細胞3300万個で学習した単一細胞基盤モデルscGPTを公開

単一細胞RNAシーケンシング（scRNA-seq）データは爆発的に蓄積されたが、実験のたびに解析ツールを選び直し、バッチ効果を別途補正しなければならなかった。カナダのトロント大学・ベクター研究所の研究チームは、ネイチャー・メソッズ（Nature Methods）に、言語モデルの方式を細胞データに移した基盤モデル（foundation model）scGPTを報告した。

「文章＝細胞、単語＝遺伝子」として事前学習

研究チームは、公開されている単一細胞データ3300万個の細胞で、生成型トランスフォーマーを事前学習した。文章が単語でできているように、細胞は遺伝子発現の組み合わせで定義されるという比喩を、そのまま設計に適用したものである。こうして得たモデルを転移学習（transfer learning）で微調整したところ、細胞タイプのアノテーション、複数バッチの統合、マルチオミクス統合、遺伝子摂動（perturbation）応答の予測、遺伝子制御ネットワークの推論など、異なる課題で使うことができた。

意義は、解析パイプラインの軸が「課題ごとの専用アルゴリズム」から「一度学習して複数の課題に付けるモデル」へ移ったことである。データが少ない組織・疾患でも、事前学習の知識を借りて使える。

限界

性能は、微調整に使うデータの品質と、事前学習データの組織・種の偏りに左右される。モデルが出力する制御ネットワークや摂動の予測は仮説であり、実験で確認する必要がある。