Jedes Lebewesen besteht aus Zellen, doch der Biologie fehlte lange ein gemeinsames Koordinatensystem, um sie zu vergleichen. Eine in einer Mausleber untersuchte Zelle und eine aus einem menschlichen Tumor werden meist in getrennten Datensätzen beschrieben, jeder mit eigenen Bezeichnungen und Eigenheiten, was einen direkten Vergleich erschwert. Ein neues Grundlagenmodell will das ändern, indem es Forschenden eine einzige Karte gibt, auf der sich jede Zelle verorten lässt.
In Nature beschrieben und von einem Team der Stanford University gemeinsam mit dem Chan Zuckerberg Biohub und der Chan Zuckerberg Initiative entwickelt — darunter Yanay Rosen, Yusuf Roohani, Stephen Quake und Jure Leskovec — lernt das Universal Cell Embedding (UCE) einen gemeinsamen "latenten Raum" für Zellen. Durch Selbstüberwachung auf großen Mengen von Einzelzell-Genexpressionsdaten trainiert, ohne jegliche manuelle Kennzeichnung, erfasst es echte biologische Signale, selbst wenn Experimente verrauscht sind oder in verschiedenen Laboren erhoben wurden.
Um den Ansatz zu demonstrieren, stellten die Forschenden einen Integrated Mega-scale Atlas aus 36 Millionen Zellen zusammen, der mehr als 1.000 benannte Zelltypen, Dutzende Gewebe und acht Arten umfasst: Mensch, Maus, Zebrafisch, Mausmaki, Langschwanzmakak, Rhesusaffe, Krallenfrosch und Schwein. Der Großteil der Daten — mehr als 33 Millionen Zellen — stammte aus dem offenen Repositorium CZ CELLxGENE.
Warum eine universelle Karte hilft
Der zentrale Vorteil von UCE ist, dass es für neue Daten kein erneutes Training benötigt. Bestehende Werkzeuge verlangen von Forschenden meist, Zellen für jedes neue Experiment neu zu kennzeichnen und das Modell anzupassen — eine langsame, ressourcenintensive Arbeit. Da UCE Gene über das Protein-Sprachmodell ESM2 darstellt und nicht über ihren Namen, kann es Zellen aus jeder Menge proteinkodierender Gene einordnen, auch von Arten, die es nie gesehen hat, und von Genen ohne Entsprechung in seinen Trainingsdaten.
Dieses Design brachte Fähigkeiten hervor, die dem Modell nie ausdrücklich beigebracht wurden. In Tests ordnete seine Karte Zellen zu Entwicklungslinien und bettete Arten korrekt ein, die vom Training ausgeschlossen worden waren. In üblichen Zero-Shot-Vergleichen übertraf es frühere Einzelzellmodelle wie scGPT und Geneformer.
Für praktisch arbeitende Biologinnen und Biologen ist der Nutzen konkret: Neue Messungen lassen sich einheitlich gegen eine gemeinsame Referenz annotieren und vergleichen, und die wahrscheinliche Funktion neu entdeckter Zelltypen kann aus ihren Nachbarn auf der Karte abgeleitet werden. Das Team hat das Modell offen veröffentlicht — ein früher Schritt hin zu reichhaltigeren Modellen der "virtuellen Zelle", die Forschenden helfen könnten, Gesundheit und Krankheit über den gesamten Stammbaum des Lebens hinweg zu verstehen.