Een Multi-Modale AI Copiloot voor Single-Cell Analyse met Instructieopvolging

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

January 14, 2025

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

cs.AI

Samenvatting

Grote taalmodellen excelleren in het interpreteren van complexe natuurlijke taalinstructies, waardoor ze een breed scala aan taken kunnen uitvoeren. In de levenswetenschappen fungeert single-cell RNA-sequencing (scRNA-seq) data als de "taal van de celbiologie", waarbij complexe genexpressiepatronen op het niveau van individuele cellen worden vastgelegd. Echter, communiceren met deze "taal" via conventionele tools is vaak inefficiënt en onintuïtief, wat uitdagingen oplevert voor onderzoekers. Om deze beperkingen aan te pakken, presenteren we InstructCell, een multi-modale AI-co-piloot die natuurlijke taal benut als medium voor meer directe en flexibele single-cell analyse. We construeren een uitgebreide multi-modale instructiedataset die tekstuele instructies koppelt aan scRNA-seq profielen van diverse weefsels en soorten. Voortbouwend hierop ontwikkelen we een multi-modale cel-taalarchitectuur die in staat is om beide modaliteiten tegelijkertijd te interpreteren en te verwerken. InstructCell stelt onderzoekers in staat om cruciale taken - zoals celtype annotatie, conditionele pseudo-celgeneratie en voorspelling van medicijngevoeligheid - uit te voeren met eenvoudige natuurlijke taalopdrachten. Uitgebreide evaluaties tonen aan dat InstructCell consequent voldoet aan of de prestaties van bestaande single-cell basismodellen overtreft, terwijl het zich aanpast aan diverse experimentele omstandigheden. Belangrijker nog, InstructCell biedt een toegankelijk en intuïtief instrument voor het verkennen van complexe single-cell data, waardoor technische barrières worden verlaagd en diepere biologische inzichten mogelijk worden gemaakt.

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.