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

Dentro de cada célula viva, uma fábricafervilhante de vida está constantemente em trabalho, lendo instruções e construindo proteínas. Para entender como essas fábricas operam, os cientistas há muito dependem de um método que atua como um recenseador: eles contam quantas cópias de cada manual de instruções estão presentes. Essa abordagem, que produz uma lista simples de números para milhares de genes, tem sido o padrão para estudar células individuais há anos. No entanto, esse método de recenseamento descarta o texto real das instruções. Ele diz que uma fábrica produziu quatro cópias de um manual específico, mas descarta as próprias páginas, perdendo detalhes sobre como essas páginas foram editadas, onde foram cortadas ou se continham erros de digitação. Por décadas, os pesquisadores aceitaram essa perda de detalhes como o preço de serem capazes de estudar milhares de células ao mesmo tempo, acreditando que o texto bruto do código genético era complexo e confuso demais para ser analisado diretamente.

Uma equipe de pesquisadores da Altos Labs e da Universidade de Maryland agora desafia essa suposição de longa data. Eles construíram um novo tipo de inteligência artificial que pula a etapa de contagem inteiramente. Em vez de pedir ao computador que olhe para uma lista de números, eles alimentaram-no com o próprio texto genético bruto — as sequências reais de letras A, C, G e T que compõem as moléculas de RNA dentro de uma célula. Este novo modelo, que eles chamam de scRM, aprende diretamente dos dados não processados, de forma muito semelhante a um estudante aprendendo uma língua ao ler os livros originais em vez de um resumo. Os pesquisadores descobriram que essa abordagem não apenas funciona, mas permite que o modelo entenda a atividade celular com um nível de detalhe que era anteriormente impossível, tudo isso utilizando uma fração da potência de computação exigida pelos métodos antigos.

O cerne desta descoberta reside em como os dados são preparados. Em um experimento típico, os cientistas capturam o material genético de milhares de células individuais. O resultado bruto é um fluxo massivo de fragmentos de texto curtos, cada um marcado com um código exclusivo para identificar de qual célula ele veio. Tradicionalmente, os computadores primeiro tentariam combinar cada fragmento a um genoma de referência, um processo que é lento e requer um mapa pré-existente dos genes do organismo. O novo framework ignora isso inteiramente. Ele pega os fragmentos brutos, agrupa-os por suas etiquetas de célula e os monta em peças de texto mais longas e coerentes chamadas contigs. Esses contigs representam as moléculas de mRNA reais encontradas na célula, preservando a sequência exata e quaisquer variações na forma como os genes foram emendados. Esse texto montado é então alimentado diretamente no modelo de IA, que trata o código genético como uma linguagem a ser compreendida, em vez de uma lista a ser contada.

O modelo que eles construíram, o scRM, é surpreendentemente pequeno. Ele contém apenas 1,2 milhão de configurações ajustáveis, conhecidas como parâmetros. Para colocar isso em perspectiva, outros modelos líderes neste campo são frequentemente centenas de vezes maiores, com centenas de milhões de parâmetros, e são treinados em dezenas de milhões de células. Em contraste, os pesquisadores treinaram seu modelo em apenas 3.000 células de neurônios de camundongos, um processo que levou apenas uma hora em um único chip de computador de alto desempenho. Apesar de seu tamanho pequeno e dados de treinamento limitados, o modelo teve um desempenho notável. Quando testado em tarefas como identificação de tipos de células ou previsão de como as células respondem a mudanças genéticas, ele igualou o desempenho dos modelos massivos e ávidos por dados. Ele até obteve sucesso ao identificar corretamente tipos de células em espécies que nunca tinha visto antes, como humanos, moscas e ratos, simplesmente porque aprendeu a linguagem universal do código genético em vez de memorizar uma lista específica de nomes de genes.

O verdadeiro poder desta abordagem tornou-se evidente quando os pesquisadores observaram como as células reagem a interrupções genéticas específicas. Em alguns casos, uma célula pode mudar a maneira como costura suas instruções genéticas, criando uma versão ligeiramente diferente de uma proteína. Os antigos métodos de contagem, que veem apenas o número total de instruções, não conseguem detectar essas mudanças estrutais sutis. Como o scRM lê a sequência real, ele consegue detectar essas diferenças. Em experimentos onde as células foram alteradas para mudar a forma como seus genes eram emendados, o novo modelo detectou as mudanças com mais precisão do que qualquer um dos modelos existentes de grande escala. Isso sugere que o texto bruto do código genético contém uma riqueza de informações sobre a função celular que é perdida quando os dados são reduzidos a contagens simples.

Este trabalho abre uma nova porta para a pesquisa biológica. Ao provar que modelos podem ser treinados diretamente em leituras de sequenciamento brutas, os pesquisadores mostraram que é possível construir ferramentas poderosas sem a necessidade de um mapa pré-existente dos genes do organismo. Isso é particularmente importante para estudar vírus, bactérias ou organismos raros que não possuem genomas bem mapeados. O framework também é eficiente o suficiente para permitir que cientistas treinem modelos personalizados em seus próprios conjuntos de dados específicos, em vez de depender de modelos gerais treinados em coleções massivas de dados públicos. Embora o modelo atual seja uma prova de conceito, os pesquisadores acreditam que escalar esta abordagem poderá desbloquear uma compreensão mais profunda de como as células funcionam, revelando detalhes sobre a atividade gênica que permaneceram ocultos sob o véu dos métodos simplificados de contagem. O estudo demonstra que, às vezes, para entender a história da vida, deve-se ler o texto original, não apenas o resumo.