CHAMMI-75: Pre-training multi-channel models with heterogeneous microscopy images

El artículo presenta CHAMMI-75, un conjunto de datos abierto de imágenes de microscopía multicanal heterogéneas procedentes de 75 estudios biológicos, diseñado para entrenar modelos adaptativos que superen las limitaciones de los enfoques actuales al permitir el procesamiento de diversos tipos de imágenes microscópicas.

Lo esencial

¡Hola! Imagina que quieres enseñar a un niño a reconocer animales. Si solo le muestras fotos de gatos en un jardín, aprenderá a reconocer gatos, pero si le muestras un perro en la nieve, podría confundirse.

El problema actual:
En el mundo de la biología, los científicos usan microscopios para "ver" las células. Pero cada laboratorio toma las fotos de manera diferente: algunos usan 2 colores, otros 5, otros 10, y cada uno usa una "luz" distinta. Hasta ahora, los modelos de Inteligencia Artificial (IA) que analizaban estas células eran como esos niños: especialistas. Si entrenabas a un modelo con fotos de 3 colores, solo podía entender fotos de 3 colores. Si un nuevo estudio usaba 5 colores, el modelo antiguo no servía. Era como tener un diccionario de inglés que no entiende ni una palabra de español.

La solución: CHAMMI-75
Este paper presenta CHAMMI-75, que es como una biblioteca gigante y caótica de fotos de células.

• ¿Qué es? Una colección de casi 3 millones de imágenes de células, tomadas de 75 estudios diferentes alrededor del mundo.
• ¿Por qué es especial? Porque es "heterogénea". Tiene fotos de 1, 2, hasta 14 colores (canales) diferentes. Tiene células de humanos, ratones, plantas, etc.
• La analogía: Imagina que en lugar de enseñarle al niño solo gatos, le das una caja llena de fotos de todo: perros, elefantes, peces, pájaros, y fotos tomadas de día, de noche, en blanco y negro, en color, con lentes de aumento, etc. Al ver tanta variedad, el niño (la IA) aprende el concepto real de "animal" o "célula", no solo cómo se ve una foto específica.

El resultado: MorphEm
Los autores entrenaron a un modelo de IA llamado MorphEm usando esta biblioteca gigante.

• El superpoder: MorphEm es como un traductor universal. Puede mirar una foto de células con 3 colores y entenderla, y luego mirar una foto con 14 colores y entenderla también, sin necesidad de ser reentrenado.
• La prueba: Lo pusieron a prueba en situaciones nuevas (como identificar enfermedades en la sangre o ver cómo reaccionan las células a medicamentos). ¡Y funcionó mejor que los modelos anteriores!

¿Por qué es importante?

1. Ahorro de tiempo y dinero: Antes, si un laboratorio hacía un nuevo tipo de experimento, tenían que entrenar un modelo nuevo desde cero. Ahora, pueden usar MorphEm y listo.
2. Mejor ciencia: Al entender mejor las células, podemos descubrir nuevas formas de tratar enfermedades o entender cómo funcionan los medicamentos.
3. El futuro: Este trabajo sienta las bases para crear "modelos fundacionales" (como GPT para el texto, pero para las células) que puedan entender la biología en cualquier escala y con cualquier tecnología de imagen.

En resumen:
Los creadores de CHAMMI-75 recopilaron el "caos" de las fotos de células del mundo entero, lo organizaron y usaron para entrenar a una IA superinteligente que ya no se confunde con los diferentes tipos de microscopios. Es como pasar de tener un diccionario de un solo idioma a tener una Babel de IA que entiende todas las lenguas de la biología celular.

¡Y lo mejor de todo es que lo han hecho público, para que cualquier científico pueda usarlo y seguir aprendiendo!

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo "CHAMMI-75: Pre-training Multi-Channel Models with Heterogeneous Microscopy Images", publicado en ICLR 2026.

1. El Problema

La cuantificación de la morfología celular mediante imágenes y aprendizaje automático es fundamental para estudiar la respuesta de las células a tratamientos. Sin embargo, existen limitaciones críticas en el estado actual de la técnica:

• Especialización de modelos: Los modelos existentes suelen entrenarse con un único tipo de imagen de microscopía (número fijo de canales). Esto impide su reutilización en otros estudios biológicos donde las especificaciones técnicas difieren (ej. diferentes números de canales o tipos de microscopía).
• Falta de datos estandarizados: Aunque existen imágenes de microscopía de múltiples canales disponibles públicamente, carecen de un recurso unificado, estandarizado y curado que permita entrenar modelos a gran escala capaces de manejar la heterogeneidad técnica y biológica.
• Limitaciones de arquitecturas actuales: Las arquitecturas de visión por computadora tradicionales (diseñadas para RGB de 3 canales) no se adaptan bien a imágenes biológicas que pueden tener desde 1 hasta docenas de canales. Las soluciones recientes de "modelos adaptativos a canales" suelen ser experimentos a pequeña escala o utilizan datos privados.

2. Metodología y el Dataset CHAMMI-75

El trabajo presenta CHAMMI-75, un nuevo recurso de datos masivo y heterogéneo diseñado para el pre-entrenamiento de modelos de morfología celular.

• Recopilación y Curación:

  • El dataset contiene 2.79 millones de campos de visión (FoV) extraídos de 75 estudios biológicos públicos diversos.
  • Se integraron datos de 18 plataformas de alojamiento (como IDR, BioImage Archive, Zenodo, RxRx, JUMP-CP, etc.).
  • Incluye 25 tipos de canales diferentes, 16 organismos, 223 líneas celulares y una variedad de técnicas de microscopía (fluorescencia, campo brillante, confocal, etc.) y magnificaciones.
  • Proceso de Curación: Se aplicó un pipeline riguroso que incluyó:
    1. Adquisición: Descarga y estandarización de formatos (TIFF/OME a PNG de 8 bits).
    2. Integración de Metadatos: Uso de LLMs y reglas deterministas para unificar metadatos de 22 campos (organismo, tipo de célula, reactivos, tipo de microscopía, etc.).
    3. Muestreo Estratégico: Reducción de redundancia mediante muestreo de pilas 3D, frames temporales, condiciones de control y clustering basado en K-means para asegurar diversidad.
    4. Segmentación: Uso de Cellpose para generar coordenadas de 1.8 mil millones de células individuales, permitiendo recortes guiados durante el entrenamiento.

• Estrategia de Modelado:

  • Se evaluaron dos estrategias principales para manejar múltiples canales:
    1. Bag of Channels (BoC): Entrena el modelo en un canal a la vez y concatena las características posteriormente.
    2. Multi-Channel Attention (MCA): Trata los canales como tokens en una secuencia larga para modelar correlaciones entre canales.
  • Se utilizaron algoritmos de Aprendizaje Auto-supervisado (SSL) como DINO, MAE y SimCLR sobre arquitecturas ViT (Vision Transformers).

3. Contribuciones Clave

1. Dataset CHAMMI-75: El conjunto de datos de imágenes de microscopía de múltiples canales más grande y heterogéneo disponible públicamente para pre-entrenamiento, superando a trabajos anteriores como IDRCell100k o CytoImageNet.
2. Nuevos Benchmarks: Introducción de tres nuevos conjuntos de datos y tareas de evaluación que representan estudios biológicos contemporáneos reales, incluyendo combinaciones de canales novedosas (ej. imágenes de 14 canales en el dataset CellPHIE) y generalización cruzada de dominios (RBC-MC).
3. Modelo MorphEm: Entrenamiento y publicación de un modelo ViT-small pre-entrenado con CHAMMI-75 utilizando la estrategia BoC y el algoritmo DINO, que demuestra un rendimiento superior en tareas diversas.
4. Análisis de Factores de Variación: Estudio sistemático que demuestra que la heterogeneidad de la modalidad de microscopía es el factor más importante para mejorar la generalización del modelo, más que la diversidad de líneas celulares o el número de canales.

4. Resultados Experimentales

Los experimentos se realizaron en seis benchmarks que incluyen clasificación de localización de proteínas, detección de fenotipos y generalización de canales.

• Rendimiento Superior: El modelo MorphEm (entrenado con CHAMMI-75) obtuvo el mejor rendimiento en 6 de las 7 métricas de evaluación, superando a modelos especializados como SubCell (entrenado con supervisión débil en datos fijos) y modelos adaptativos como OpenPhenom.
  • En tareas de generalización a canales novedosos (CellPHIE, 14 canales), MorphEm superó a SubCell en un 13%.
  • En generalización cruzada de dominios (RBC-MC, campo brillante), superó a SubCell en un 15%.
• Ablación de Datos:
  • Entrenar con datos heterogéneos (CHAMMI-75) mejoró el rendimiento un 38% en comparación con entrenar solo con datos especializados.
  • La diversidad de modalidades de microscopía fue el factor más influyente (mejora del 13-15%), indicando que exponer el modelo a diferentes tipos de adquisición de imágenes es crucial para la robustez.
• Escalabilidad: Se demostró que los modelos SSL basados en BoC escalan mejor que los MCA en términos de costo computacional (los modelos MCA requieren 3-5 veces más horas de GPU) y rendimiento en el régimen auto-supervisado.
• Desenredado de Señales: Los modelos pre-entrenados con CHAMMI-75 mostraron una mayor capacidad para separar la variación biológica de la técnica (ruido de lote) tras aplicar corrección de lotes, superando a características extraídas con CellProfiler y modelos entrenados en datasets más pequeños.

5. Significado e Impacto

Este trabajo marca un paso fundamental hacia la creación de modelos fundacionales (Foundation Models) para la microscopía biológica.

• Generalización Universal: Demuestra que es posible entrenar un único modelo capaz de entender la morfología celular independientemente del número de canales, el tipo de microscopía o la línea celular, superando la necesidad de modelos especializados para cada configuración experimental.
• Reproducibilidad y Acceso: Al hacer públicos el dataset, el código y el modelo MorphEm, se facilita el desarrollo de futuras investigaciones en biología celular basada en imágenes.
• Cambio de Paradigma: Sugiere que la clave para el progreso en el aprendizaje de representaciones biológicas no es solo la cantidad de datos, sino la diversidad técnica y biológica de los mismos, permitiendo a los modelos aprender representaciones más robustas y generalizables.

En resumen, CHAMMI-75 y el modelo MorphEm establecen un nuevo estándar para el pre-entrenamiento en bioimagen, permitiendo el desarrollo de herramientas de IA que pueden adaptarse fluidamente a los diversos y cambiantes entornos de los laboratorios biológicos.