ทำไมดิจิทัลทวิน (digital twin) ของเซลล์จึงมีความสำคัญ

การค้นหายาในปัจจุบันเปรียบเสมือนการเสี่ยงโชค นักวิจัยต้องใช้เวลาหลายปีในการปรับแต่งโมเลกุล จากนั้นจึงทดสอบในเซลล์ สัตว์ และท้ายที่สุดคือในมนุษย์ สารประกอบส่วนใหญ่ไม่สามารถผ่านการทดสอบทางคลินิกในระยะแรกกับมนุษย์ไปได้ หากมีแบบจำลองคอมพิวเตอร์ที่เชื่อถือได้ซึ่งสามารถพยากรณ์การตอบสนองของเซลล์ได้ นักวิทยาศาสตร์จะสามารถคัดสารประกอบที่ไม่มีอนาคตออกไปได้ตั้งแต่เนิ่นๆ และมุ่งเน้นทรัพยากรไปยังสารประกอบที่มีแนวโน้มจะประสบความสำเร็จมากที่สุด

Arc มองว่าเซลล์คือระบบที่สามารถจำลองในคอมพิวเตอร์ (in silico) ได้ เช่นเดียวกับที่วิศวกรสร้างแบบจำลองเครื่องบินก่อนที่จะนำขึ้นบินจริง หากการจำลองสามารถเลียนแบบการเปลี่ยนแปลงของการแสดงออกของยีน (gene-expression) ที่เซลล์จริงจะแสดงออกมาภายใต้สภาวะที่ถูกรบกวน (perturbation) ได้ ความจำเป็นในการทดลองที่สิ้นเปลืองทั้งค่าใช้จ่ายและเวลาจะลดลงอย่างมหาศาล

โมเดล “State” – transformer ที่ฝึกฝนด้วยข้อมูลเซลล์ 100 ล้านเซลล์

หัวใจสำคัญของแพลตฟอร์มนี้คือโครงข่ายประสาทเทียมรูปแบบ transformer ที่ทีมงานเรียกว่า State โดยปกติแล้ว transformer เป็นขุมพลังเบื้องหลังโมเดลภาษาขนาดใหญ่ (LLMs) แต่ในที่นี้ พวกมันถูกนำมาใช้ประมวลผลข้อมูลทางชีวภาพแทนข้อความ State เรียนรู้จากชุดข้อมูลการวัดผลระดับเซลล์เดี่ยว (single-cell measurements) ที่ผ่านการคัดสรรมาแล้วกว่า 100 ล้านชุด โดยทำความเข้าใจความสัมพันธ์ทางสถิติระหว่างการรบกวนทางพันธุกรรม (genetic perturbations) และรูปแบบการแสดงออกของยีนที่ตามมา (downstream expression patterns)

Arc ระบุว่า State มีประสิทธิภาพเหนือกว่าโมเดลรุ่นก่อนๆ ที่พึ่งพาเทคนิคทางสถิติที่เรียบง่ายกว่า อย่างไรก็ตาม ทีมงานยอมรับถึงข้อจำกัดสำคัญประการหนึ่ง นั่นคือเมื่อโมเดลพบกับเซลล์ประเภทที่ไม่เคยเห็นในระหว่างการฝึกฝน ความแม่นยำในการพยากรณ์จะลดลง นักวิจัยคาดการณ์ว่าโมเดลที่ "สมบูรณ์แบบ" ซึ่งสามารถประยุกต์ใช้ได้กับเซลล์ทุกประเภทในมนุษย์นั้น ยังต้องใช้เวลาพัฒนาอีกประมาณหนึ่งทศวรรษ

การทดสอบโมเดล: Virtual Cell Challenge

เพื่อประเมินว่า State และแนวทางอื่นๆ ทำงานได้ดีเพียงใดในสภาพแวดล้อมที่ใกล้เคียงความเป็นจริง Arc จึงได้จัดการแข่งขันสาธารณะที่ชื่อว่า Virtual Cell Challenge ผู้เข้าร่วมจะได้รับชุดข้อมูลที่ยากและต้องพยากรณ์ผลลัพธ์การแสดงออกของยีนภายใต้สภาวะการรบกวนที่ไม่เคยเห็นมาก่อน ผลลัพธ์ที่ออกมานั้นน่าตกใจ เพราะทีม AI หลายทีมทำผลงานได้แย่กว่าการใช้ค่าเฉลี่ยทางคณิตศาสตร์แบบพื้นฐานจากข้อมูลที่ใช้ฝึกฝนเสียอีก

ผลลัพธ์นี้ตอกย้ำประเด็นสำคัญที่วงการนี้กำลังเผชิญอยู่ นั่นคือโมเดล deep-learning บริสุทธิ์ แม้จะเป็นโมเดลขนาดใหญ่ ก็ยังประสบปัญหาเมื่อข้อมูลนำเข้ามีความคลาดเคลื่อน (noisy) เบาบาง (sparse) หรือมีความหลากหลายทางชีวภาพสูง (biologically heterogeneous) ผู้ที่ส่งผลงานเข้าแข่งขันได้สำเร็จมักจะใช้โครงข่ายประสาทเทียมควบคู่ไปกับวิธีการทางสถิติแบบดั้งเดิม ซึ่งบ่งชี้ว่ากระบวนการทำงานแบบไฮบริด (hybrid workflow) อาจเป็นแนวทางที่เป็นไปได้ในระยะใกล้

การจัดการข้อมูลที่ยุ่งเหยิง: scBaseCount data pipeline

หนึ่งในอุปสรรคที่ใหญ่ที่สุดในการสร้างโมเดลอย่าง State คือคุณภาพของข้อมูล ข้อมูลการวัดผลระดับเซลล์เดี่ยวแบบดิบ (raw measurements) มักเต็มไปด้วยปัญหา batch effects, ค่าที่ขาดหายไป (missing values) และการทำเครื่องหมาย (annotations) ที่ไม่สอดคล้องกัน Arc จึงแก้ปัญหานี้ด้วยการสร้างชุด AI agents ที่ช่วยจัดการข้อมูลโดยอัตโนมัติ ซึ่งรวมเรียกว่า scBaseCount

  • Finder agents ทำหน้าที่ค้นหาข้อมูลจากคลังข้อมูลสาธารณะ (public repositories) และดึงไฟล์ดิบลงมา
  • Organizer agents ทำหน้าที่จัดรูปแบบให้เป็นมาตรฐาน จัดระเบียบ metadata และแก้ไขปัญหาชื่อที่ขัดแย้งกัน
  • supervisor agent ทำหน้าที่ตรวจสอบผลลัพธ์และแจ้งเตือนความผิดปกติเพื่อให้มนุษย์เข้ามาตรวจสอบ

pipeline นี้ได้รวบรวมคลังข้อมูลเซลล์ไว้ประมาณ 500 ล้านเซลล์ ซึ่งใหญ่กว่าคลังข้อมูลสาธารณะที่ใหญ่ที่สุดก่อนหน้านี้ถึงสี่เท่า ปริมาณข้อมูลมหาศาลนี้เมื่อรวมกับการทำความสะอาดข้อมูลอย่างเป็นระบบ ทำให้ State มีฐานข้อมูลสำหรับการฝึกฝนที่สมบูรณ์และน่าเชื่อถือกว่าความพยายามในอดีต

เรียนรู้จากการลงมือทำ: feedback loop

Arc ไม่ได้พึ่งพาเพียงแค่ข้อมูลย้อนหลังเท่านั้น แต่แพลตฟอร์มนี้ยังใช้กระบวนการเรียนรู้เชิงรุก (active-learning cycle) โดย AI จะเสนอการทดลองใหม่ๆ ห้องแล็บจะดำเนินการทดลองเหล่านั้น และผลลัพธ์จะถูกส่งกลับเข้าสู่โมเดล ในทางปฏิบัติ AI agent จะเลือกยีนที่จะทำการ knock out หรือเลือกยาที่จะนำมาใช้ จากนั้นทำการทดลองกับเซลล์จริง และการเปลี่ยนแปลงของการแสดงออกที่สังเกตได้จะถูกนำไปปรับปรุงพารามิเตอร์ของ State ให้แม่นยำยิ่งขึ้น

วงจรนี้มีวัตถุประสงค์สองประการ ประการแรก คือการขยายชุดข้อมูลฝึกฝนอย่างต่อเนื่องด้วยข้อมูลที่ช่วยเติมเต็มจุดบอด (blind spots) ของโมเดลในปัจจุบัน ประการที่สอง คือการสร้างขั้นตอนการตรวจสอบในตัว เพื่อให้มั่นใจว่าการพยากรณ์นั้นตั้งอยู่บนหลักฐานเชิงประจักษ์ (empirical evidence) ไม่ใช่เพียงแค่การคาดเดาตามข้อมูลที่มีอยู่

สิ่งนี้มีความหมายอย่างไรต่อวิศวกร AI และบริษัทไบโอเทค

ข้อมูลที่ Arc เปิดเผยต่อสาธารณะสามารถสรุปเป็นบทเรียนที่นำไปใช้ได้จริงสองประการ ดังนี้:

  1. Data quality trumps model complexity. A sophisticated transformer trained on noisy, incomplete data will underperform a simpler algorithm fed with meticulously curated inputs. The scBaseCount pipeline reminds us that investing in data engineering can yield bigger gains than chasing ever-larger model sizes.
  2. Verification loops are essential. Trusting a model’s output without external checks is risky, especially in biology where unknown confounders abound. Embedding agents that cross-validate each other—or that compare predictions against real-world experiments—creates a safety net that catches systematic errors early.

The road ahead and the skeptics

While the promise is clear, the technology is far from a turnkey solution. State’s difficulty with unseen cell types signals that the model still lacks a true understanding of the underlying biology. The Virtual Cell Challenge results show that even well-funded AI teams can be outperformed by simple baselines when the problem is ill-posed.