Tabula, un modèle de fondation privé pour la génétique cellulaire et la recherche de facteurs de rajeunissement

Des chercheurs ont présenté Tabula, un modèle de fondation pour l'analyse de cellules individuelles. Il s'entraîne sur les données de plusieurs instituts sans qu'elles quittent ces derniers, et il a permis d'identifier 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 privacy-preserving foundation model pour la génomique single-cell, qui prend explicitement en compte la structure tabulaire des données de cellules individuelles. Les auteurs soulignent que, contrairement au texte, les données single-cell ne sont pas ordonnées et présentent une forme tabulaire singulière, 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 leurs données brutes en accès commun.

• Modèle : Tabula, privacy-preserving foundation model pour cellules individuelles
• Méthode : federated learning et prise en compte explicite de la structure tabulaire des données
• Plateforme : Chiron, système décentralisé fondé sur des agents IA pour l'entraînement collaboratif entre instituts
• Données : nouveau jeu de données scRNA-seq de fibroblastes humains jeunes et âgés appariés
• Systèmes biologiques : hématopoïèse, endogenèse pancréatique, neurogenèse, cardiogenèse

Comment s'entraîner sans fuite de données

L'entraînement conjoint sans échange de données brutes repose sur Chiron, une plateforme décentralisée à base d'agents IA que les auteurs ont développée spécialement pour Tabula. Les instituts entraînent le modèle commun sur leurs jeux de données single-cell privés, sans les exporter : cela lève le principal obstacle au passage à l'échelle des modèles génomiques, dont les données de patients sont protégées. Selon le preprint, outre de solides résultats sur des benchmarks downstream, Tabula met au jour une logique régulatrice combinatoire dans quatre systèmes biologiques à la fois : l'hématopoïèse, l'endogenèse pancréatique, la neurogenèse et la cardiogenèse.

Ce que le modèle a trouvé sur le vieillissement

Tabula a proposé des facteurs de rajeunissement potentiels sur 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 les age- et identity scores) et, selon les auteurs, a surpassé les méthodes classiques de sélection. Il s'agit bien d'une nomination de candidats, c'est-à-dire de gènes et de facteurs à tester expérimentalement pour ramener des cellules âgées vers un état plus jeune, et non d'une thérapie prête à l'emploi.

«

Tabula représente une avancée importante dans la modélisation des cellules individuelles, en combinant apprentissage tabulaire et apprentissage fédéré et en ouvrant la voie à des cellules virtuelles privées pour la santé humaine », indique le résumé du preprint sur arXiv.

Ce que cela signifie

Tabula montre comment réunir deux sujets brûlants, les modèles de fondation et la confidentialité des données, en biomédecine : des organisations peuvent entraîner un modèle commun sur des données génomiques privées, et sa production sous forme de candidats au rajeunissement ravive 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 individuelles, que les modèles de fondation existants ignorent, selon les auteurs, et s'entraîne par federated learning sans transfert de données brutes entre instituts.

Que sont les facteurs de rajeunissement trouvés par Tabula ?

Il s'agit de 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 devront être vérifiés expérimentalement : c'est une priorisation pour des recherches ultérieures, et non une thérapie prête à l'emploi.