Prompting Beyond Pairs: Decoupled Semantic Supervision for Knowledge-Guided Multiplex Virtual Staining

तकनीकी सारांश: युग्मों से परे प्रॉम्प्टिंग: ज्ञान-निर्देशित मल्टीप्लेक्स वर्चुअल स्टेनिंग के लिए डिकपल्ड सिमेंटिक सुपरविजन

समस्या विवरण
पारंपरिक वर्चुअल स्टेनिंग, जो लेबल-मुक्त ब्राइटफील्ड छवियों से फ्लोरोसेंस की भविष्यवाणी करती है, वर्तमान में एक महत्वपूर्ण बाधा का सामना कर रही है: यह पर्यवेक्षण (supervision) के लिए मौलिक रूप से कठोर रूप से युग्मित (paired), पिक्सेल-अलाइन्ड, मल्टीप्लेक्स फ्लोरोसेंस लक्ष्यों पर निर्भर करती है। यह निर्भरता तीन प्रमुख सीमाओं को जन्म देती है:

1. स्केलेबिलिटी और लचीलापन: विविध उपकोशिकीय संरचनाओं (जैसे एक्टिन, माइटोकॉन्ड्रिया, न्यूक्लिआई) को उत्पन्न करने के लिए व्यापक रूप से युग्मित प्रशिक्षण डेटा की आवश्यकता होती है जहाँ सभी लक्ष्य एक साथ कैप्चर किए गए हों।
2. डेटा की कमी: स्पेक्ट्रल ओवरलैप और फोटोटॉक्सिसिटी जैसे भौतिक प्रतिबंधों के कारण, इस तरह के कड़ाई से संरेखित, अत्यधिक मल्टीप्लेक्स डेटा को प्राप्त करना अक्सर अव्यावहारिक होता है, जो उपयोग योग्य प्रशिक्षण मात्रा को गंभीर रूप से सीमित करता है।
3. डोमेन शिफ्ट: प्रत्येक नए सेल लाइन या प्रयोग के लिए मानकीकृत डेटासेट की आवश्यकता इस दृष्टिकोण को डेटा-दुर्लभ जैविक सेटिंग्स में अव्यवहारिक बनाती है।

मौजूदा पद्धतियां, जैसे कि Cytoland और DiffStain, इन बाधाओं को पार करने में संघर्ष करती हैं क्योंकि वे पूर्ण युग्मित डेटा के बिना स्ट्रक्चरल गाइडेंस को इमेज ट्रांसलेशन प्रक्रिया से अलग (decouple) नहीं कर सकतीं।

कार्यप्रणाली
लेखक एक नवीन सिमेंटिक सुपरविजन प्रतिमान (paradigm) प्रस्तावित करते हैं जो वर्चुअल स्टेनिंग को टेक्स्ट-कंडीशन्ड जनरेशन कार्य के रूप में पुनर्गठित करता है। पिक्सेल-स्तरीय पर्यवेक्षण पर निर्भर रहने के बजाय, यह ढांचा लक्षित संरचनाओं के संश्लेषण को निर्देशित करने के लिए जैविक वर्णनात्मक प्रॉम्प्ट्स का उपयोग करता है। यह दृष्टिकोण एक तीन-चरणीय प्रशिक्षण रणनीति का उपयोग करता है जो SD-Turbo (Stable Diffusion Turbo) बैकबोन और एक pix2pix-Turbo आर्किटेक्चर पर आधारित है:

1. टेक्स्ट-कंडीशनल जनरेटिव आर्किटेक्चर:

   • मॉडल कंडीशनल डिस्ट्रीब्यूशन $p(y|x, E(t))$ को सीखता है, जहाँ $x$ इनपुट ब्राइटफील्ड इमेज है, $y$ आउटपुट है, और $t$ एक टेक्स्टुअल प्रॉम्प्ट है।
   • प्रयोगात्मक डिस्क्रिप्टर्स और प्रतिनिधि छवियों को जेमिनी (Gemini) के माध्यम से प्रोसेस करके मानक जैविक विवरणों ($t_{std}$) को निकालने के लिए प्रॉम्प्ट्स जेनरेट किए जाते हैं। इन्हें सिमेंटिक वेरिएंट्स में बढ़ाया जाता है और क्रॉस-अटेंशन के माध्यम से U-Net में सिमेंटिक सुपरविजन इंजेक्ट करने के लिए CLIP के माध्यम से एम्बेड किया जाता है।
   • यह डिज़ाइन एक एकल एकीकृत मॉडल को केवल प्रॉम्प्ट के आधार पर समान इनपुट से विविध स्टेनिंग मोडैलिटीज (जैसे माइटोकॉन्ड्रिया, न्यूक्लिआई) उत्पन्न करने की अनुमति देता है, जिससे फिक्स्ड आउटपुट डायमेंशन की आवश्यकता समाप्त हो जाती है।

2. सेल्फ-सुपरवाइज्ड रिप्रेजेंटेशन लर्निंग (SSL):

   • डेटा की कमी को कम करने के लिए, एनकोडर को प्रचुर मात्रा में अनलेबल ब्राइटफील्ड छवियों पर एक लेटेंट डिनोइजिंग ऑटोएनकोडर (l-DAE) का उपयोग करके प्री-ट्रेन किया जाता है।
   • महत्वपूर्ण रूप से, इस प्री-ट्रेनिंग चरण के दौरान स्किप कनेक्शंस को हटा दिया जाता है। यह एक सूचनात्मक बाधा (information bottleneck) लागू करता है जो ट्रिवियल आइडेंटिटी मैपिंग को रोकता है, जिससे एनकोडर को पुनर्निर्माण के लिए आवश्यक जैविक संरचनाओं के कॉम्पैक्ट, उच्च-स्तरीय सिमेंटिक रिप्रेजेंटेशन सीखने के लिए मजबूर किया जाता है।

3. डायरेक्ट प्रेफरेंस ऑप्टिमाइजेशन (DPO) के माध्यम से प्रेफरेंस अलाइनमेंट:

   • यह सुनिश्चित करने के लिए कि कमजोर पर्यवेक्षण के तहत उच्च-फिडेलिटी जनरेशन हो और स्ट्रक्चरल आर्टिफैक्ट्स को दबाया जा सके, मॉडल DPO फाइन-ट्यूनिंग से गुजरता है।
   • इनपुट ($x$), उच्च-फिडेलिटी ग्राउंड ट्रुथ ($y_w$), और मैन्युअल रूप से क्यूरेट किए गए सब-ऑप्टिमल आउटपुट्स ($y_l$) के ट्रिपलेट्स का उपयोग करके, मॉडल एक इम्प्लिसिट रिवॉर्ड को ऑप्टिमाइज़ करता है जो नेगेटिव मीन स्क्वेर्ड एरर (MSE) पर आधारित है।
   • स्ट्रक्चरल इंटीग्रिटी बनाए रखने के लिए ऑब्जेक्टिव को पिक्सेल-वाइज ($L_{MSE}$) और परसेप्चुअल ($L_{LPIPS}$) लॉस के साथ रेगुलराइज किया जाता है।

प्रमुख योगदान

1. सिमेंटिक सुपरविजन प्रतिमान: एक टेक्स्ट-कंडीशन्ड फ्रेमवर्क का परिचय जो मल्टीप्लेक्स पिक्सेल सुपरविजन को जैविक वर्णनात्मक प्रॉम्प्ट्स से बदल देता है, जिससे डिकपल्ड चैनल डेटा से विविध उपकोशिकीय घटकों के स्वतंत्र संश्लेषण को सक्षम बनाया जा सके।
2. हाई-फिडेलिटी सिंथेसिस आर्किटेक्चर: एक मॉर्फोलॉजी-अवेयर SSL मॉड्यूल और एक बायोमेडिकल-एडेप्टेड DPO मैकेनिज्म का एकीकरण। यह एकीकृत दृष्टिकोण डिकपल्ड ट्रेनिंग में निहित फ्लेक्सिबिलिटी-फिडेलिटी ट्रेड-ऑफ को पार करता है, और मानक सुपरवाइज्ड बेसलाइन्स की तुलना में 43.3% औसत FID में कमी प्राप्त करता है।
3. मजबूत क्रॉस-डोमेन जनरलाइजेशन: मॉडल चैनल-डेफिसिएंट परिदृश्यों में उल्लेखनीय लचीलापन प्रदर्शित करता है (0.923 का औसत SSIM और 34.69 का FID बनाए रखते हुए) और चार स्वतंत्र इन-हाउस सेल-लाइन डेटासेट्स पर सफलतापूर्वक छह उपकोशिकीय संरचनाओं को एक साथ मल्टीप्लेक्स करने में सफल होता है।

परिणाम
मूल्यांकन सार्वजनिक JUMP Cell Painting बेंचमार्क और चार इन-हाउस डेटासेट्स (3T3, HepaRG, HFF, HUVEC) पर किया गया।

• परफॉर्मेंस मेट्रिक्स: प्रस्तावित पद्धति ने सुपरवाइज्ड बेसलाइन और प्रतिस्पर्धी DiffStain मॉडल को पीछे छोड़ दिया। JUMP बेंचमार्क पर, इसने 0.912 का औसत PCC प्राप्त किया और औसत FID में महत्वपूर्ण कमी दर्ज की।
• एब्लेशन स्टडीज: सिंपल प्रॉम्प्ट्स (SP), डिस्क्रिप्टिव प्रॉम्प्ट्स (DP), SSL, और DPO के क्रमिक एकीकरण ने सभी मेट्रिक्स (MAE, PCC, SSIM, FID) में इमेज क्वालिटी में प्रगतिशील सुधार दिखाया।
• डेटा की कमी के प्रति मजबूती: अधूरे डेटा (विशिष्ट चैनलों की कमी वाले सबसेट्स पर प्रशिक्षण) को सिम्युलेट करने वाले प्रयोगों में, मॉडल ने केवल मामूली प्रदर्शन गिरावट दिखाई, और लगातार बेसलाइन्स से बेहतर प्रदर्शन किया।
• मल्टीप्लेक्सिंग क्षमता: फ्रेमवर्क ने चार अलग-अलग सेल लाइनों में छह विशिष्ट उपकोशिकीय संरचनाओं (एक्टिन, न्यूक्लियस, माइटोकॉन्ड्रिया, ER, RNA, AGP) को सफलतापूर्वक उत्पन्न किया, जो पारंपरिक फ्लोरोसेंस माइक्रोस्कोपी की भौतिक सीमाओं को पार करता है जो आमतौर पर एक साथ कई चैनल अधिग्रहण को सीमित करती हैं।

महत्व
यह पेपर दावा करता है कि यह कार्य सबसेलुलर प्रोफाइलिंग के लिए एक अत्यधिक स्केलेबल और अनुकूलनीय रिएजेंट-फ्री प्रतिमान स्थापित करता है। डोमेन-नॉलेज प्रॉम्प्ट्स के माध्यम से इमेज ट्रांसलेशन प्रक्रिया से लक्षित स्ट्रक्चरल स्पेसिफिकेशन को अलग करके, यह दृष्टिकोण डिकपल्ड ट्रेनिंग के लिए अनिवार्य रूप से युग्मित, मल्टीप्लेक्स फ्लोरोसेंस डेटा पर निर्भरता को समाप्त करता है। यह केवल सिंगल-चैनल डेटा का उपयोग करके विविध उपकोशिकीय संरचनाओं के स्वतंत्र, उच्च-फिडेलिटी संश्लेषण की अनुमति देता है, जो जैविक इमेजिंग वर्कफ़्लो में डेटा की कमी और भौतिक बाधाओं की महत्वपूर्ण समस्या का समाधान करता है।