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

In elke levende cel is een bruisende fabriek van het leven constant aan het werk, waarbij instructies worden gelezen en eiwitten worden gebouwd. Om te begrijpen hoe deze fabrieken werken, vertrouwen wetenschappers al lang op een methode die fungeert als een volkstelling: ze tellen hoeveel exemplaren van elk instructieboekje aanwezig zijn. Deze aanpak, die een eenvoudige lijst met getallen produceert voor duizenden genen, is jarenlang de standaard geweest voor het bestuderen van individuele cellen. Echter, deze censusmethode gooit de werkelijke tekst van de instructies weg. Het vertelt je dat een fabriek vier exemplaren van een specifiek handboek heeft geproduceerd, maar het verwerpt de pagina's zelf, waardoor details over hoe die pagina's zijn bewerkt, waar ze zijn doorgeknipt, of of ze typefouten bevatten, verloren gaan. Decennialang hebben onderzoekers dit verlies aan detail geaccepteerd als de prijs voor het vermogen om duizenden cellen tegelijkertijd te bestuderen, in de veronderstelling dat de ruwe tekst van de genetische code te rommelig en complex was om direct te analyseren.

Een team van onderzoekers van Altos Labs en de University of Maryland heeft nu deze langgekoesterde aanname uitgedaagd. Ze hebben een nieuw soort kunstmatige intelligentie gebouwd die de telstap volledig overslaat. In plaats van de computer te vragen naar een lijst met getallen te kijken, hebben ze de ruwe genetische tekst zelf in de computer gevoerd — de werkelijke sequenties van letters A, C, G en T die de RNA-moleculen in een cel vormen. Dit nieuwe model, dat ze scRM noemen, leert rechtstreeks van de onbewerkte gegevens, net zoals een student een taal leert door de originele boeken te lezen in plaats van een samenvatting. De onderzoekers ontdekten dat deze aanpak niet alleen werkt, maar het model ook in staat stelt om de activiteit van de cel te begrijpen met een detailniveau dat voorheen onmogelijk was, terwijl het slechts een fractie van de rekenkracht vereist die oudere methoden nodig hebben.

De kern van deze doorbraak ligt in de manier waarop de gegevens worden voorbereid. In een typisch experiment leggen wetenschappers het genetisch materiaal van duizenden individuele cellen vast. De ruwe output is een enorme stroom van korte tekstfragmenten, die elk zijn voorzien van een unieke code om te identificeren uit welke cel ze afkomstig zijn. Traditioneel proberen computers eerst elk fragment te koppelen aan een referentiegenoom, een proces dat traag is en een bestaande kaart van de genen van de organisme vereist. Het nieuwe framework omzeilt dit volledig. Het neemt de ruwe fragmenten, groepeert ze op basis van hun cel-tags en assembleert ze tot langere, samenhangende stukken tekst die contigs worden genoemd. Deze contigs vertegenwoordigen de werkelijke mRNA-moleculen die in de cel worden gevonden, waarbij de exacte sequentie en eventuele variaties in de manier waarop de genen zijn gespleten, behouden blijven. Deze geassembleerde tekst wordt vervolgens rechtstreeks in het AI-model gevoerd, dat de genetische code behandelt als een taal die begrepen moet worden, in plaats van een lijst die geteld moet worden.

Het model dat ze hebben gebouwd, scRM, is verrassend klein. Het bevat slechts 1,2 miljoen instelbare instellingen, ook wel parameters genoemd. Om dit in perspectief te plaatsen: andere toonaangevende modellen in dit veld zijn vaak honderden malen groter, met honderden miljoenen parameters, en worden getraind op tientallen miljoenen cellen. In contrast hiermee trachten de onderzoekers hun model op slechts 3.000 cellen uit muurneuronen, een proces dat slechts één uur duurde op een enkele krachtige computerchip. Ondanks de kleine omvang en de beperkte trainingsdata, presteerde het model opmerkelijk goed. Bij tests op taken zoals het identificeren van celtypen of het voorspellen van hoe cellen reageren op genetische veranderingen, kwam het overeen met de prestaties van de enorme, data-hongerige modellen. Het slaagde er zelfs in om celtypen correct te identificeren in soorten die het nog nooit eerder had gezien, zoals mensen, vliegen en ratten, simpelweg omdat het de universele taal van de genetische code leerde in plaats van een specifieke lijst met gennamen uit het hoofd te leren.

De ware kracht van deze aanpak werd duidelijk toen de onderzoekers keken naar hoe cellen reageren op specifieke genetische verstoringen. In sommige gevallen kan een cel de manier veranderen waarop het zijn genetische instructies aan elkaar naait, waardoor een iets andere versie van een eiwit ontstaat. De oude telmethoden, die alleen het totaal aantal instructies zien, kunnen deze subtiele structurele veranderingen niet detecteren. Omdat scRM de werkelijke sequentie leest, kan het deze verschillen opsporen. In experimenten waarbij cellen werden aangepast om de manier waarop hun genen worden gespleten te veranderen, detecteerde het nieuwe model de veranderingen nauwkeuriger dan welke van de bestaande grootschalige modellen dan ook. Dit suggereert dat de ruwe tekst van de genetische code een overvloed aan informatie bevat over cellulaire functies die verloren gaat wanneer gegevens worden gereduceerd tot eenvoudige tellingen.

Dit werk opent een nieuwe deur voor biologisch onderzoek. Door te bewijzen dat modellen direct op ruwe sequencing-reads getraind kunnen worden, hebben de onderzoekers aangetoond dat het mogelijk is om krachtige instrumenten te bouwen zonder een vooraf bestaande kaart van de genen van het organisme nodig te hebben. Dit is bijzonder belangrijk voor het bestuderen van virussen, bacteriën of zeldzame organismen die geen goed in kaart gebrachte genomen hebben. Het framework is bovendien efficiënt genoeg zodat wetenschappers er eigen specifieke modellen op kunnen trainen, in plaats van te moeten vertrouwen op algemene modellen die getraind zijn op enorme, publieke collecties van gegevens. Hoewel het huidige model een proof of concept is, geloven de onderzoekers dat het schalen van deze aanpak een dieper begrip kan ontsluiten van hoe cellen werken, waarbij details over genactiviteit worden onthuld die verborgen zijn gebleven achter het sluier van vereenvoudigde telmethoden. De studie toont aan dat men soms, om het verhaal van het leven te begrijpen, de originele tekst moet lezen, en niet alleen de samenvatting.