Frontera de las ciencias de la vida
Presentado scGPT, un modelo fundacional de célula única entrenado con 33 millones de células
Un equipo de la Universidad de Toronto resolvió de una vez la clasificación de tipos celulares y la predicción de respuestas a perturbaciones con un modelo fundacional que aprendió los transcriptomas de célula única como si fueran «frases».
Los datos de secuenciación de ARN de célula única (scRNA-seq) se han acumulado de forma explosiva, pero en cada experimento había que elegir de nuevo las herramientas de análisis y corregir por separado el efecto de lote. Investigadores de la Universidad de Toronto y del Instituto Vector (Canadá) presentaron en Nature Methods scGPT, un modelo fundacional (foundation model) que traslada el enfoque de los modelos de lenguaje a los datos celulares.
Preentrenamiento con «frase = célula, palabra = gen»
Los investigadores preentrenaron un transformador generativo con 33 millones de células de datos públicos de célula única. Aplicaron directamente al diseño la analogía de que, igual que una frase se compone de palabras, una célula se define por una combinación de expresión génica. Al ajustar con precisión el modelo así obtenido mediante aprendizaje por transferencia (transfer learning), se pudo utilizar en tareas distintas, como la anotación de tipos celulares, la integración de varios lotes, la integración multiómica, la predicción de la respuesta a perturbaciones (perturbation) génicas y la inferencia de redes de regulación génica.
Lo importante es que el eje de los flujos de análisis pasa de «algoritmos específicos para cada tarea» a «un modelo que se entrena una vez y se aplica a varias tareas». También en tejidos y enfermedades con pocos datos se puede aprovechar el conocimiento del preentrenamiento.
Limitaciones
El rendimiento depende de la calidad de los datos usados para el ajuste fino y de los sesgos de tejido y de especie de los datos de preentrenamiento. Las redes de regulación o las predicciones de perturbaciones que ofrece el modelo son hipótesis y deben confirmarse con experimentos.
- Modelo fundacional de transformador generativo preentrenado con 33 millones de células de datos públicos
- Uso común en anotación de tipos celulares, integración de lotes, integración multiómica, predicción de perturbaciones e inferencia de redes de regulación
- Cambio de herramientas específicas para cada tarea al ajuste fino de un modelo preentrenado
Limitaciones Los sesgos de tejido y de población de los datos de preentrenamiento se reflejan en el rendimiento, y las redes y predicciones de perturbaciones que genera el modelo son hipótesis que requieren verificación experimental.
Artículo original
- Cui H, Wang C, Maan H, … Wang B · University of Toronto·Vector Institute (Canadá). scGPT: toward building a foundation model for single-cell multi-omics using generative AI. Nature Methods. DOI: 10.1038/s41592-024-02201-0
Los derechos del artículo original pertenecen a su editorial y a sus autores.