Generating Joint Transcriptomic and Morphological Responses to Drug Perturbations via Rectified Flow

Die Studie stellt PertFlow vor, ein einheitliches Rechenframework, das erstmals gleichzeitig die Genexpression und die zelluläre Morphologie als Reaktion auf pharmakologische Eingriffe vorhersagt und dabei komplexe molekulare sowie phänotypische Zusammenhänge erfolgreich abbildet.

Das Wesentliche

Das große Rätsel: Wie verändern Medikamente Zellen?

Stellen Sie sich vor, Ihre Körperzellen sind wie winzige, hochkomplexe Fabriken. Wenn Sie eine Pille einnehmen (ein Medikament), ist das, als würden Sie einen neuen Bauleiter in diese Fabrik schicken. Dieser Bauleiter gibt Anweisungen, die die Produktion verändern.

Bisher haben Wissenschaftler oft nur eine Seite des Geschehens betrachtet:

1. Die Sprache der Fabrik (Genexpression): Sie haben gemessen, welche Maschinen (Gene) lauter oder leiser gelaufen sind. Das ist wie ein Protokoll der Anweisungen.
2. Das Aussehen der Fabrik (Morphologie): Sie haben Fotos gemacht, um zu sehen, ob die Gebäude (Zellen) größer, kleiner, krumm oder kaputt geworden sind.

Das Problem: Die meisten Computermodelle haben diese beiden Dinge getrennt betrachtet. Sie sagten: „Okay, die Anweisungen haben sich geändert" ODER „Das Aussehen hat sich geändert". Aber sie haben nicht verstanden, wie beides gleichzeitig zusammenhängt. Es ist, als würde man versuchen, einen Film zu verstehen, indem man nur die Untertitel liest ODER nur die Bilder betrachtet, aber nie beides zusammen.

Die Lösung: PertFlow – Der „All-in-One"-Simulator

Die Forscher um Shourya Verma und sein Team haben einen neuen digitalen Assistenten namens PertFlow entwickelt. Man kann sich PertFlow wie einen ultra-sophistizierten Zeitmaschinen-Simulator vorstellen.

Wie funktioniert es?

1. Der Startzustand: Sie geben dem Simulator ein Foto und ein Protokoll einer gesunden Zelle (die „Kontrollzelle").
2. Die Eingabe: Sie sagen dem Simulator: „Hier ist ein Medikament (z. B. ein Krebsmedikament), hier ist die Dosis und hier ist die Art der Zelle."
3. Die Magie (Der „Gerichtete Fluss"): Anstatt das Medikament langsam zu simulieren, nutzt PertFlow eine mathematische Technik namens „Rectified Flow". Stellen Sie sich vor, Sie wollen von Punkt A (gesunde Zelle) zu Punkt B (kranke Zelle durch das Medikament) reisen.
   • Alte Methoden waren wie ein Wanderer, der sich durch einen dichten, verwirrenden Dschungel tastet und viele Umwege nimmt.
   • PertFlow baut eine gerade Autobahn direkt zwischen A und B. Es berechnet den direktesten Weg, wie sich die Zelle verändern muss, und fährt diesen Weg blitzschnell ab.

Das Besondere: PertFlow macht zwei Dinge gleichzeitig:

• Es schreibt das neue Protokoll (welche Gene werden aktiv?).
• Es generiert ein neues Foto (wie sieht die Zelle danach aus?).

Und das Wichtigste: Es stellt sicher, dass das Foto und das Protokoll perfekt zusammenpassen. Wenn das Protokoll sagt „Die Zelle stirbt", dann sieht das generierte Foto auch eine sterbende Zelle aus, nicht eine fröhliche.

Warum ist das so toll? (Die Ergebnisse)

Die Forscher haben PertFlow mit echten Daten von 3 verschiedenen Zelltypen und 40 verschiedenen Medikamenten getestet. Das Ergebnis war beeindruckend:

• Die Pathologen-Prüfung: Echte, zertifizierte Ärzte (Pathologen) haben sich die von der KI generierten Bilder angesehen. Sie mussten raten, ob es echte Fotos oder KI-Bilder sind. Die KI-Bilder waren so realistisch, dass die Ärzte ihnen eine Note von 7,11 bis 7,89 von 10 gaben. Das ist wie ein sehr gutes „Fast-Original".
• Die Wahrheit: PertFlow konnte bekannte Wirkungen von Medikamenten wiedererkennen. Wenn ein Medikament die Zellstruktur auflöst (wie bei bestimmten Krebsmitteln), zeigte das generierte Bild genau das. Wenn ein Medikament die DNA schädigt, zeigte das Protokoll die richtigen Warnsignale.
• Der Vergleich: Frühere Modelle waren wie Anfänger, die nur eine Seite des Bildes malen konnten. PertFlow malt das ganze Bild und schreibt die Geschichte dazu – und beides passt perfekt zusammen.

Was bringt uns das in der Zukunft?

Stellen Sie sich vor, Sie sind ein Pharma-Ingenieur, der eine neue Pille entwickelt.

• Früher: Sie mussten Tausende von Zellen in Laborgefäßen mit der Pille füllen, warten, sie mikroskopieren und die Gene analysieren. Das dauert Wochen und kostet viel Geld.
• Mit PertFlow: Sie können die Pille virtuell in den Simulator werfen. Innerhalb von Sekunden erhalten Sie ein Foto davon, wie die Zelle reagiert, und eine Liste der betroffenen Gene.

Das ist wie ein Flugsimulator für Medikamente. Bevor Sie ein echtes Flugzeug (die Pille) bauen und riskieren, dass es abstürzt, testen Sie es millionenfach im Simulator. Das könnte die Entwicklung neuer Medikamente beschleunigen, Kosten senken und dazu führen, dass wir schneller lebensrettende Therapien finden.

Kurz gesagt: PertFlow ist der erste Computer, der versteht, dass das, was in einer Zelle passiert (die Gene), und wie sie aussieht (das Bild), untrennbar miteinander verbunden sind – und er kann beides gleichzeitig vorhersagen, als würde er die Zukunft lesen.

Technische Zusammenfassung

1. Problemstellung und Motivation

Die Vorhersage zellulärer Reaktionen auf pharmazeutische Wirkstoffe erfordert das Verständnis komplexer Abhängigkeiten zwischen zwei Modalitäten:

• Transkriptomik: Erfasst molekulare Mechanismen und Genregulation (z. B. via RNA-Sequenzierung).
• Morphologie: Reflektiert strukturelle und phänotypische Veränderungen (z. B. via Cell Painting-Mikroskopie).

Bisherige Ansätze modellieren diese Modalitäten meist isoliert. Es gibt keine Methode, die gleichzeitig Genexpressionsprofile und zelluläre Morphologie aus chemischen Störungen (Drug Perturbations) vorhersagt. Dies führt dazu, dass kritische molekular-phänotypische Beziehungen, die während der Behandlung simultan auftreten, übersehen werden. Die Herausforderung besteht darin, diskrete Genexpressionsdaten und kontinuierliche Bilddaten in einem gemeinsamen Rahmen zu generieren, wobei die biologische Realität und die Konsistenz zwischen den Modalitäten gewahrt bleiben.

2. Methodik: PertFlow

PertFlow ist ein einheitliches computergestütztes Framework, das auf Rectified Flow (korrigierter Fluss) basiert und cross-modale Aufmerksamkeit (Cross-Modal Attention) nutzt.

A. Problemformulierung

Das Ziel ist es, eine Abbildung $f_\theta$ zu lernen, die von einem Kontrollzustand (Control) zu einem behandelten Zustand (Treatment) führt, konditioniert auf Drug-Metadaten:
$$x^{treat}_{rna}, x^{treat}_{img} = f_\theta(x^{ctrl}_{rna}, x^{ctrl}_{img}, c)$$
Dabei sind $x_{rna}$ die Genexpressionsdaten, $x_{img}$ die Zellbilder und $c$ die Konditionierungsinformationen (Wirkstoffidentität, Zelllinie, Konzentration, Zeitpunkt).

B. Architektur

Das Modell besteht aus drei Hauptkomponenten:

1. Modale Encoder:
   • RNA-Encoder: Nutzt Multi-Layer-Self-Attention, um Gen-Gen-Interaktionen zu erfassen.
   • Image-Encoder: Eine ResNet-ähnliche Architektur zur Extraktion hierarchischer visueller Merkmale.
   • Wissensintegration: Beide Encoder sind mit PrimeKG (einem Wissensgraphen) integriert, um Protein-Protein-Interaktionen und pharmakologische Beziehungen zu berücksichtigen.
2. Cross-Modal Attention Mechanismus:
   • RNA- und Bild-Token werden durch bidirektionale Cross-Attention miteinander verknüpft. Dies ermöglicht es dem Modell, Informationen über Modalitäten hinweg zu integrieren und ein gemeinsames Embedding zu erstellen.
   • Die konditionierten Drug-Informationen (SMILES, Fingerabdrücke, physikochemische Deskriptoren) werden in diesen Prozess eingespeist.
3. Generative Heads:
   • Transkriptom-Head: Führt eine direkte Regression durch, um die Genexpression vorherzusagen.
   • Bild-Head: Nutzt Rectified Flow anstelle von Diffusionsmodellen. Es definiert lineare Interpolationspfade zwischen Rauschen und dem Zielbild mit konstanter Geschwindigkeit. Ein UNet sagt das Geschwindigkeitsfeld voraus, und ein ODE-Löser (DOPRI5) integriert diesen Pfad während der Inferenz.

C. Verlustfunktionen

Das Training optimiert einen kombinierten Verlust:

• RNA-Verlust: Kombination aus MSE (für Genauigkeit auf GENEbene) und Pearson-Korrelationsverlust (für relative Expressionsmuster).
• Bild-Verlust: Velocity Prediction Loss des Rectified Flow.
• Triplet Contrastive Loss: Erzwingt die Kohärenz zwischen den Modalitäten, indem korrelierte RNA-Bild-Paare gegen gemischte Paare abgegrenzt werden.

3. Datensatz und Experimente

• Daten: Das Modell wurde auf dem Ginkgo Data Platform (GDP) Datensatz trainiert, der 17.242 gepaarte Stichproben umfasst (3 Zelllinien, 40 Wirkstoffe).
• Aufteilung: 80% Training, 20% Test.
• Benchmarks: Da es keine direkten Multi-Modal-Baselines gibt, wurden folgende Modelle verglichen:
  • Einzelmodalität: PertRNA (nur RNA), PertImage (nur Bilder), PRNet, PhenDiff.
  • Ablationen: Entfernen des Wissensgraphen (KG), der Cross-Modal-Attention oder spezifischer Loss-Komponenten.

4. Wichtige Ergebnisse

A. Quantitative Leistung

• Transkriptomische Vorhersage: PertFlow erreicht eine Pearson-Korrelation von 0,780 ± 0,264 und eine Spearman-Korrelation von 0,792. Dies übertrifft die reinen RNA-Modelle (z. B. PertRNA: 0,779) und signifikant einfache Baselines wie MLP (0,224) oder VAE-basierte Modelle (0,452).
• Morphologische Generierung: PertFlow erzielt einen FID (Fréchet Inception Distance) von 24,06, was deutlich besser ist als bei Diffusionsmodellen (PertDiff: ~55-246) oder PhenDiff (62,50). Auch SSIM und PSNR-Werte sind überlegen.

B. Qualitative Bewertung

• Pathologen-Bewertung: Zwei zertifizierte Pathologen bewerteten die generierten Bilder in einer Blindstudie. PertFlow erreichte Medianscores von 7,11 bis 7,89 von 10 Punkten (im Vergleich zu 6,11–6,33 für PhenDiff), was die hohe biologische Plausibilität der generierten Zellmorphologien bestätigt.
• Mechanismus-Wiederherstellung: Das Modell konnte bekannte Wirkmechanismen korrekt rekonstruieren, z. B.:
  • Cevipabulin/Podophyllotoxin: Störung der Mikrotubuli (Mitose-Arrest).
  • S-Camptothecin: DNA-Schädigung.
  • Dabrafenib: Hemmung des MAPK-Wegs.
    Die morphologischen Veränderungen (z. B. Zellrundung, Kernkondensation) stimmten mit den erwarteten biologischen Effekten überein.

C. Gen-Anreicherung (Gene Enrichment Analysis)

Die Analyse der aktivierten Gene zeigte, dass PertFlow biologisch sinnvolle Signalwege identifiziert, darunter EMT (Epithelial-Mesenchymal Transition), p53-Aktivierung, Apoptose und TNF-alpha/NF-kB-Signaling. Dies bestätigt, dass das Modell funktionale biologische Zusammenhänge zwischen Genexpression und Morphologie lernt.

5. Bedeutung und Beiträge

• Erster Ansatz für Joint Generation: PertFlow ist die erste Methode, die sowohl Transkriptomik als auch Morphologie gleichzeitig aus chemischen Störungen generiert.
• Effizienz durch Rectified Flow: Im Gegensatz zu Diffusionsmodellen ermöglicht Rectified Flow effizientere Inferenz durch lineare Transportpfade und stabilere Trainingsdynamiken.
• Cross-Modal Konsistenz: Durch die Integration von Attention-Mechanismen und einem gemeinsamen Embedding-Raum wird sichergestellt, dass die vorhergesagte Genexpression konsistent mit der generierten Morphologie ist.
• Anwendungsgebiete: Das Framework ermöglicht Anwendungen im virtuellen Drug Screening, bei der Entdeckung von Wirkmechanismen und in der integrierten pharmakologischen Modellierung, ohne dass teure experimentelle Messungen für jede neue Kombination notwendig sind.

Fazit: PertFlow stellt einen bedeutenden Fortschritt in der computergestützten Biologie dar, indem es die Lücke zwischen molekularen Daten und phänotypischen Bildern schließt und so ein umfassenderes Verständnis der Wirkstoffwirkung ermöglicht.