W lipcu 2026 roku na łamach czasopisma Nature ukazało się badanie prezentujące UCE (Universal Cell Embedding) — uniwersalny model sztucznej inteligencji zdolny do umieszczania komórek różnych organizmów w jednolitym układzie współrzędnych bez potrzeby dodatkowego trenowania czy ręcznego etykietowania.
Opracowane przez badaczy ze Stanfordu pod kierunkiem Yanaya Rosena we współpracy z konsorcjum Tabula Sapiens rozwiązanie proponuje nowatorską metodę łączenia ogromnych zbiorów danych dotyczących pojedynczych komórek. Zamiast wielu rozproszonych atlasów powstaje wspólna mapa, na której komórki różnych tkanek i gatunków można analizować oraz porównywać bezpośrednio.
Integracja danych scRNA-seq przez długi czas stanowiła jedno z głównych wyzwań współczesnej biologii jednokomórkowej. Wyniki pochodzące z różnych badań często trudno było ze sobą zestawić ze względu na różnice techniczne, specyfikę przetwarzania danych oraz dystans ewolucyjny między organizmami. Zazwyczaj każda nowa próba wymagała ponownej konfiguracji algorytmów i odrębnej klasyfikacji komórek.
Model UCE proponuje odmienne podejście. System analizuje komórkę poprzez jej profil aktywności genów, traktując go jako unikalny „odcisk palca” na poziomie molekularnym. Informacja genetyczna jest przekształcana w reprezentacje liczbowe oparte na wiedzy z dużych modeli sekwencji białkowych, po czym architektura transformera analizuje ukryte powiązania między genami z uwzględnieniem struktury genomu.
Kluczową cechą tej metody jest uczenie się bez narzuconych z góry nazw typów komórkowych. System samodzielnie zgłębia strukturę danych biologicznych, ucząc się przewidywać aktywność genów i rozpoznawać wewnętrzne reguły rządzące stanami komórek.
Model wytrenowano na dziesiątkach milionów komórek pochodzących od ośmiu gatunków, w tym człowieka, myszy, danio pręgowanego, makaków, lemurka myszatego, świni oraz platany szponiastej. Na tej podstawie stworzono Integrated Mega-scale Atlas — potężny, spójny atlas życia komórkowego.
W tym atlasie komórki o zbliżonych funkcjach są umiejscowione blisko siebie, niezależnie od gatunku organizmu. Neurony, komórki odpornościowe czy inne wyspecjalizowane jednostki zachowują swoje biologiczne powiązania, nawet jeśli dzielą je miliony lat ewolucji. Co więcej, UCE potrafi analizować gatunki, których nie uwzględniono w procesie treningowym, odkrywając nieznane wcześniej podobieństwa.
Takie podejście redefiniuje pojęcie biologii porównawczej. Zamiast oddzielnych map dla ludzi, zwierząt i organizmów modelowych otrzymujemy uniwersalny układ współrzędnych, pozwalający badać rozwój tkanek, choroby, regenerację oraz ewolucję jako elementy jednego, wspólnego obrazu.
Może to mieć szczególne znaczenie w badaniach nad rzadkimi typami komórek i mało poznanymi organizmami, w przypadku których zgromadzenie ogromnych, opisanych baz danych jest niemożliwe. Informacje uzyskane na przykładzie jednego gatunku mogą potencjalnie pomóc w zrozumieniu procesów zachodzących u innego.
UCE należy do nowej generacji modeli fundamentalnych sztucznej inteligencji w biologii. Podobnie jak duże modele językowe uczą się rozpoznawać strukturę ludzkiej mowy poprzez analizę miliardów tekstów, systemy te uczą się odnajdywać ukryty porządek wewnątrz gigantycznych zbiorów danych biologicznych.
Tyle że zamiast słów występują tu geny, białka i stany molekularne komórek. Sztuczna inteligencja nie otrzymuje gotowych wyjaśnień dotyczących tożsamości poszczególnych komórek, lecz samodzielnie tworzy wewnętrzną mapę powiązań między nimi.
Otwiera to nową epokę w biologii obliczeniowej, w której AI przestaje być tylko narzędziem analitycznym, a staje się swoistym tłumaczem złożonego języka życia. Pomaga to dostrzec prawidłowości niemożliwe do zauważenia podczas badania pojedynczych organizmów w izolacji.
Model UCE ujawnia głębszą zasadę: za ogromną różnorodnością istot żywych mogą kryć się wspólne reguły organizacji komórkowej. Miliony lat ewolucji wykreowały niezliczone formy życia, jednak ich fundamentalne mechanizmy komórkowe zachowują zdumiewającą jedność.
Otwarty dostęp do modelu oraz jego kodu umożliwia naukowcom z całego świata korzystanie z gotowego systemu, dodawanie nowych danych i dalszą rozbudowę tej mapy.
W ten sposób biologia komórkowa stopniowo ewoluuje z kolekcji odrębnych atlasów w spójną, dynamiczną mapę świata ożywionego — przestrzeń, w której każda nowa komórka pozwala lepiej zrozumieć całość.
