Tabula — приватная foundation-модель для генетики клеток и поиска факторов омоложения

Des chercheurs ont présenté Tabula, un foundation model pour l'analyse de cellules uniques qui s'entraîne sur des données provenant de différentes institutions sans qu'elles en sortent, et grâce auquel ils ont identifié des facteurs potentiels de rajeunissement des cellules humaines. Le preprint a été publié sur arXiv en juillet 2026.

Qu'est-ce que le modèle Tabula

Tabula est un foundation model préservant la confidentialité pour la génomique single-cell, qui prend explicitement en compte la structure tabulaire des données de cellules uniques. Les auteurs notent que, contrairement au texte, les données single-cell ne sont pas ordonnées et ont une forme tabulaire unique que les modèles existants ignorent. Tabula repose sur l'apprentissage fédéré (federated learning) — une approche dans laquelle plusieurs organisations entraînent conjointement un même modèle sans mettre en commun les données brutes.

• Modèle — Tabula, un foundation model préservant la confidentialité pour les cellules uniques
• Méthode — apprentissage fédéré associé à une prise en compte explicite de la structure tabulaire des données
• Plateforme — Chiron, un système décentralisé fondé sur des agents IA pour l'entraînement conjoint entre institutions
• Données — un nouveau jeu de données scRNA-seq de fibroblastes humains jeunes et âgés appariés
• Biosystèmes — hématopoïèse, endogenèse pancréatique, neurogenèse, cardiogenèse

Comment s'entraîner sans fuite de données

C'est Chiron — une plateforme décentralisée fondée sur des agents IA que les auteurs ont développée spécialement pour Tabula — qui assure l'entraînement conjoint sans échange de données brutes. Les institutions entraînent un modèle commun sur leurs jeux de données single-cell privés, sans les faire sortir de leurs murs, ce qui lève le principal obstacle à la mise à l'échelle des modèles génomiques là où les données des patients sont protégées. Selon le preprint, outre de solides résultats sur des benchmarks downstream, Tabula met au jour la logique régulatrice combinatoire dans quatre systèmes biologiques à la fois : hématopoïèse, endogenèse pancréatique, neurogenèse et cardiogenèse.

Ce que le modèle a découvert sur le vieillissement

Tabula a proposé des facteurs potentiels de rajeunissement à partir d'un nouveau jeu de données scRNA-seq de fibroblastes humains jeunes et âgés appariés. Le modèle a classé les candidats in silico en s'appuyant sur des scores d'âge et d'identité cellulaire (priorisation guidée par age- et identity score) et, selon les auteurs, a surpassé les méthodes classiques de ce type de sélection. Il s'agit précisément de désigner des candidats — des gènes et des facteurs qu'il convient de tester expérimentalement pour ramener des cellules âgées à un état plus jeune — et non d'une thérapie prête à l'emploi.

«

Tabula représente une étape importante dans la modélisation des cellules uniques, en combinant l'apprentissage tabulaire à l'apprentissage fédéré et en ouvrant la voie à des cellules virtuelles privées au service de la santé humaine », indique le résumé du preprint sur arXiv.

Ce que cela signifie

Tabula montre comment associer deux sujets brûlants — les foundation models et la confidentialité des données — en biomédecine : les organisations peuvent entraîner un modèle commun sur des données génomiques privées, et sa sortie sous forme de candidats au rajeunissement relance l'intérêt pour les « cellules virtuelles » comme outil de recherche de thérapies contre le vieillissement.

Questions fréquentes

En quoi Tabula diffère-t-il des autres modèles single-cell ?

Tabula modélise explicitement la structure tabulaire des données de cellules uniques, que, selon les auteurs, les foundation models existants ignorent, et s'entraîne via l'apprentissage fédéré sans transfert de données brutes entre institutions.

Que sont les facteurs de rajeunissement découverts par

Tabula ?

Ce sont des gènes candidats que le modèle a sélectionnés à partir de données de fibroblastes humains jeunes et âgés, en s'appuyant sur des scores d'âge et d'identité cellulaire. Ils doivent encore être testés expérimentalement — il s'agit d'une priorisation pour de futures recherches, et non d'une thérapie prête à l'emploi.