in staat hun focus te verscherpen. Echter, voor het overgrote deel van de weefseltypen, vooral die die op elkaar lijken of subtiele verschillen vertonen, bood de begeleiding geen voordeel en maakte het de modellen soms zelfs slechter in het voorspellen van genactiviteit. De onderzoekers concludeerden dat de visuele informatie de biologische signalen die vanaf het begin ontbraken in de gengegevens niet kon redden of herstellen. De modellen konden slechts herorganiseren wat er al was; ze konden geen nieuwe informatie uitvinden.

Deze bevinding suggereert een kritische grens in hoe we deze krachtige biologische instrumenten kunnen verbeteren. Hoewel het verleidelijk is om elke beschikbare gegevensbron op een probleem te werpen, laat de studie zien dat het toevoegen van een tweede taal de kennis van de eerste taal niet automatisch verbetert als de eerste taal niet over de nodige woordenschat beschikt. Voordat wetenschappers proberen weefselafbeeldingen te gebruiken om genmodellen te sturen, moeten ze eerst diagnosticeren of de gengegevens daadwerkelijk de gedeelde signalen bevatten die nodig zijn voor die sturing. Het werk dient als een herinnering dat in de complexe taak van het ontcijferen van het leven, meer data niet altijd beter is als de onderliggende structuur van die data te beperkt is om het gewicht van de nieuwe informatie te dragen. De weg vooruit vereist een zorgvuldige diagnose van wat de data ons wel en niet kan vertellen, in plaats van ervan uit te gaan dat een visuele leraar altijd een stille student kan helpen.