Google udostępnia C2S‑Scale 27B — model, który „pisze” profile pojedynczych komórek jako zdania genowe

Nowy sposób przedstawiania danych

C2S‑Scale 27B to 27‑miliardowy model oparty na architekturze Gemma‑2 (decoder‑only Transformer), który formalizuje profile scRNA‑seq jako tzw. „cell sentences” — uporządkowane listy symboli genów. Zamiast operować bezpośrednio na wektorach ekspresji, model rankuje geny według istotności i emituje top‑K symboli, tworząc sekwencję tekstową, którą standardowe narzędzia LLM potrafią parsować i nad którą mogą być formułowane zapytania.

Jak to działa w praktyce

Reprezentacja w postaci sekwencji gene‑tokenów pozwala formułować zadania biologiczne jako polecenia tekstowe: przewidywanie typu komórki, klasyfikacja tkanki, opisywanie klastrów, prognozy odpowiedzi na perturbacje czy pytania biologiczne. To podejście otwiera drogę do wykorzystania istniejących łańcuchów narzędzi LLM do analizy danych transkryptomicznych bez konieczności budowy osobnych modeli numerycznych dla każdego zadania.

Dane treningowe, infrastruktura i dostępność

Model C2S‑Scale‑Gemma‑2‑27B został wytrenowany na Google TPU v5 na korpusie łączącym ponad 800 publicznych zestawów scRNA‑seq obejmujących ponad 57 milionów komórek człowieka i myszy, wraz z metadanymi i kontekstem tekstowym. W pretrainingu zunifikowano tokeny transkryptomiczne i tekst biologiczny w jednym multimodalnym korpusie. Zestaw wag opublikowano na licencji CC‑BY‑4.0; dostępne są warianty 27B i 2B oraz dokumentacja użycia na Hugging Face (konto vandijklab) i GitHubie.

Kluczowe odkrycie: interferon‑warunkowy „amplifier”

Zespół przeprowadził wirtualny, dwukontekstowy przesiew ponad 4 tys. leków, poszukując związków, które zwiększają prezentację antygenów (program MHC‑I) wyłącznie w kontekście „immune‑positive” — tj. w próbkach pierwotnych z niskim tonusem interferonowym — przy jednoczesnym braku istotnego działania w neutralnych danych linii komórkowych. Model wskazał wyraźne rozdzielenie kontekstów dla silmitasertibu, inhibitora kinazy CK2: silne zwiększenie programu MHC‑I w obecności niskodawkowego IFN i brak efektu przy braku IFN.

Przewidywanie zostało sprawdzone eksperymentalnie w ludzkich modelach neuroendokrynnych, które nie występowały w zbiorze treningowym. Połączenie silmitasertibu z niską dawką interferonu doprowadziło do znaczącego, synergistycznego wzrostu prezentacji antygenów — około 50% w zastosowanych testach in vitro w porównaniu z warunkami jedynie z jednym z czynników.

Co to oznacza dla immunoterapii nowotworów?

Wynik jest interesujący dlatego, że proponuje mechanizm potencjalnego „odmrożenia” zimnych guzy nowotworowych: selektywna amplifikacja prezentacji MHC‑I w tkankach z niskim tonusem interferonowym mogłaby zwiększyć widoczność komórek nowotworowych dla układu odpornościowego. Jednak należy podkreślić, że dowód sprowadza się do przesiewu obliczeniowego i walidacji in vitro — to etap generowania hipotez, nie przesłanka do zastosowań klinicznych.

Ocena mocnych stron i ograniczeń

Główna zaleta podejścia to przeniesienie analizy scRNA‑seq do ekosystemu tekstowego LLM: szybkie eksperymenty prowokujące konkretne hipotezy, interoperacyjność z istniejącymi narzędziami NLP i transparentność dzięki otwartym wagom. Zastosowanie dużego, zróżnicowanego korpusu (>57M komórek) zwiększa szanse uogólnienia, a publiczna dostępność wag sprzyja replikacji.

Jednak metoda ma istotne ograniczenia. Transformacja wektora ekspresji do top‑K symboli upraszcza i traci część informacji ilościowej (wartości ekspresji, skale, subtelne różnice między niską a umiarkowaną ekspresją). Wynik zależy od wyboru K, odnośników metadanych i od korekcji batchów w oryginalnych zbiorach. Modele trenowane na mieszance danych i literatury mogą również odzwierciedlać uprzedzenia publikacyjne albo zależności wynikające z adnotacji. Walidacja ograniczona jest do kilku modeli komórkowych in vitro — nie wiadomo, jak zachowa się kombinacja w heterogennych, in vivo mikrośrodowiskach nowotworowych czy w systemach immunologicznych pacjentów.

Praktyczne konsekwencje i odpowiedzialność

C2S‑Scale pokazuje praktyczny wzorzec: otwarty model, który generuje eksperymentalnie testowalne hipotezy i przekazuje je do wet‑labu w celu weryfikacji. To przyspiesza cykl odkrywania biologicznego, ale jednocześnie wymaga rygoru metodologicznego — replikacji, peer‑review i ostrożności w komunikacji. Otwarty dostęp do wag sprzyja transparentności, ale także nakłada obowiązek odpowiedzialnego użycia przez społeczność badawczą, zwłaszcza w kontekście badań przekraczających modelowe warunki in vitro.

Wnioski

C2S‑Scale 27B to technicznie ciekawy i użyteczny krok w integracji analiz single‑cell z narzędziami LLM: konwersja profili komórkowych na „zdania genowe” ułatwia programatyczne przeszukiwanie i generuje testowalne hipotezy, jak wykazany interferon‑warunkowy efekt silmitasertibu. Jednak przekuwanie takich wyników na terapie wymaga szeregu dodatkowych badań — wielotypowych modeli przedklinicznych, badań mechanistycznych i wreszcie starannie zaprojektowanych prób klinicznych. Na dziś najrozsądniejszy odczyt to: „hipoteza wygenerowana przez AI, potwierdzona na poziomie bench”, a nie gotowe rozwiązanie terapeutyczne.

Wagi i dokumentacja techniczna są dostępne publicznie (Hugging Face / vandijklab, GitHub). Model i wyniki warto traktować jako narzędzie do przyspieszenia badań, a nie jako dowód gotowy do translacji klinicznej.