Resumo Técnico: Tabula – Um Modelo de Fundação de Célula Única Preservador de Privacidade com Aprendizado Tabular e Federado

Declaração do Problema

Os atuais modelos de fundação (FMs) de célula única enfrentam duas limitações críticas que dificultam sua escalabilidade e fidelidade biológica:

1. Privacidade de Dados e Ética: Os modelos existentes (ex: Geneformer, scGPT, scFoundation) dependem de aprendizado centralizado, exigindo a agregação de conjuntos de dados massivos de célula única de diversas instituições. Essa abordagem levanta preocupações significativas de privacidade, uma vez que os dados de célula única são suscetíveis à reidentificação por meio de ataques de vinculação, particularmente ao escalar para dezenas de milhões de células de milhares de indivíduos.
2. Desalinhamento Estrutural: Os dados de sequenciamento de RNA de célula única (scRNA-seq) possuem uma estrutura tabular intrínseca (uma matriz célula-por-gene) onde os genes são atributos não ordenados. No entanto, os FMs atuais adaptam ingenuamente os paradigmas de Processamento de Linguagem Natural (NLP) ao impor ordens artificiais aos genes (ex: classificação por expressão) para tratá-los como sequências de palavras. Isso negligencia a natureza permutação-invariante das características gênicas e falha em modelar explicitamente as relações tabulares inerentes aos dados.

Metodologia

Os autores apresentam o Tabula, um novo modelo de fundação de célula única projetado para abordar essas lacunas por meio de duas inovações principais: Aprendizado Tabular e Aprendizado Federado (FL).

1. Estrutura de Aprendizado Tabular

Ao contrário dos modelos baseados em sequência, o Tabula trata cada célula como uma linha de genes permutação-invariante.

• Arquitetura: O modelo utiliza um backbone Transformer global compartilhado, mas incorpora embedders específicos do cliente e cabeças de projeção para capturar características específicas de tecidos.
• Representação de Entrada: Os genes são tratados como características de coluna independentes. O modelo utiliza um token especial [CLS] para agregar representações ao nível da célula.
• Objetivos de Pré-treinamento Autossupervisionado: Em vez de Modelagem de Linguagem Mascarada (MLM) ou modelagem autorregressiva, o Tabula emprega duas perdas distintas adaptadas para dados tabulares:
  • Perda de Reconstrução Gene-wise (por gene): 60% dos genes em uma célula são corrompidos aleatoriamente por reamostragem de valores de suas distribuições marginais empíricas (binomial negativa). O modelo aprende a reconstruir os valores de expressão originais, capturando dependências de nível de coluna (gene).
  • Perda Contrastiva Cell-wise (por célula): O modelo aprende a alinhar pares positivos (visões original e corrompida da mesma célula) e separar pares negativos (células diferentes) no espaço latente. Isso garante consistência intra-celular e variabilidade inter-celular, capturando relações de nível de linha (célula).

2. Aprendizado Federado e a Plataforma Chiron

Para permitir o treinamento sem compartilhar dados brutos, o Tabula é implantado via Chiron, uma plataforma habilitada por agentes de IA descentralizados.

• Fluxo de Trabalho: As instituições (clientes) hospedam servidores de dados locais e treinam modelos locais em seus conjuntos de dados privados. Apenas as atualizações de pesos do transformer (não os dados brutos) são compartilhadas com um orquestrador central.
• Agregação: O orquestrador usa Média Federada (FedAvg) para agregar pesos locais em um modelo global, que é então transmitido de volta aos clientes.
• Privacidade: Os dados brutos de célula única nunca deixam a infraestrutura local da instituição. A plataforma suporta implantação conteinerizada (Docker, Podman, Singularity) para reduzir as barreiras à adoção clínica e acadêmica.

3. Aplicações Downstream

Após o pré-treinamento em 15 milhões de células em oito categorias de tecidos, o Tabula é ajustado (fine-tuned) para:

• Benchmarks Padrão: Anotação de tipo celular, correção de lote (batch correction), imputação de genes e integração multi-ômica.
• Descoberta Mecanística: Predição zero-shot de redes regulatórias gênicas pareadas e combinatórias.
• Descoberta Terapêutica: Otimização in silico para identificar fatores de rejuvenescimento para o envelhecimento humano.

Principais Resultados

1. Desempenho em Benchmarks Downstream

O Tabula supera consistentemente os modelos baseados em sequência de última geração (scGPT, Geneformer, scFoundation) em tarefas de nível de célula e de nível de gene, apesar de ter sido pré-treinado em menos células.

• Anotação de Tipo Celular: Alcançou precisão, recall, precisão (precision) e escore F1 superiores em conjuntos de dados de pâncreas humano, mieloides, fígado e linhagens celulares.
• Imputação: Demonstrou maior correlação de Pearson e menores taxas de erro (RMSE, MAE) na recuperação de valores de expressão gênica mascarados.
• Predição de Perturbação: Predisse com precisão os resultados transcricionais para cenários de perturbação de gene único, duplo gene e cenários não vistos anteriormente.

2. Recuperação da Lógica Regulatória (Zero-Shot)

O Tabula demonstrou a capacidade de recuperar redes regulatórias de verdade fundamental sem ajuste fino:

• Regulação Pareada: Em quatro sistemas biológicos distintos (hematopoese, cardiogênese, neurogênese, endogênese pancreática), o Tabula alcançou >83% de precisão na predição de modos de ativação, repressão ou neutralidade baseados em trajetórias de perturbação in silico.
• Regulação Combinatória: O modelo previu com sucesso portas lógicas Booleanas complexas (ex: GATA1/FLI1 regulando EKLF na hematopoese) com alta consistência (até 100% para regras específicas) contra verdades fundamentais estabelecidas.

3. Descoberta de Fatores de Rejuvenescimento

Usando conjuntos de dados de fibroblastos humanos jovens e envelhecidos pareados (do Baltimore Longitudinal Study of Aging), os autores empregaram uma otimização guiada por escores de idade e identidade in silico:

• Método: Um procedimento de otimização iterativa deslocou os estados celulares envelhecidos em direção a um fenótipo mais jovem, preservando a identidade celular, guiado por um discriminador MLP.
• Candidatos: Os genes de topo incluíram CPE, POSTN e OLFM2.
• Validação: Esses candidatos mostraram enriquecimento significativo (>45% a 151%) em assinaturas independentes de intervenção de longevidade (banco de dados mSALT). Por exemplo, CPE e OLFM2 foram regulados positivamente em múltiplos modelos de camundongos de extensão de vida (ex: Ames, Snell, Little).
• Ortogonalidade: A validação experimental por Perturb-seq mostrou que, embora os fatores de Yamanaka (OCT4, SOX2) reduzissem os escores de idade, eles não alteraram a expressão de CPE ou OLFM2, sugerindo que os fatores indicados pelo Tabula representam estratégias de rejuvenescimento ortogonais à reprogramação parcial.

Significância e Alegações

O artigo posiciona o Tabula como um avanço significativo na genômica de célula única ao:

1. Redefinir o Paradigma: Afastando-se da analogia de NLP "genes-como-palavras" para um framework de aprendizado tabular explícito que respeita a natureza não ordenada e baseada em atributos dos dados de scRNA-seq.
2. Habilitar Colaboração Preservadora de Privacidade: Demonstrar que modelos de fundação de alto desempenho podem ser treinados através de instituições distribuídas sem comprometer a privacidade dos dados, facilitado pela plataforma Chiron.
3. Insight Mecanístico: Fornecer uma das primeiras demonstrações de que um modelo de fundação pode recuperar redes regulatórias biológicas complexas e fundamentais (tanto pareadas quanto combinatórias) em um cenário zero-shot.
4. Utilidade Terapêutica: Estabelecer modelos de fundação de célula única como motores práticos para descoberta terapêutica, especificamente para indicar genes candidatos para o rejuvenescimento da pele humana que são apoiados por dados de longevidade independentes.

Os autores concluem que o Tabula e o Chiron pavimentam o caminho para "células virtuais preservadoras de privacidade" e representam um passo em direção à descoberta biológica automatizada, ao mesmo tempo em que reconhecem as limitações atuais, como o foco exclusivo em transcriptômica e a necessidade de futura integração com dados multi-ômicos e espaciais.