Почему важен цифровой двойник клетки

Разработка лекарств сегодня — это лотерея. Исследователи тратят годы на модификацию молекул, затем тестируют их на клетках, животных и, наконец, на людях. Большинство кандидатов так и не проходят ранние стадии клинических испытаний на людях. Надежная вычислительная модель, способная прогнозировать клеточный ответ, позволила бы ученым на ранних этапах отсеивать бесперспективные соединения и направлять ресурсы на наиболее многообещающие варианты.

Arc рассматривает клетку как систему, которую можно моделировать in silico, подобно тому как инженеры моделируют самолет еще до того, как он оторвется от земли. Если симуляция воспроизводит изменения в экспрессии генов, которые показала бы реальная клетка при заданном воздействии, потребность в дорогостоящих и трудоемких экспериментах резко снижается.

Модель State — трансформер, обученный на 100 миллионах клеток

В основе платформы лежит нейронная сеть архитектуры трансформер, которую команда называет State. Трансформеры лежат в основе больших языковых моделей; здесь же они обрабатывают биологические данные вместо текста. State обучалась на курируемом наборе из 100 миллионов измерений отдельных клеток, выявляя статистические связи между генетическими воздействиями и последующими паттернами экспрессии.

Arc утверждает, что State превосходит предыдущие модели, полагавшиеся на более простые статистические методы. Команда также признает ключевое ограничение: когда модель сталкивается с типом клеток, который она никогда не видела во время обучения, точность ее прогнозов снижается. Исследователи полагают, что до создания «идеальной» модели — способной обобщать данные для всех типов клеток человека — остается около десяти лет.

Испытание модели: Virtual Cell Challenge

Чтобы оценить, насколько хорошо State и другие подходы справляются в реалистичных условиях, Arc организовала публичное соревнование под названием Virtual Cell Challenge. Участники получили сложный набор данных и должны были предсказать результаты экспрессии генов при неизвестных воздействиях. Результаты оказались отрезвляющими: многие команды ИИ показали результаты хуже, чем наивное математическое среднее по обучающим данным.

Этот результат подчеркивает более широкую проблему, с которой сталкивается область: чистые модели глубокого обучения, даже крупные, пасуют, когда входные данные зашумлены, разрежены или биологически неоднородны. Успешные решения сочетали нейронные сети с классическими статистическими методами, что указывает на то, что гибридный рабочий процесс может стать ближайшим путем вперед.

Наведение порядка: конвейер данных scBaseCount

Одним из самых больших препятствий при создании такой модели, как State, является качество данных. Необработанные измерения отдельных клеток изобилуют эффектами батчей, пропущенными значениями и противоречивыми аннотациями. Arc решила эту проблему, разработав набор ИИ-агентов для автоматизации курирования данных, получивших общее название scBaseCount.

  • Finder agents сканируют публичные репозитории и загружают необработанные файлы.
  • Organizer agents стандартизируют форматы, выравнивают метаданные и устраняют конфликты имен.
  • Supervisor agent проверяет результат, помечая аномалии для проверки человеком.

Благодаря этому конвейеру был собран репозиторий примерно из 500 миллионов клеток — это в четыре раза больше, чем самая большая публичная коллекция, существовавшая ранее. Огромный объем в сочетании с систематической очисткой дает State более богатую и надежную базу для обучения, чем предыдущие попытки.

Обучение на практике: петля обратной связи

Arc не полагается исключительно на исторические данные. Платформа использует цикл активного обучения: ИИ предлагает новые эксперименты, лаборатория проводит их, а результаты возвращаются в модель. На практике ИИ-агент выбирает ген для нокаута или препарат для применения, эксперимент проводится на реальных клетках, а наблюдаемые изменения экспрессии уточняют параметры State.

Этот цикл служит двум целям. Во-первых, он постоянно расширяет обучающую выборку данными, которые попадают в текущие «слепые зоны» модели. Во-вторых, он обеспечивает встроенный этап верификации, гарантируя, что прогнозы основаны на эмпирических доказательствах, а не принимаются на веру.

Что это значит для ИИ-инженеров и биотехнологических компаний

Публичные заявления Arc сводятся к двум практическим урокам:

  1. Качество данных важнее сложности модели. Сложный трансформер, обученный на зашумленных и неполных данных, будет работать хуже, чем более простой алгоритм, использующий тщательно отобранные входные данные. Пайплайн scBaseCount напоминает нам, что инвестиции в дата-инжиниринг могут принести больше преимуществ, чем погоня за постоянно растущими размерами моделей.
  2. Циклы верификации необходимы. Доверять результатам модели без внешней проверки рискованно, особенно в биологии, где много неизвестных конфаундеров. Внедрение агентов, которые проводят перекрестную проверку друг друга или сравнивают прогнозы с реальными экспериментами, создает страховочную сетку, позволяющую на ранних этапах выявлять систематические ошибки.

Путь вперед и скептики

Хотя перспективы очевидны, эта технология еще далека от готового решения. Трудности State с новыми типами клеток сигнализируют о том, что модели все еще не хватает истинного понимания лежащей в основе биологии. Результаты Virtual Cell Challenge показывают, что даже хорошо финансируемые команды разработчиков ИИ могут уступить простым базовым моделям, если задача поставлена некорректно.