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

本論文は、薬剤処理に対する細胞の転写応答と形態変化を同時に予測する統合フレームワーク「PertFlow」を提案し、既存の手法が捉えきれなかった分子と表現型の複雑な依存関係を、複数の細胞系と化合物を用いた大規模データで実証的に示したものである。

要約

この論文は、「薬を飲んだ細胞が、遺伝子レベルでどう反応し、見た目（形）がどう変わるか」を、AI が同時に予測・生成する新しい技術について書かれています。

この技術を**「PertFlow（パートフロー）」**と呼びます。

専門用語を避け、日常の例えを使ってわかりやすく解説しますね。

---

🧪 1. 従来の問題：「半分しか見えていない」状態

これまで、薬の研究では以下の 2 つの情報を別々に見ていました。

1. 遺伝子情報（レシピ本）: 細胞の内部でどの遺伝子が働いているか（RNA シーケンシング）。
2. 細胞の見た目（写真）: 細胞が丸くなったり、細くなったり、分裂したりする様子（顕微鏡写真）。

【昔のやり方の問題点】

• バラバラの予測: 「遺伝子の変化」を予測する AI は、細胞の「見た目」を無視していました。逆に、「細胞の形」を予測する AI は、遺伝子の動きを考慮していませんでした。
• 欠落したつながり: 薬を飲んだ瞬間、細胞は遺伝子を変えながら形も変えます。これらは**「表と裏」**のように inseparable（切り離せない）関係なのに、昔の AI は片方しか見られませんでした。

---

🚀 2. 新技術「PertFlow」の仕組み：魔法の「変身シミュレーター」

PertFlow は、「薬を投与する前の細胞（コントロール）」を見て、「薬を投与した後の細胞」を、「遺伝子データ」と「細胞の写真」の両方を同時に作り出すことができます。

これを**「魔法の料理レシピと、完成した料理の写真」**に例えてみましょう。

• 入力（材料）:
  • 元の細胞のレシピ（遺伝子データ）
  • 元の細胞の写真（形）
  • 薬の情報（「どんな薬を、どれくらい、どの細胞に使うか」）
• AI の役割（シェフ）:
  • PertFlow という AI シェフが、これらの情報をすべて受け取ります。
  • 「この薬をこの細胞に混ぜると、レシピ（遺伝子）はこう書き換わり、料理（細胞）はこう形を変えるはずだ」と推測します。
• 出力（結果）:
  • 新しいレシピ（薬を飲んだ後の遺伝子データ）
  • 新しい写真（薬を飲んだ後の細胞の画像）

✨ すごいところ:
この AI は、「遺伝子の変化」と「形の変化」がリンクしていることを学習しています。だから、単に写真を作るだけでなく、「なぜその形になったのか」という理由（遺伝子の動き）も正しく反映された写真を作れます。

---

🛠️ 3. 使われている技術：「直線的な変身」の魔法

この AI は、**「Rectified Flow（整流フロー）」**という最新の数学的な手法を使っています。

• 従来の AI（拡散モデル）:
  • 絵を描くとき、ノイズ（砂嵐）から少しずつ形を整えていくような、**「ジグザグで遠回りな道」**を歩きます。時間がかかります。
• PertFlow の手法（整流フロー）:
  • 「スタート地点（元の細胞）」と「ゴール地点（薬を飲んだ細胞）」の間に、**「まっすぐな直線」**を描きます。
  • AI は、この直線を**「一定の速さで」**たどるだけで、最短・最速で変身させます。
  • メリット: 計算が速く、より自然でリアルな細胞の形を作れます。

---

📊 4. 結果：本当にうまくいったの？

研究者たちは、3 つの細胞の種類と 40 種類の薬を使ってテストしました。

• 遺伝子の予測: 実際のデータと非常に高い一致率（相関係数 0.78）を達成しました。
• 写真の生成: 生成された細胞の写真は、**「病理医（細胞の専門家）」**が見ても、「本物と見分けがつかない」レベルでした（10 点満点で 7 点以上）。
• 薬の仕組みの再現:
  • 微細管（細胞の骨格）を壊す薬なら、細胞が丸まって崩れる写真が生成されました。
  • DNA を傷つける薬なら、細胞が死滅する兆候が見られる写真が生成されました。
  • つまり、AI が「薬の働き」を正しく理解して、それに合った変化を再現できていることが証明されました。

---

🌟 5. なぜこれが重要なの？（未来への応用）

この技術は、**「バーチャルな薬のテスト」**を可能にします。

• コスト削減: 実際の実験室で薬を混ぜて細胞を育てる必要がなくなります。AI がシミュレーションするだけで、候補薬の効果がわかります。
• スピードアップ: 新薬の開発期間を大幅に短縮できます。
• 安全性: 人間や動物に実験する前に、AI で「この薬は細胞を壊しすぎるかも」というリスクを事前に察知できます。

まとめ

PertFlow は、**「薬を飲んだ細胞の未来」を、遺伝子と写真の両面から同時に描き出す「超高性能なシミュレーター」**です。

まるで、**「薬という指令を出せば、細胞がどう変化するかを、デジタル上でリアルタイムに再現できる」**ような技術で、これからの創薬（新しい薬を作る仕事）を大きく変える可能性を秘めています。

技術概要

論文技術サマリー：PertFlow

1. 背景と課題 (Problem)

創薬プロセスにおいて、薬剤が細胞に与える影響を理解することは不可欠です。従来のアプローチでは、以下の課題がありました。

• モダリティの分離: 薬剤擾乱に対する細胞応答を予測する際、転写組データ（RNA-seq）と形態データ（細胞画像）を別々にモデル化することが一般的でした。しかし、遺伝子発現と細胞形態は密接に関連しており、同時に変化するため、分離したモデルでは重要な分子 - 表現型の関係を捉えきれません。
• 既存手法の限界: 既存の手法（scGen, CPA, GEARS など）は主に遺伝子発現の予測に特化しており、細胞画像の生成には対応していません。逆に、画像生成モデル（PhenDiff など）は転写組の文脈を考慮していません。
• 未解決の課題: 化学的擾乱（薬剤）に対して、転写組プロファイルと細胞形態を同時に生成・予測する手法は存在しませんでした。これには、異なる表現空間（離散的な遺伝子発現と連続的な画像）の整合性、複雑な薬剤条件（化合物、濃度、細胞種、時間）の扱い、そして生物学的なリアリティの維持という 3 つの根本的な課題がありました。

2. 提案手法：PertFlow (Methodology)

著者らは、これらの課題を解決するためにPertFlowという統合的な計算フレームワークを提案しました。これは、対照状態（コントロール）の細胞データと薬剤メタデータから、治療後の遺伝子発現と細胞形態を同時に生成するモデルです。

アーキテクチャの核心

1. 共有表現学習とクロスモーダルアテンション:
   • 対照 RNA-seq データと細胞画像をそれぞれ専用のエンコーダ（RNA は自己アテンション、画像は ResNet 風 CNN）でエンコードします。
   • これらの特徴量をクロスモーダルアテンションメカニズムで統合し、異なるモダリティ間の情報を相互に参照させます。これにより、遺伝子発現と形態の対応関係を学習します。
   • PrimeKG（知識グラフ）を統合し、タンパク質間相互作用や薬剤 - タンパク質相互作用などの生物学的文脈を埋め込みとして追加します。
2. 薬剤条件のエンコーディング:
   • 化合物の構造（SMILES からの Morgan/RDKit フィンガープリント）、濃度、細胞種、時間点をエンコードし、共有埋め込み空間に注入します。
3. 生成ヘッド:
   • 転写組生成: 共有埋め込みから、直接回帰（Fully-connected head）を用いて治療後の RNA-seq プロファイルを予測します。
   • 形態生成（Rectified Flow）: 画像生成には**整流化フロー（Rectified Flow）**を採用します。拡散モデルよりも計算効率が高く、分布間の直線的な輸送経路を学習することで、ノイズから治療後の細胞画像へ安定かつ高速に変換します。UNet が速度場（velocity field）を予測し、ODE ソルバー（DOPRI5）を用いて画像を合成します。
4. 損失関数:
   • 転写組予測には MSE とピアソン相関損失を組み合わせ、相対的な発現パターンの保存を重視します。
   • 画像生成には整流化フローの速度予測損失を使用します。
   • トリプレット対照損失（Triplet Contrastive Loss）: 整合した RNA-画像ペアと、シャッフルされたペアを比較することで、マルチモーダル間の整合性を強制し、生物学的に矛盾した生成を防ぎます。

3. 主要な貢献 (Key Contributions)

• 初の統合生成フレームワーク: 化学的擾乱に対して、転写組と細胞形態を同時に生成する最初の手法です。
• Rectified Flow の生物学的応用: 細胞画像生成に整流化フローを適用し、従来の拡散モデルよりも効率的かつ高品質な生成を実現しました。
• クロスモーダル整合性の確保: 知識グラフと対照損失を組み合わせることで、遺伝子発現と形態の間の生物学的な因果関係をモデルに学習させました。
• 大規模データセットでの検証: 3 つの細胞株と 40 種類の化合物（17,242 サンプル）からなる Ginkgo Data Platform (GDP) のデータセットを用いた大規模な評価を行いました。

4. 結果 (Results)

PertFlow は、単一モダリティモデルや既存の拡散モデルベースラインを凌駕する性能を示しました。

• 転写組予測精度:
  • ピアソン相関係数: 0.780 ± 0.264（既存の最良の単一モダリティモデルと同等かそれ以上）。
  • スピアマン相関係数: 0.792 ± 0.041。
• 画像生成品質:
  • FID (Fréchet Inception Distance): 24.06（ベースラインの PhenDiff の 62.50 や UNet ベースラインの 583.21 より大幅に改善）。
  • SSIM/PSNR/LPIPS などの指標でも最良の性能を記録しました。
• 専門家の評価:
  • 認定病理医による盲検評価において、生成された画像の類似度スコアは中央値7.11〜7.89/10（10 点満点）となり、ベースライン（6.11〜6.33）を大きく上回りました。
• 生物学的妥当性の検証:
  • 既知の作用機序の回復: 微小管破壊（Cevipabulin, Podophyllotoxin）、DNA 損傷（S-Camptothecin）、MAPK 経路阻害（Dabrafenib）など、薬剤ごとの特徴的な形態変化を正確に再現しました。
  • 遺伝子エンリッチメント解析: 生成された転写組データから、p53、アポトーシス、EMT（上皮 - 間葉転換）など、薬剤処理に期待される生物学的経路の活性化が確認されました。
  • ** dose-response（用量反応）:** 薬剤濃度の変化に応じた細胞密度や形態の連続的な変化を正しく予測しました。

5. 意義と将来展望 (Significance)

• 創薬への応用: PertFlow は、仮想スクリーニング、作用機序の発見、統合的な薬理モデリングを可能にします。特に、実験前に薬剤の効果を多角的（分子レベルと細胞レベル）に予測できる点が重要です。
• マルチモーダル生成の新たなパラダイム: 異なるデータタイプ（離散と連続）を統合的に生成する手法として、他の生物医学分野への応用可能性を示唆しています。
• 課題と今後の方向性:
  • 未見の細胞株や新規化合物への一般化には、より詳細な化学 - ゲノミクスデータベースの統合が必要です。
  • 潜在的な因子の解離（disentanglement）や、in vitro 環境を超えた細胞間相互作用のモデル化が今後の課題です。

結論として、PertFlow は薬剤擾乱に対する細胞応答を、分子メカニズムと表現型を統合的に理解・予測するための強力な基盤技術を提供しました。