Slide-level batch structure limits histology-guided supervision of transcriptomic foundation models
本研究表明，使用匹配的 H&E 组织学作为训练时的监督信号，无法一致地改善转录组基础模型，因为基于位点的空间转录组学中存在的切片特异性批次结构限制了共享的基因-形态信号，最终只是重新组织了现有信息，而未能恢复丢失的生物学细节。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
在人类组织的静谧而复杂的微观世界中，有两种语言在不断交织。一种是用基因的化学代码书写的，这些微小的指令告诉细胞如何行为、生存以及相互作用；另一种则是用组织本身的形状和纹理书写的，通过肉眼或显微镜可以看到其呈现出的细胞、纤维与结构的景观。几十年来，病理学家一直在解读第二种语言，通过观察染色的组织切片来诊断疾病，而生物学家则在解码第一种语言，通过测量基因活性来理解生命的机制。最近，一个被称为“空间转录组学”的新兴领域出现了，它允许科学家从同一块组织样本的同一个微小位点上，同时解读这两种语言。这预示着一种强大的结合：将活跃在肿瘤或器官特定部分的基因，直接映射到人体的物理架构之上。
人们一直希望这两种语言能够相互启发。如果计算机能够学会阅读组织切片的视觉模式，或许它就能利用这种知识来更好地理解复杂的基因数据，即便在后续视觉数据缺失的情况下也是如此。这一想法依赖于一个被称为“基础模型”的概念，即经过大规模数据预训练、能够识别通用模式的大型人工智能系统。研究人员想知道，是否可以通过在学习阶段向这些基因读取模型展示匹配的组织图像来进行训练，本质上是将图像作为一名“老师”，然后在模型训练完成后将其丢弃。其目标是创造出一种更敏锐、更准确、且在面对新患者时能更好地识别模式的基因读取工具，仅仅是因为它在学习基因的同时，也学会了观察组织结构。
一个研究团队决定通过一项严谨的实验来测试这一假设，实验涉及三种不同的尖端基因读取模型。他们收集了人类组织样本的数据，特别关注那些在测量基因活性的同时还配有高分辨率组织图像（使用标准的粉紫色染色）的位点。对于每一个微小的位点，他们都有一份活跃基因列表和一张对应的图像块。他们采用了预训练的基因模型，并尝试通过强制模型根据仅有的基因列表来预测组织图像，从而对模型进行精炼。研究人员认为，如果模型仅凭基因列表就能成功猜出组织的样貌，那么它一定已经学习到了两者之间更深层、更有用的联系。一旦这种训练完成，他们便移除了系统中的图像预测部分，并在全新的、未见过的患者样本上测试这些精炼后的基因模型，以观察它们是否在识别组织类型（例如区分肿瘤与健康组织）方面表现得更好。
结果令人惊讶，也给出了一个清晰、甚至有些冷峻的答案。尽管直觉认为视觉引导会有所帮助，但精炼后的模型在识别新患者的组织类型方面，并未比原始的未精炼模型表现得更好。事实上，在大多数情况下，性能几乎没有变化。研究人员发现，虽然组织图像本身包含了足以轻松识别不同组织类型的丰富信息，但这些特定空间样本中的基因数据并不包含足够的同类信息，无法通过图像得到提升。基因模型本质上对视觉线索是“盲目”的，这并非因为模型本身存在缺陷，而是因为构建这些模型的基因数据本身就并未携带研究人员希望通过图像传递给它们的信号。
这项研究揭示了基因数据本身存在的一个隐藏的结构性问题。这些空间基因测量所捕捉到的信息具有惊人的低维性，这意味着它们占据的是一个非常狭窄、有限的可能性空间，而非丰富多样的景观。此外，这个狭窄的空间主要由特定组织切片的身份特征所主导，而非患者之间的生物学差异。这就像是基因数据被紧紧地束缚在它所属的特定批次组织中，以至于淹没了模型需要学习的普遍生物学信号。当研究人员试图强制模型与图像对齐时，模型并没有学会更好地理解生物学，而是仅仅重新组织了它已有的有限信息，且往往以牺牲预测其他基因活性的能力为代价。
在少数例外情况下，视觉引导确实起到了作用，但仅限于那些在显微镜下看起来非常独特且具有辨识度的组织类型，例如某些侵袭性肿瘤。对于这些特定的案例，视觉提示让模型能够收敛并聚焦。然而，对于绝大多数组织类型——尤其是那些外观相似或存在细微差异的类型——这种引导既没有带来益处，有时甚至会让模型在预测基因活性方面表现得更差。研究人员得出结论：视觉信息无法挽救或恢复原本就缺失于基因数据中的生物学信号。模型只能重新排列已有的东西，它们无法凭空创造新信息。
这一发现揭示了提升这些强大生物学工具能力的某种极限。虽然人们倾向于将所有可用的数据源都投入到问题解决中，但这项研究表明，如果第一种语言缺乏必要的词汇量，那么加入第二种语言并不一定会提高对第一种语言的理解。在尝试使用组织图像来引导基因模型之前，科学家必须首先诊断基因数据是否确实包含了进行此类引导所需的共享信号。这项工作提醒我们，在解码生命的复杂任务中，拥有更多数据并不总是意味着更好，如果数据的底层结构过于受限，无法承载新信息的重量。未来的路径在于对数据“能告诉我们什么”以及“不能告诉我们什么”进行仔细的诊断，而不是假设一位“视觉老师”总能治愈一位“沉默的学生”。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。