Un copilota AI multimodale per l'analisi delle singole cellule con istruzioni successive

A Multi-Modal AI Copilot for Single-Cell Analysis with Instruction Following

January 14, 2025

Autori: Yin Fang, Xinle Deng, Kangwei Liu, Ningyu Zhang, Jingyang Qian, Penghui Yang, Xiaohui Fan, Huajun Chen

cs.AI

Abstract

I grandi modelli linguistici eccellono nell'interpretare istruzioni complesse in linguaggio naturale, consentendo loro di svolgere una vasta gamma di compiti. Nelle scienze della vita, i dati di sequenziamento dell'RNA a singola cellula (scRNA-seq) fungono da "linguaggio della biologia cellulare", catturando intricati pattern di espressione genica a livello di singola cellula. Tuttavia, interagire con questo "linguaggio" attraverso strumenti convenzionali è spesso inefficiente e poco intuitivo, presentando sfide per i ricercatori. Per affrontare queste limitazioni, presentiamo InstructCell, un copilota AI multimodale che sfrutta il linguaggio naturale come mezzo per un'analisi più diretta e flessibile delle singole cellule. Costruiamo un ampio dataset di istruzioni multimodali che accoppia istruzioni basate su testo con profili scRNA-seq provenienti da tessuti e specie diverse. Sviluppando su questo, creiamo un'architettura di linguaggio cellulare multimodale in grado di interpretare e elaborare contemporaneamente entrambe le modalità. InstructCell permette ai ricercatori di svolgere compiti critici - come l'annotazione dei tipi cellulari, la generazione condizionale di pseudo-cellule e la previsione della sensibilità ai farmaci - utilizzando comandi di linguaggio naturale semplici. Valutazioni approfondite dimostrano che InstructCell incontra costantemente o supera le prestazioni dei modelli fondamentali a singola cellula esistenti, adattandosi a diverse condizioni sperimentali. Inoltre, InstructCell fornisce uno strumento accessibile e intuitivo per esplorare dati complessi a singola cellula, abbassando le barriere tecniche e consentendo approfondite intuizioni biologiche.

English

Large language models excel at interpreting complex natural language instructions, enabling them to perform a wide range of tasks. In the life sciences, single-cell RNA sequencing (scRNA-seq) data serves as the "language of cellular biology", capturing intricate gene expression patterns at the single-cell level. However, interacting with this "language" through conventional tools is often inefficient and unintuitive, posing challenges for researchers. To address these limitations, we present InstructCell, a multi-modal AI copilot that leverages natural language as a medium for more direct and flexible single-cell analysis. We construct a comprehensive multi-modal instruction dataset that pairs text-based instructions with scRNA-seq profiles from diverse tissues and species. Building on this, we develop a multi-modal cell language architecture capable of simultaneously interpreting and processing both modalities. InstructCell empowers researchers to accomplish critical tasks-such as cell type annotation, conditional pseudo-cell generation, and drug sensitivity prediction-using straightforward natural language commands. Extensive evaluations demonstrate that InstructCell consistently meets or exceeds the performance of existing single-cell foundation models, while adapting to diverse experimental conditions. More importantly, InstructCell provides an accessible and intuitive tool for exploring complex single-cell data, lowering technical barriers and enabling deeper biological insights.