Benchmarking single-cell foundation models for aging biology

从微小的苔藓到人类，每一个生命体内部都存在着数以万亿计的微小单元，被称为细胞。每个细胞都是一个专门化的工作者，尽管它们都携带着同一套指令，但它们通过阅读不同的指令部分，从而演变成心脏细胞、皮肤细胞或大脑细胞。科学家们长期以来一直希望了解这些细胞随着生物体变老（我们称之为衰老过程）是如何变化的。为了实现这一目标，他们观察基因的活动，即告诉细胞该做什么的化学开关。近年来，计算机已变得足够强大，可以同时读取数百万个此类基因的活动，从而创建出一幅巨大的细胞生命图谱。然而，要理解这些压倒性的数据，需要一种新型工具：一种经过训练、能够识别细胞行为模式的计算机程序，就像一位读过浩如烟海的书籍、并能瞬间告诉你哪些书属于同一类别的图书管理员一样。

一个研究小组致力于测试新一代此类计算机程序（被称为单细胞基础模型），以观察它们是否能帮助回答关于衰老的难题。他们收集了海量的资料，包括来自各种研究的超过250万个单个细胞的快照，以创建一个严格的测试。其目标是观察哪种计算机程序能最好地将原始遗传数据转化为关于细胞如何衰老、如何随疾病变化以及它们之间如何差异的有用见解。研究人员不仅关注了一类问题；他们还在五个不同的生物学谜题上测试了这些程序，范围涵盖了从预测细胞年龄到寻找可能隐藏在数据中的稀有细胞类型。

结果显示，没有一个计算机程序是完美的，能胜任所有任务，但有几个在特定工作中脱颖而出。当目标是预测细胞的年代学年龄或追踪其随时间变化的进程时，一个名为 Geneformer 的程序表现得比其他程序更好。它的效率如此之高，甚至能达到与那些需要科学家手动选择最重要的基因的方法相媲美的性能，而这通常是一项需要大量人力投入的任务。然而，研究也发现，对于某些任务，仅使用几千个关键基因的简单方法仍然比复杂的计算机模型效果更好，这表明这些新工具虽然强大，但尚未成为所有传统方法的替代品。

研究人员还观察了这些程序在识别由疾病引起的细胞变化方面的表现。几种模型成功识别出了与科学家已知关于疾病背景下衰老的分子转变相吻合的变化，证实了这些工具可以识别真实的生物学模式。其中一个名为 SCimilarity 的程序在寻找稀有细胞状态（例如数量极少的异常细胞类型）方面表现得尤为出色。它优于专门针对衰老构建的模型以及过去使用的标准方法，表明这些通用型工具在发现异常情况方面出奇地擅长。在单个基因层面，另一个名为 scGPT 的程序在重建已知的基因关系方面做得最好，有效地绘制出了控制衰老的调控枢纽图谱。

最终，这项研究表明，这些先进的计算机模型正逐渐成为衰老研究中有用的工具，但它们的价值完全取决于所提出的具体问题。它们不是解决所有问题的万能钥匙，但它们确实提供了一种识别稀有细胞类型以及理解支配细胞随时间变化之复杂规则的新途径。通过将这些工具置于一个庞大的共享数据集进行测试，研究人员为其他科学家提供了一份清晰的指南，告诉他们针对不同任务应使用哪种程序，从而确保未来的衰老生物学发现是建立在最可靠的基础之上的。