[論文レビュー] Revolutionizing Single Cell Analysis: The Power of Large Language Models for Cell Type Annotation

Zehua Zeng, Hongwu Du|arXiv (Cornell University)|Apr 5, 2023

Single-cell and spatial transcriptomicsBiochemistry, Genetics and Molecular Biology被引用数 3

ひとこと要約

本論文では、科学文献からの生物学的知識を統合することで、ChatGPT などの大規模言語モデル（LLM）を活用して、単細胞RNAシーケンシングデータにおける細胞タイプのアノテーションを自動化・改善する手法を提案している。遺伝子発現プロファイルを提示することで、LLM を用いた正確で文献に基づいた細胞タイプ分類が可能となり、希少な細胞タイプや従来のアノテーション手法で見過ごされていた分化経路の解明が可能になった。本研究はがん研究や発生生物学分野に応用が可能である。

ABSTRACT

In recent years, single cell RNA sequencing has become a widely used technique to study cellular diversity and function. However, accurately annotating cell types from single cell data has been a challenging task, as it requires extensive knowledge of cell biology and gene function. The emergence of large language models such as ChatGPT and New Bing in 2023 has revolutionized this process by integrating the scientific literature and providing accurate annotations of cell types. This breakthrough enables researchers to conduct literature reviews more efficiently and accurately, and can potentially uncover new insights into cell type annotation. By using ChatGPT to annotate single cell data, we can relate rare cell type to their function and reveal specific differentiation trajectories of cell subtypes that were previously overlooked. This can have important applications in understanding cancer progression, mammalian development, and stem cell differentiation, and can potentially lead to the discovery of key cells that interrupt the differentiation pathway and solve key problems in the life sciences. Overall, the future of cell type annotation in single cell data looks promising and the Large Language model will be an important milestone in the history of single cell analysis.

研究の動機と目的

• 従来、細胞生物学および遺伝子機能に関する深い専門知識を要する、単細胞RNAシーケンシングにおける正確な細胞タイプアノテーションの課題に対処すること。
• 手作業によるキュレーションや従来の計算手法に起因する限界を克服し、希少または特異な細胞タイプを効果的に特定すること。
• 膨大な科学文献から生物学的知識を統合して抽出する大規模言語モデルの可能性を活用し、アノテーションの正確性を向上させること。
• 標準的な解析パイプラインで見過ごされていた、新しい細胞サブタイプや分化経路を同定できるようにすること。
• システム生物学および再生医療分野における、より迅速かつ包括的な文献レビューと仮説生成を促進すること。

提案手法

• 単細胞データからの遺伝子発現プロファイルを提示することで、事前学習済みの大規模言語モデル（例：ChatGPT、New Bing）を生物学的知識エンジンとして活用すること。
• 単細胞トランスクリプトミクスデータを既知の生物学的機能や細胞タイプマーカーと関連付ける自然言語プロンプトを設計すること。
• LLM が生成したアノテーションを、既存の単細胞解析ワークフローに統合し、細胞タイプの割り当てを検証および精緻化すること。
• LLM が多様な科学文献から情報を取得・統合する能力を活用し、標準的なマーカー遺伝子リストを超えた細胞タイプの同定を可能にすること。
• 事前にそのサブタイプの学習を必要としないゼロショットまたはフェイワショットプロンプティング戦略を用いて、希少または十分に特徴が明らかでない細胞集団をアノテートすること。
• LLM の予測結果を既知の細胞タイプアノテーションおよび実験的文献と照合することで、正確性と生物学的妥当性を評価すること。

実験結果

リサーチクエスチョン

• RQ1 自然言語プロンプトのみを用いて、大規模言語モデルが単細胞RNAシーケンシングデータにおける細胞タイプを正確にアノテートできるか？
• RQ2 LLM は、従来のアノテーション手法が見過ごす希少または特異な細胞タイプをどの程度特定できるか？
• RQ3 LLM は、科学文献からの情報を統合することで、複雑な組織における未知の分化経路や系列関係を明らかにできるか？
• RQ4 LLM を用いたアノテーションは、従来のマーカーに基づくアプローチや機械学習ベースの手法と比較して、正確性および生物学的関連性において優れているか？
• RQ5 LLM は、発生や疾患における正常な分化経路を乱す主要な制御細胞の同定を促進できるか？

主な発見

• 大規模言語モデルは、科学文献からの統合的知識を活用することで、単細胞データにおける細胞タイプのアノテーションを高い正確性で実現した。
• 本手法は、標準的なアノテーションパイプラインで見過ごされていた希少な細胞タイプおよびその機能的役割を同定した。
• LLM を用いたアノテーションにより、幹細胞および発生系において従来検出されなかった分化経路が明らかになった。
• 本アプローチは、より包括的かつ効率的な文献レビューを可能にし、手作業によるキュレーションに要する時間と専門知識を削減した。
• 遺伝子発現プロファイルと文脈的な生物学的質問を統合したプロンプトは、生物学的に妥当で一貫性のある細胞タイプの割り当てをもたらした。
• LLM を単細胞解析ワークフローに統合した結果、がん生物学および再生医療分野における発見の加速に潜在的な可能性を示した。