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

No mundo silencioso e intrincado do tecido humano, duas linguagens são constantemente faladas. Uma é escrita no código químico dos genes, as instruções minúsculas que dizem às células como se comportar, sobreviver e interagir. A outra é escrita na forma e textura do próprio tecido, visível a olho nu ou ao microscópio como uma paisagem de células, fibras e estruturas. Durante décadas, os patologistas leram a segunda linguagem, observando fatias de tecido coradas para diagnosticar doenças, enquanto os biólogos decodificaram a primeira, medindo a atividade gênica para entender a maquinaria da vida. Recentemente, um novo campo chamado transcriptômica espacial surgiu, permitindo que os cientistas leiam ambas as linguagens simultaneamente a partir do mesmo ponto minúsculo em uma amostra de tecido. Isso promete uma união poderosa: compreender exatamente quais genes estão ativos em partes específicas de um tumor ou órgão, mapeados diretamente sobre a arquitetura física do corpo.

A esperança era que essas duas linguagens pudessem ensinar uma à outra. Se um computador pudesse aprender a ler os padrões visuais de uma fatia de tecido, talvez pudesse usar esse conhecimento para entender melhor os complexos dados gênicos, mesmo quando os dados visuais estivessem ausentes posteriormente. Essa ideia baseia-se em um conceito chamado "modelos de fundação", que são sistemas de inteligência artificial massivos pré-treinados em enormes quantidades de dados para reconhecer padrões gerais. Os pesquisadores questionaram se poderiam treinar esses modelos de leitura de genes mostrando-los as imagens correspondentes do tecido durante a fase de aprendizado, essencialmente usando a imagem como um professor, e depois descartando a imagem após o treinamento do modelo. O objetivo era criar uma ferramenta de leitura de genes que fosse mais aguçada, mais precisa e melhor em reconhecer padrões em novos pacientes, simplesmente porque havia aprendido a observar a estrutura do tecido enquanto estudava os genes.

Uma equipe de pesquisadores decidiu testar essa hipótese com um experimento rigoroso envolvendo três modelos diferentes e de última geração de leitura de genes. Eles reuniram dados de amostras de tecido humano, focando especificamente em pontos onde a atividade gênica foi medida juntamente com imagens de alta resolução do tecido corado com um corante padrão rosa e roxo. Para cada ponto minúsculo, eles tinham uma lista de genes ativos e um patch de imagem correspondente. Eles pegaram os modelos de genes pré-treinados e tentaram refiná-los forçando-os a prever a imagem do tecido baseando-se apenas na lista de genes. Se o modelo conseguisse adivinhar com sucesso como o tecido parecia apenas lendo os genes, os pesquisadores raciocinaram, ele deve ter aprendido uma conexão mais profunda e útil entre os dois. Uma vez concluído esse treinamento, eles removeram a parte de previsão de imagem do sistema e testaram os modelos de genes refinados em novos pacientes não vistos, para ver se eram melhores em identificar tipos de tecido, como distinguir um tumor de um tecido saudável.

Os resultados foram surpreendentes e ofereceram uma resposta clara, embora sóbria. Apesar da forte intuição de que a orientação visual ajudaria, os modelos refinados não se tornaram melhores em reconhecer tipos de tecido em novos pacientes comparados aos modelos originais não refinados. Na verdade, para a maioria dos casos, o desempenho permaneceu exatamente o mesmo. Os pesquisadores descobriram que, embora as imagens do tecido em si contivessem uma riqueza de informações que poderiam facilmente identificar diferentes tipos de tecido, os dados de genes dessas amostras espaciais específicas não continham informação suficiente do mesmo tipo para ser melhorados pelas imagens. Os modelos de genes eram essencialmente "cegos" aos sinais visuais que os pesquisadores esperavam ensinar-lhes, não porque os modelos fossem falhos, mas porque os dados de genes sobre os quais foram construídos simplesmente não carregavam os sinais necessários.

O estudo revelou um problema estrutural oculto dentro dos próprios dados de genes. A informação capturada por essas medições de genes espaciais era surpreendentemente de baixa dimensionalidade, o que significa que ocupava um espaço de possibilidades muito pequeno e estreito, em vez de um cenário rico e diversificado. Além disso, esse espaço estreito era dominado pela identidade da lâmina de tecido específica de onde ela veio, em vez das diferenças biológicas entre os pacientes. Era como se os dados de genes estivessem tão fortemente ligados ao lote específico de tecido de onde vieram que isso abafava os sinais biológicos universais que os modelos precisavam para aprender. Quando os pesquisadores tentaram forçar os modelos a se alinharem com as imagens, os modelos não aprenderam a enxergar a biologia melhor; em vez disso, eles simplesmente reorganizaram a informação limitada que já possuíam, muitas vezes às custas de sua capacidade de prever outras atividades gênicas.

Houve algumas exceções onde a orientação visual ajudou, mas apenas para tipos de tecidos que pareciam muito distintos e únicos sob o microscópio, como certos tumores agressivos. Para esses casos específicos, as pistas visuais permitiram que o modelo aguçasse seu foco. No entanto, para a grande maioria dos tipos de tecido, especialmente aqueles que se parecem ou têm diferenças sutis, a orientação não trouxe benefício e, às vezes, até piorou a capacidade do modelo de prever a atividade gênica. Os pesquisadores concluíram que a informação visual não poderia resgatar ou recuperar sinais biológicos que estavam ausentes dos dados de genes para começar. Os modelos podiam apenas reorganizar o que já estava lá; eles não podiam inventar nova informação.

Esta descoberta sugere um limite crítico em como podemos melhorar essas poderosas ferramentas biológicas. Embora seja tentador lançar todas as fontes de dados disponíveis contra um problema, o estudo mostra que adicionar uma segunda linguagem não melhora automaticamente a compreensão da primeira se a primeira linguagem carecer do vocabulário necessário. Antes de tentar usar imagens de tecido para guiar modelos de genes, os cientistas devem primeiro diagnosticar se os dados de genes realmente contêm os sinais compartilhados necessários para essa orientação. O trabalho serve como um lembrete de que, na complexa tarefa de decodificar a vida, mais dados nem sempre são melhores se a estrutura subjacente desses dados for muito restrita para carregar o peso da nova informação. O caminho a seguir exige um diagnóstico cuidadoso do que os dados podem e não podem nos dizer, em vez de assumir que um professor visual pode sempre consertar um aluno silencioso.