Single-Cell Foundation Models in Biotechnology: A Scoping Review and Bibliometric Analysis of Multimodal AI for Cell-State, Perturbation, and Biomarker Prediction

Resumo Técnico: Modelos de Fundação de Célula Única em Biotecnologia

Definição do Problema
O campo da biologia de célula única adotou rapidamente os "modelos de fundação" — redes neurais de grande escala pré-treinadas em conjuntos de dados amplos e ajustadas para tarefas específicas — espelhando tendências em processamento de linguagem natural (NLP) e modelagem de proteínas. Embora modelos como Geneformer, scGPT e scBERT prometam embeddings unificados para análise de estado celular, predição de perturbação e descoberta de biomarcadores, as vantagens sistemáticas dessas arquiteturas sobre alternativas mais simples permanecem incompletamente avaliadas. Preocupações críticas persistem em relação ao rigor dos benchmarks, vazamento de dados (data leakage), reprodutibilidade e se os ganhos de desempenho relatados são genuínos ou artefatos de um design experimental deficiente. Há uma carência de análise empírica, baseada em código, que caracterize o panorama desses modelos, a qualidade de seus benchmarks e o estado de reprodutibilidade na literatura.

Metodologia
Este estudo emprega uma revisão de escopo sistemática combinada com uma análise bibliométrica computacional original. Os autores construíram um pipeline totalmente automatizado para analisar a literatura publicada entre 2020 e abril de 2026.

• Recuperação de Dados: Quatro bases de dados (PubMed, bioRxiv, Semantic Scholar, Crossref) foram consultadas utilizando oito strings de busca estruturadas, resultando em 1.295 registros brutos.
• Triagem e Deduplicação: Um filtro de relevância programático reteve 1.249 registros, seguido de deduplicação (DOI exato e correspondência aproximada de títulos), resultando em um corpus final de 1.042 registros únicos.
• Extração Automatizada: Scripts extraíram 45 campos por registro, incluindo família do modelo, tipo de tarefa, modalidade de entrada e marcadores de reprodutibilidade (código, pesos, disponibilidade de dados).
• Análise Bibliométrica: O estudo utilizou vetorização TF-IDF e agrupamento K-means (k=8) para modelagem de tópicos, análise de rede de coocorrência de palavras-chave e rastreamento de cronograma de publicação.
• Pontuação de Qualidade: Uma pontuação de qualidade de benchmark personalizada (0–4) foi atribuída programaticamente com base na presença de: (1) datasets de benchmark nomeados, (2) comparações de baseline declaradas, (3) métricas de avaliação explícitas e (4) validação independente.
• Auditoria de Reprodutibilidade: A disponibilidade de código, pesos do modelo e dados de treinamento foi sinalizada via correspondência de palavras-chave nos resumos para calcular um índice composto de reprodutibilidade.

Principais Contribuições

1. Mapeamento Sistemático do Panorama: O artigo fornece a primeira caracterização em larga escala e baseada em código do campo dos modelos de fundação de célula única, categorizando 1.042 registros por arquitetura de modelo, tarefa e modalidade.
2. Auditoria de Rigor de Benchmark: Introduz um sistema de pontuação quantitativa para avaliar a qualidade metodológica do benchmarking neste domínio, revelando uma falta sistêmica de comparações com baselines e validação independente.
3. Avaliação de Reprodutibilidade: O estudo quantifica o "gap de reprodutibilidade", documentando as baixas taxas de compartilhamento de código, pesos e dados, e correlacionando-as com a qualidade do benchmark.
4. Avaliação Crítica de Alegações: A análise testa empiricamente a narrativa de "superioridade dos modelos de fundação" contra a realidade dos baselines relatados e do desempenho das tarefas.

Principais Resultados

• Crescimento de Publicações: O campo experimentou um crescimento anual de aproximadamente 24 vezes no volume de publicações entre 2020 e 2025, com um ponto de inflexão acentuado pós-2022, coincidindo com a ascensão dos grandes modelos de linguagem.
• Panorama de Modelos: Arquiteturas de fusão multimodal são a categoria dominante (29,4%), seguidas por modelos padrão de atenção/transformer (22,0%) e modelos generativos baseados em VAE (17,6%). Modelos de pré-treinamento de verdadeira "escala de fundação" (que reivindicam objetivos de pré-treinamento massivos) constituem apenas 13,9% da literatura.
• Distribuição de Tarefas: Anotação de tipos celulares (29,9%), reconstrução espacial (28,6%) e predição de perturbação (27,9%) são as tarefas downstream mais comuns.
• Qualidade de Benchmark: A pontuação mediana de qualidade de benchmark é 1/4. Apenas 12,4% dos artigos alcançam uma pontuação de 3 ou 4. Crucialmente, comparações explícitas com baselines aparecem em apenas 25,7% dos abstracts, e a validação independente está presente em apenas 9,3%.
• Reprodutibilidade: A disponibilidade de código é detectável em 40,4% dos registros, enquanto os pesos do modelo (15,0%) e os dados de treinamento (19,5%) raramente são compartilhados. O índice composto de reprodutibilidade é de 0,25.
• Desempenho de Baseline: A análise apoia o achado de que baselines simples (ex: regressão logística em embeddings de PCA, scVI) são frequentemente competitivos com grandes modelos transformer, mas raramente são incluídos nas comparações publicadas.

Significância e Alegações
O artigo argumenta que, embora o campo esteja se expandindo rapidamente e produzindo ferramentas sofisticadas, o valor científico cumulativo é atualmente limitado pela inconsistência na reprodutibilidade e no rigor dos benchmarks.

• Alegações Modestas sobre Superioridade: Os autores afirmam que a evidência da superioridade dos modelos de fundação sobre baselines simples é frequentemente fraca ou dependente de contexto. Para tarefas como anotação de tipo celular, as representações pré-treinadas mostram vantagens modestas, mas consistentes, em cenários de few-shot, mas as alegações de ganhos massivos em predição de perturbação ou resposta a drogas são frequentemente não sustentadas por testes rigorosos fora da distribuição (out-of-distribution).
• A Questão da "Escala": O artigo observa que muitos modelos rotulados como "modelos de fundação" são treinados em escalas de dados (dezenas a centenas de milhares de células) ordens de magnitude menores que seus equivalentes em NLP, e a necessidade biológica de tal escalonamento não foi rigorosamente demonstrada.
• Chamada para Padronização: A principal significância deste trabalho é a identificação de lacunas específicas: a necessidade de suítes de benchmark padronizadas (análogas ao GLUE em NLP), inclusão obrigatória de baselines simples nas avaliações e infraestrutura para compartilhamento de pesos de modelos. Os autores concluem que a adoção mais ampla de código aberto, dados e protocolos padronizados é necessária para transicionar o campo de um período de proliferação rápida para um de avanço científico cumulativo e reprodutível.