Negli ultimi dieci anni la trascrittomica a singola cellula (single-cell RNA sequencing) ha rivoluzionato la biologia. Per la prima volta è diventato possibile osservare il comportamento genetico di milioni di cellule individuali, rivelando differenze prima invisibili tra cellule appartenenti allo stesso tessuto e consentendo di descrivere con estrema precisione lo sviluppo degli organi, le malattie e le risposte ai trattamenti.
Questa enorme quantità di dati ha però generato una nuova sfida. Ogni laboratorio utilizza protocolli sperimentali, strumenti e criteri di analisi differenti, rendendo difficile confrontare direttamente i risultati ottenuti in studi diversi. È un problema analogo a quello affrontato dall’intelligenza artificiale nel linguaggio naturale: testi provenienti da lingue differenti devono essere tradotti in una rappresentazione comune per poter essere confrontati.
Una ricerca pubblicata su Nature da un gruppo della Stanford University, in collaborazione con il Tabula Sapiens Consortium, propone una soluzione innovativa. Il nuovo modello, denominato Universal Cell Embedding (UCE), utilizza l’intelligenza artificiale per creare uno “spazio biologico condiviso” nel quale cellule provenienti da esperimenti, tessuti e persino specie differenti possono essere confrontate direttamente.
Dai modelli linguistici ai modelli biologici
Negli ultimi anni il successo dei grandi modelli linguistici ha dimostrato che un algoritmo addestrato su enormi quantità di dati può apprendere autonomamente strutture, relazioni e significati senza ricevere istruzioni esplicite.
Lo stesso principio è stato applicato alla biologia.
Universal Cell Embedding è un modello fondazionale, cioè un sistema di intelligenza artificiale progettato per apprendere rappresentazioni generali dei dati biologici anziché svolgere un singolo compito specifico.
L’addestramento è avvenuto mediante apprendimento auto-supervisionato (self-supervised learning), una tecnica che consente all’algoritmo di individuare autonomamente regolarità e relazioni nei dati senza richiedere una classificazione manuale di ogni singola osservazione.
In pratica, il modello impara il “linguaggio” delle cellule analizzando i loro profili di espressione genica.
Un atlante di 36 milioni di cellule
Per costruire questo modello i ricercatori hanno raccolto una delle più grandi collezioni di dati biologici mai integrate.
Il sistema è stato addestrato su un archivio comprendente 36 milioni di cellule, appartenenti a:
- oltre 1.000 differenti tipi cellulari;
- decine di organi e tessuti;
- otto specie animali, compreso l’uomo.
Ogni cellula viene rappresentata come un punto all’interno di uno spazio matematico multidimensionale.
Cellule biologicamente simili finiscono naturalmente vicine tra loro, indipendentemente dal laboratorio che le ha prodotte o dalla tecnologia utilizzata per analizzarle.
È un concetto molto simile alle mappe semantiche impiegate dai moderni sistemi di elaborazione del linguaggio, nelle quali parole con significato simile occupano regioni vicine dello spazio matematico.
Quando l’intelligenza artificiale scopre relazioni biologiche
Uno degli aspetti più interessanti dello studio riguarda la capacità del modello di identificare autonomamente connessioni che non erano state fornite durante l’addestramento.
Universal Cell Embedding riesce infatti a riconoscere:
- relazioni tra differenti popolazioni cellulari;
- percorsi di differenziamento durante lo sviluppo embrionale;
- corrispondenze tra cellule appartenenti a specie diverse;
- analogie funzionali tra tessuti differenti.
In altre parole, il sistema non si limita a classificare le cellule, ma costruisce una rappresentazione della loro organizzazione biologica.
Questa proprietà potrebbe diventare particolarmente utile nello studio dell’evoluzione, della medicina comparata e dei modelli animali utilizzati nella ricerca biomedica.
Perché serve uno spazio biologico comune
L’integrazione di dati provenienti da esperimenti differenti rappresenta uno dei principali ostacoli della moderna biologia computazionale.
Differenze nei protocolli sperimentali, nei reagenti, negli strumenti di sequenziamento e nelle modalità di preparazione dei campioni possono introdurre i cosiddetti batch effects, variazioni tecniche che rischiano di essere interpretate erroneamente come differenze biologiche.
Universal Cell Embedding cerca di separare il segnale biologico reale dal rumore tecnico, consentendo confronti più affidabili.
Questo significa che ricercatori appartenenti a istituzioni diverse potrebbero analizzare dati prodotti in contesti differenti utilizzando un linguaggio biologico comune.
Le possibili applicazioni
Le potenzialità di questa tecnologia sono numerose.
Nella ricerca oncologica potrebbe facilitare l’identificazione di sottotipi cellulari rari all’interno dei tumori, migliorando la comprensione dell’eterogeneità neoplastica.
Nell’immunologia consentirebbe di confrontare la risposta delle cellule immunitarie in differenti condizioni patologiche o dopo trattamenti sperimentali.
Anche la medicina rigenerativa potrebbe beneficiare di un atlante cellulare così esteso, individuando con maggiore precisione le tappe che guidano la differenziazione delle cellule staminali verso specifici tessuti.
In prospettiva, strumenti di questo tipo potrebbero diventare la base per la costruzione di veri e propri gemelli digitali dei tessuti umani, capaci di simulare il comportamento cellulare in salute e in malattia.
I limiti dello studio
Nonostante i risultati siano estremamente promettenti, gli autori sottolineano che il modello presenta ancora importanti limitazioni.
La qualità delle rappresentazioni dipende innanzitutto dai dati utilizzati durante l’addestramento.
Errori nelle annotazioni originarie, squilibri nella rappresentazione di alcuni tipi cellulari o la presenza di dati sperimentali di qualità variabile possono influenzare le prestazioni dell’algoritmo.
Esistono inoltre limiti computazionali significativi: l’addestramento e l’utilizzo di modelli di questa scala richiedono infrastrutture informatiche molto avanzate.
Infine, come per tutti i sistemi di intelligenza artificiale, le correlazioni individuate non dimostrano automaticamente rapporti di causa-effetto e necessitano sempre di validazione sperimentale.
Un nuovo modo di leggere la biologia
La pubblicazione di Universal Cell Embedding segna un passaggio importante nell’evoluzione della biologia computazionale.
Se negli ultimi decenni la genomica ha prodotto enormi quantità di dati, oggi la sfida consiste nel trasformare queste informazioni in conoscenza biologica.
I modelli fondazionali rappresentano uno degli strumenti più promettenti per raggiungere questo obiettivo.
Così come i grandi modelli linguistici hanno cambiato il modo di elaborare il linguaggio umano, modelli come Universal Cell Embedding potrebbero trasformare il modo in cui interpretiamo il linguaggio delle cellule.
L’obiettivo finale non è sostituire il biologo, ma fornirgli una nuova lente attraverso cui osservare la complessità della vita, integrando milioni di osservazioni in un’unica rappresentazione coerente. È un passo che avvicina la biologia a una nuova era, nella quale l’intelligenza artificiale non sarà soltanto uno strumento di analisi, ma un partner nella scoperta scientifica.
Bibliografia essenziale
- Tabula Sapiens Consortium, Stanford University. Universal Cell Embedding: a foundation model for single-cell biology. Nature, 2026.
- Tabula Sapiens Consortium. The Tabula Sapiens: a multiple-organ single-cell transcriptomic atlas of humans. Science, 2022.
- Regev A. et al. The Human Cell Atlas. eLife, 2017.
- Hao Y. et al. Integrated analysis of multimodal single-cell data. Cell, 2021.
- Luecken M.D., Theis F.J. Current best practices in single-cell RNA-seq analysis. Molecular Systems Biology, 2019.
- Lopez R., Regier J., Cole M.B. et al. Deep generative modeling for single-cell transcriptomics. Nature Methods, 2018.
