Tek hücre RNA dizileme (scRNA-seq; tek tek hücrelerin gen ifade profillerini inceleyen yöntem) teknolojileri, hücresel çeşitliliğin ve biyolojik süreçlerin yüksek çözünürlükte incelenmesine olanak sağlamaktadır. Bununla birlikte, tek hücre transkriptomları sürekli ve yüksek boyutlu moleküler ölçümler olduğundan, mevcut büyük dil modelleri (LLM; doğal dili işleyebilen yapay zekâ modelleri) için doğrudan işlenebilen doğal bir token yapısı oluşturmamaktadır. Bu durum, hücre popülasyonlarının yorumlanması, hücreler arası etkileşimlerin analiz edilmesi ve gelişimsel süreçlerin modellenmesi gibi görevlerde hücresel veriler ile LLM’ler arasındaki bağlantıyı sınırlandırmaktadır. Bu nedenle araştırmacılar, hücresel verileri büyük dil modellerinin işleyebileceği bir temsil biçimine dönüştüren CellTok adlı yeni bir yaklaşım geliştirmiştir.Bu yaklaşımda araştırmacılar, tek hücre verilerinin büyük dil modelleri tarafından işlenebilmesi için hücreye özgü moleküler bilgilerin doğal dil modellerinin anlayabileceği bir temsil biçimine dönüştürülmesini hedeflemiştir. CellTok ile hücrelerin gen ifade profillerinin sayısal özelliklerinin korunarak dil modeli girdilerine dönüştürülmesi ve böylece farklı hücresel durumların aynı modelleme çerçevesinde değerlendirilebilmesi amaçlanmıştır. Bu doğrultuda sistemin hücre tipi sınıflandırması, hastalık durumlarının belirlenmesi ve hücreler arası iletişimin değerlendirilmesi gibi farklı tek hücre analizlerinde kullanılabilirliği araştırılmıştır.
Çalışmada geliştirilen CellTok platformu, sürekli gen ifade profillerini ayrık hücresel tokendizilerine (cellular tokens) dönüştürerek büyük dil modellerinin tek hücre verilerini dil modellerinin token tabanlı işlem yapısında işlemesini amaçlamaktadır. Araştırmanın temel hedefi, tek bir hücresel temsil ve modelleme arayüzü altında hücre tipi sınıflandırması, hastalık durumuyla ilişkili hücresel durumların belirlenmesi, hücreler arası iletişimin (cell–cell communication; hücreler arasındaki ligand–reseptör aracılı iletişim) tahmin edilmesi, gelişimsel sıralamanın çıkarılması ve gelişim evresine uygun gen ifade profillerinin oluşturulması gibi farklı biyolojik görevlerin ortak bir hesaplamalı çerçevede gerçekleştirilebileceğini değerlendirmektedir. Böylece her analiz için ayrı bir model geliştirilmesi yerine, ortak bir hücresel temsil altyapısı oluşturulması hedeflenmiştir.
Araştırmacılar, yaklaşık 68 milyon tek hücre gen ifade profilini kullanarak bir hücresel tokenleştiricigeliştirmiş ve bu tokenlarıönceden eğitilmiş Qwen 2.5 7Bbüyük dil modeline entegre etmiştir.Modelin temel eğitimi için , farklı doku ve hücre tiplerinden elde edilen; hücresel belirteçler ile biyolojik açıklamalar aynı model içerisinde birlikte kullanılmış, hücresel tokenlar ile metinsel bilgiler aynı autoregressif modelleme çerçevesinde işlenmiştir. CellTok daha sonra hücre popülasyonu anotasyonu, COVID-19 ile ilişkili hücresel değişikliklerin belirlenmesi, hücreler arası sinyal yolaklarının tahmini ve beyin organoidlerinde (laboratuvar ortamında kök hücrelerden geliştirilen üç boyutlu doku modelleri) gelişimsel süreçlerin modellenmesi gibi çok sayıda görev üzerinde değerlendirilmiştir.
Elde edilen bulgular, CellTok’un hücre popülasyonu anotasyonu ve heterojen hücre gruplarının sınıflandırılmasında karşılaştırılan yöntemlerin büyük bölümünden daha yüksek performans sergilediğini göstermektedir. Model, hücre tipi bilgisi verilmeden COVID-19 ile ilişkili hücresel durumları ayırt edebilmiş; akciğer verilerinde hücreler arası sinyal yolaklarını popülasyona özgü transkriptomik örüntüler üzerinden tahmin edebilmiştir. Mekânsal transkriptomik analizlerde gen ifade verilerine dayanarak komşu hücreler arasındaki iletişim olaylarını öngörebilmiş ve gelişimsel analizlerde hücresel durumların zamansal sıralamasını doğru biçimde çıkarırken, eğitim sırasında görülmeyen ancak gözlenen zaman noktalarına yakın gelişim evreleri için gen ifade profilleri de oluşturabilmiştir. Ayrıca çok görevli CellTok-mix modeli, farklı analiz görevlerini aynı mimari altında birleştirirken çoğu değerlendirmede yüksek performansını korumuştur.
Araştırmacılar, CellTok’un tek hücre verilerini büyük dil modellerinin token tabanlı işlem ortamına taşıyan bir kavram kanıtı (proof-of-concept) niteliğinde olduğunu belirtmektedir. Çalışma, hücresel tokenleştirmenin biyolojik bilgi ile doğal dili ortak bir modellemede birleştirebildiğine ve CellTok’un biyolojik bağlam içeren metinsel bilgiden yararlanabildiğine ilişkin başlangıç düzeyinde kanıt sunmaktadır. Öte yandan yazarlar, tokenleştirme sırasında sürekli gen ifade profillerindeki ince nicel bilgilerin kaybolabileceğini; hücresel tokenlerin aktarılabilirliğinin eğitim verisine, gen paneline, codebook tasarımına ve tokenleştirici mimarisine bağlı olduğunu; görevler ve biyolojik bağlamlar arasındaki bilgi transferinin ise sistematik olarak değerlendirilmesi gerektiğini de vurgulamaktadır. Gelecekte daha büyük çok görevli veri kümeleri, daha açık talimat eğitimi ve sistematik transfer deneylerinin yanı sıra tokenleştirmenin kromatin erişilebilirliği, proteomik, perturbasyon profilleri ve mekânsal bilgileri de kapsayacak şekilde genişletilmesi önerilmektedir.
Yazar: Melissa ÖNER
Editör: Damla ÖZDEMİR
Referans: Xiao, C., Ding, Y., Bian, H., Chen, Y., Wei, L., & Zhang, X. (2026). Tokenizing single-cell transcriptomes as a native language for large language models. bioRxiv. https://doi.org/10.1101/2025.10.22.684047
-Bioinforange Bilimsel Haber Servisi-
Haber Yazıları, 20> Etki Faktörlü Q1 dergilerinde yayınlanan (listesi için tıklayınız)
bilimsel araştırmaların ekip arkadaşlarımız tarafından incelenip derlenmesi ile hazırlanmaktadır.
