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

技術要約：ペアを超えたプロンプティング：知識誘導型マルチプレックス仮想染色に向けたデカップルされた意味的監督

問題提起
ラベルフリーの明視野画像から蛍光を予測する従来の仮想染色は、現在、重大なボトルネックに直面している。それは、監督のために、厳密にペアリングされ、ピクセル単位で整列した、マルチプレックス化された蛍光ターゲットに根本的に依存していることである。この依存関係は、以下の3つの主要な制限を生み出す。

1. スケーラビリティと柔軟性： 多様な細胞内構造（例：アクチン、ミトコンドリア、核）を生成するには、すべてのターゲットが同時に捕捉された、網羅的なペアリング・トレーニングデータが必要となる。
2. データの希少性： このような厳密に整列した高度なマルチプレックス・データを取得することは、スペクトルの重なりや光毒性といった物理的な制約により、しばしば不可能であり、利用可能なトレーニングボリュームを著しく制限する。
3. ドメインシフト： 新しい細胞株や実験ごとに標準化されたデータセットを必要とするため、データが乏しい生物学的設定においては、このアプローチは実用的ではない。

CytolandやDiffStainといった既存の手法は、完全なペアデータなしでは構造的ガイダンスと画像変換プロセスをデカップル（分離）できないため、これらの制約を克服するのに苦慮している。

手法
著者らは、仮想染色をテキスト条件付き生成タスクとして再定式化する、新しい意味的監督パラダイムを提案する。本フレームワークは、ピクセルレベルの監督に依存する代わりに、生物学的な記述プロンプトを使用して、ターゲット構造の合成をガイドする。このアプローチは、pix2pix-Turboアーキテクチャを備えたStable Diffusion Turbo (SD-Turbo) バックボーンに基づいた、3段階のトレーニング戦略を利用している。

1. テキスト条件付き生成アーキテクチャ：

   • モデルは、条件付き分布 $p(y|x, E(t))$ を学習する。ここで、$x$ は入力明視野画像、$y$ は出力、$t$ はテキストプロンプトである。
   • プロンプトは、Geminiを用いて実験記述子と代表的な画像を処理することで生成された標準化された生物学的記述（$t_{std}$）から作成される。これらは意味的なバリアントへと拡張され、CLIPを通じてクロスアテンションによりU-Netに意味的監督を注入するために埋め込まれる。
   • この設計により、単一の統一モデルが、プロンプトのみに基づいて同じ入力から多様な染色モダリティ（例：ミトコンドリア、核）を生成することが可能となり、固定された出力次元の必要性を排除する。

2. 自己教師あり表現学習 (SSL):

   • データの希少性を軽減するため、エンコーダーは豊富なラベルなし明視野画像を用いた潜在的デノイジングオートエンコーダ (l-DAE) を用いて事前学習される。
   • 極めて重要な点として、この事前学習フェーズではスキップ接続が除去される。これにより情報ボトルネックが課され、単純なアイデンティティ写像が防止され、再構成に必要な生物学的構造のコンパクトで高レベルな意味的表現をエンコーダーに強制的に学習させる。

3. Direct Preference Optimization (DPO) による好みの調整:

   • 弱監督下での高忠実度生成を保証し、構造的アーティファクトを抑制するために、モデルはDPOによる微調整を受ける。
   • 入力 ($x$)、高忠実度グラウンドトゥルース ($y_w$)、および手動でキュレーションされた劣った出力 ($y_l$) のトリプレットを使用し、モデルは負の平均二乗誤差 (MSE) に基づく暗黙的な報酬を最適化する。
   • 目的関数は、構造的完全性を維持しながらリファレンスモデルに適合させるために、ピクセル単位の損失 ($L_{MSE}$) と知覚的損失 ($L_{LPIPS}$) によって正則化される。

主な貢献

1. 意味的監督パラダイム： マルチプレックスされたピクセル監督を生物学的な記述プロンプトに置き換える、テキスト条件付きフレームワークの導入。これにより、デカップルされたチャネルデータから多様な細胞内成分の柔軟かつ独立した合成が可能になる。
2. 高忠実度合成アーキテクチャ： 形態認識型SSLモジュールと生物医学適応型DPOメカニズムの統合。この統一されたアプローチは、デカップルされたトレーニングに固有の柔軟性と忠実度のトレードオフを克服し、標準的な教師ありベースラインと比較して平均FIDを43.3%削減する。
3. 堅牢性とクロスドメイン汎化性能： 本モデルは、チャネル欠損シナリオにおいても驚異的な回復力を示し（平均SSIM 0.923およびFID 34.69を維持）、4つの独立したインハウス細胞株データセットに対して正常に汎化し、6つの細胞内構造を同時にマルチプレックス生成することに成功した。

結果
評価は、公開されているJUMP Cell Paintingベンチマークおよび4つのインハウスデータセット（3T3, HepaRG, HFF, HUVEC）に対して行われた。

• パフォーマンス指標： 提案手法は、教師ありベースラインおよび競合するDiffStainモデルを上回った。JUMPベンチマークにおいて、平均PCC 0.912を達成し、平均FIDを大幅に減少させた。
• アブレーション研究： 単純プロンプト (SP)、記述的プロンプト (DP)、SSL、およびDPOの段階的な統合により、すべての指標（MAE, PCC, SSIM, FID）において画像品質の漸進的な向上が示された。
• データの希少性に対する堅牢性： 特定のチャネルが欠落したサブセットでトレーニングを行うことをシミュレートした実験において、モデルはわずかな性能低下しか示さず、一貫してベースラインを上回った。
• マルチプレックス能力： 本フレームワークは、4つの異なる細胞株にわたって6つの異なる細胞内構造（アクチン、核、ミトコンドリア、ER、RNA、AGP）を正常に生成し、従来の蛍光顕微鏡が通常制限する同時チャネル取得の物理的制約を克服した。

意義
本論文は、この研究が細胞内プロファイリングのための、極めてスケーラブルで適応性の高い試薬フリーのパラダイムを確立すると主張している。ドメイン知識プロンプトを通じて、ターゲット構造の特定を画像変換プロセスからデカップルすることにより、このアプローチは、厳密にペアリングされたマルチプレックス蛍光データへの根本的な依存を排除する。これにより、単一チャネルのデータのみを使用して、多様な細胞内構造を独立して高精度に合成することが可能となり、生物学的イメージングワークフローにおけるデータの希少性と物理的制約という決定的なボトルネックに対処している。