Чому цифровий двійник клітини має значення

Розробка ліків сьогодні — це справжня лотерея. Дослідники витрачають роки на вдосконалення молекул, потім тестують їх на клітинах, тваринах і, нарешті, на людях. Більшість кандидатів так і не проходять початкові клінічні випробування на людях. Надійна обчислювальна модель, здатна прогнозувати клітинну відповідь, дозволила б вченим на ранніх етапах відсіювати безперспективні сполуки та зосереджувати ресурси на найбільш перспективних варіантах.

Arc розглядає клітину як систему, яку можна моделювати in silico, подібно до того, як інженери моделюють літак ще до того, як він підніметься в повітря. Якщо симуляція відтворює зміни в експресії генів, які продемонструвала б реальна клітина під впливом певного збурення, потреба в дороговартісних і тривалих експериментах різко зменшується.

Модель «State» — трансформер, навчений на 100 мільйонах клітин

В основі платформи лежить нейронна мережа у стилі трансформера, яку команда називає State. Трансформери є основою великих мовних моделей; тут вони обробляють біологічні дані замість тексту. State навчалася на кураторському наборі з 100 мільйонів вимірювань окремих клітин, виявляючи статистичні зв'язки між генетичними збуреннями та подальшими патернами експресії.

Arc стверджує, що State перевершує попередні моделі, які покладалися на простіші статистичні методи. Команда також визнає ключове обмеження: коли модель стикається з типом клітин, який вона ніколи не бачила під час навчання, точність її прогнозів знижується. Дослідники вважають, що до створення «ідеальної» моделі — такої, що здатна узагальнювати дані для всіх типів людських клітин — залишилося близько десяти років.

Випробування моделі: Virtual Cell Challenge

Щоб оцінити, наскільки добре State та інші підходи справляються в реальних умовах, Arc організувала публічний конкурс під назвою Virtual Cell Challenge. Учасники отримали складний набір даних і мали передбачити результати експресії генів для невідомих збурень. Результати були невтішними: багато команд ШІ показали результати гірші, ніж просте математичне середнє значення навчальних даних.

Цей результат підкреслює ширшу проблему, з якою стикається галузь: чисті моделі глибокого навчання, навіть великі, пасують, коли вхідні дані є шумними, розрідженими або біологічно неоднорідними. Успішні роботи поєднували нейронні мережі з класичними статистичними методами, що свідчить про те, що гібридний робочий процес може бути найближчим шляхом розвитку.

Очищення хаосу: конвеєр даних scBaseCount

Однією з найбільших перешкод у створенні такої моделі, як State, є якість даних. Сирі вимірювання окремих клітин переповнені ефектами партій (batch effects), пропущеними значеннями та непослідовними анотаціями. Arc вирішила це шляхом розробки набору ШІ-агентів, які автоматизують кураторство даних, що разом називаються scBaseCount.

  • Finder agents сканують публічні репозиторії та завантажують сирі файли.
  • Organizer agents стандартизують формати, узгоджують метадані та вирішують конфлікти найменувань.
  • Supervisor agent проводить аудит результатів, позначаючи аномалії для перевірки людиною.

Завдяки цьому конвеєру було зібрано репозиторій приблизно з 500 мільйонів клітин — що в чотири рази більше за попередню найбільшу публічну колекцію. Такий величезний обсяг у поєднанні з систематичним очищенням забезпечує State багатший і надійніший навчальний матеріал, ніж попередні спроби.

Навчання на практиці: цикл зворотного зв'язку

Arc не покладається лише на історичні дані. Платформа використовує цикл активного навчання: ШІ пропонує нові експерименти, лабораторія проводить їх, а результати повертаються в модель. На практиці ШІ-агент обирає ген для нокауту або препарат для застосування, експеримент проводиться на реальних клітинах, а спостережувані зміни експресії уточнюють параметри State.

Цей цикл служить двом цілям. По-перше, він постійно розширює навчальний набір даними, які закривають поточні «сліпі зони» моделі. По-друге, він забезпечує вбудований етап перевірки, гарантуючи, що прогнози ґрунтуються на емпіричних доказах, а не приймаються на віру.

Що це означає для інженерів ШІ та біотехнологічних компаній

Публічні заяви Arc зводяться до двох практичних уроків:

  1. Якість даних важливіша за складність моделі. Складний трансформер, навчений на шумних і неповних даних, показуватиме гірші результати, ніж простіший алгоритм, що отримує ретельно відібрані вхідні дані. Пайплайн scBaseCount нагадує нам, що інвестиції в інженерію даних можуть принести більші результати, ніж гонитва за дедалі більшими розмірами моделей.
  2. Цикли перевірки є необхідними. Довіряти результатам моделі без зовнішніх перевірок ризиковано, особливо в біології, де існує велика кількість невідомих змішувальних факторів. Впровадження агентів, які здійснюють перехресну перевірку один одного або порівнюють прогнози з реальними експериментами, створює страховочну сітку, яка дозволяє на ранніх етапах виявляти систематичні помилки.

Шлях уперед та скептики

Хоча перспективи очевидні, ця технологія ще далека від готового рішення «під ключ». Труднощі State з невідомими типами клітин свідчать про те, що моделі все ще бракує справжнього розуміння базової біології. Результати Virtual Cell Challenge показують, що навіть добре фінансовані команди ШІ можуть програвати простим базовим моделям, якщо проблема сформульована некоректно.