Integrating chemical structures as treatments improves representations of microscopy images for morphological profiling

기술적 요약: MICON – 형태학적 프로파일링을 위한 분자-이미지 대비 학습

문제 제기
Cell Painting과 같은 고처리량 현미경 스크리닝은 화학적 또는 유전적 교란에 대한 세포 형태학적 변화의 정량을 가능하게 하여 신약 개발에 필수적입니다. 형태학적 프로파일링이라고 불리는 이 과정은 세포 표현형을 비교하기 위해 이미지를 특징 벡터(표현)로 변환합니다. 딥러닝은 전통적인 수동 설계 특징 (예: CellProfiler) 보다 개선되었지만, 대부분의 기존 자기지도 학습 방법은 이미지 데이터만을 학습합니다. 이 접근법은 특정 화학 화합물 (교란) 이 관찰된 표현형 변화를 유도한다는 이러한 실험의 고유한 다중 모달 특성을 무시합니다. furthermore, 현미경 데이터는 서로 다른 기기, 날짜, 또는 출처에서 발생하는 기술적 변동인 "배치 효과"로 인해 혼란을 겪으며, 이는 생물학적 신호를 왜곡할 수 있습니다. 이미지와 화합물을 직접 정렬하려는 (예: CLIP 목적 함수를 통해) 현재 다중 모달 접근법들은 동일한 화합물에 대한 표현형 반응이 세포 유형에 따라 달라진다는 사실 때문에 종종 어려움을 겪습니다. 이는 단일 화합물 표현이 여러 이질적인 표현형 표현과 정렬되어야 한다는 긴장감을 초래합니다.

방법론: MICON 프레임워크
저자들은 이미지와 화합물을 공유 공간에서 직접 비교 가능한 개체로 취급하는 대신, 화학 화합물을 세포 이미지에 변환을 유도하는 처리 (treatments) 로 명시적으로 모델링하는 자기지도 표현 학습 프레임워크인 MICON (Molecular-Image Contrastive Learning) 을 소개합니다.

이 프레임워크는 세 가지 주요 구성 요소로 이루어져 있습니다:

1. 인코더:
   • ImageNet으로 사전 훈련된 ResNet101 기반의 이미지 인코더($h_{img}$) 가 현미경 이미지를 처리합니다.
   • ECFP4 지문으로 표현된 화학 화합물을 처리하는 화합물 인코더($h_{comp}$) 는 다층 퍼셉트론 (MLP) 입니다.
2. 퓨전 모듈: 음수 대조군 이미지 표현과 화합물 표현의 연결(concatenation) 을 받아 해당 화합물로 처리된 것처럼 이미지의 표현을 예측하는 2 층 MLP($F$) 입니다.
3. 손실 함수: 모델은 두 가지 대비 목적 함수를 사용하여 훈련됩니다:
   • 실제 이미지에 대한 교란 인식 대비 학습 (PaCLR): 모든 다른 이미지를 음수로 취급하는 표준 대비 학습 (예: SimCLR) 과 달리, PaCLR 은 메타데이터를 사용하여 양의 쌍을 정의합니다. 동일한 교란으로 처리된 이미지 (서로 다른 배치/출처에서 온 경우라도) 는 양의 쌍입니다. 중요하게도, 교란된 이미지와 동일한 현미경 배치에서 온 음수 대조군 이미지 (DMSO) 는 음수 쌍으로 사용됩니다. 이는 모델이 배치 효과에 불변인 생물학적 신호를 학습하고 교란을 기술적 노이즈와 구별하도록 강제합니다.
   • 예측 PaCLR 손실: 이 목적 함수는 퓨전 모듈에 의해 생성된 예측된 표현을 실제로 화합물로 처리된 세포의 실제 표현과 정렬합니다. 이 손실은 화학 구조 정보를 통합하여 모델이 표현형 변환을 시뮬레이션하도록 훈련시킵니다.

최종 손실은 실제 PaCLR 손실과 예측 PaCLR 손실의 동등한 가중치 합입니다.

주요 기여

• 새로운 다중 모달 공식화: MICON 은 표현형 변이성이 정렬 충돌을 일으키는 직접적인 이미지 - 화합물 정렬의 함정을 피하고, 화합물을 이미지 표현을 변환하는 처리로 모델링하는 것을 제안합니다.
• 배치 효과에 대한 강건성: 명시적으로 동일한 현미경 배치의 음수 대조군을 대비 학습 샘플링 전략에 통합함으로써, MICON 은 출처 및 배치 간 기술적 변동에 강건한 표현을 학습합니다.
• 다중 모달 통합의 제거 분석: 이 연구는 전체 MICON 모델을 이미지 전용 (PaCLR 손실만 사용) 으로 훈련된 버전 및 SimCLR, CLIP, DINOv3 와 같은 베이스라인과 비교함으로써 화학 구조 정보의 기여도를 분리합니다.

결과
저자들은 JUMP Cell Painting Consortium(cpg0016) 데이터셋에서 MICON 을 평가하여 보지 못한 출처 (분포 외, OOD) 와 보지 못한 화합물에 대한 일반화를 테스트하기 위해 엄격한 데이터 층화를 활용했습니다.

• 재현 가능한 효과에서의 우수한 성능: 화합물 - 복제 매칭 작업 (두 이미지가 동일한 처리를 공유하는지 식별) 에서 MICON 은 CellProfiler, SimCLR, CLIP, DINOv3 보다 현저히 우수한 성능을 보였습니다. 분포 내 (Positive Control, POS-CTL) 데이터셋에서 MICON 은 62.24% 의 정확도 (1-NN, Not-Same-Batch) 를 달성한 반면, CellProfiler 는 36.56%, SimCLR 은 37.77% 였습니다.
• 보지 못한 출처에 대한 일반화: 훈련 중 전혀 보지 못한 출처에서 테스트했을 때, MICON 은 베이스라인 (CellProfiler 의 39.26% 대비 51.57%) 보다 유의미한 성능 향상을 유지한 반면, 다른 자기지도 학습 방법 (SimCLR, CLIP, DINOv3) 은 CellProfiler 성능 이하로 떨어졌으며, 이는 훈련 출처에 과적합되었음을 시사합니다.
• 보지 못한 화합물에 대한 일반화: 184 개의 보지 못한 화합물이 포함된 OOD 설정에서 MICON 은 다시 모든 베이스라인 (CellProfiler 의 3.53% 대비 4.92%) 을 능가하여 화학 정보 통합이 새로운 교란에 대한 일반화를 향상시킨다는 것을 입증했습니다.
• 배치 보정에 대한 강건성: 표준 사후 배치 보정 (구형화, spherizing) 을 적용한 후에도 MICON 은 다른 자기지도 학습 방법보다 계속 우수한 성능을 보였으며, 이는 성능이 배치 효과 완화뿐만 아니라 우수한 표현형 인식에서 비롯됨을 나타냅니다.
• 작용 기전 (MoA) 풍부화: MICON 은 동일한 MoA 를 공유하는 화합물에 대해 가장 높은 풍부화를 보여주어 생물학적으로 유사한 표현형의 더 나은 군집화를 시사합니다.
• 합성 예측: 모델은 생성된 표현을 사용하여 보지 못한 화합물의 표현형 효과를 예측할 수 있음을 입증했으나, 보인 화합물에 비해 보지 못한 화합물에 대한 성능은 미미했습니다.

의의 및 주장
이 논문은 스크리닝 데이터의 다중 모달 특성을 명시적으로 고려함으로써 형태학적 프로파일링의 표현 학습에 새로운 방향을 제시한다고 주장합니다. 저자들은 다음과 같이 주장합니다:

1. 다중 모달 통합의 필수성: 화학 구조 정보 통합은 이미지 전용 학습보다 작지만 일관되고 통계적으로 유의미한 개선을 제공합니다.
2. 모델링 전략의 중요성: 화합물을 이미지를 변환하는 "처리"로 모델링하는 것 (MICON) 은 이미지와 화합물을 단일 공간에서 직접 정렬하는 것 (CLIP 스타일 접근법) 보다 우수합니다.
3. 실제 세계 변동성에 대한 강건성: MICON 의 성능 향상은 단순히 더 나은 배치 보정 때문이 아니라, 특히 보지 못한 데이터 출처나 화합물이 관련된 시나리오에서 생물학적 표현형 신호를 더 강건하게 포착한 것을 반영합니다.

저자들은 모델의 예측 능력에 대해서는 겸손한 입장을 유지하며, 표현형 효과를 합성할 수는 있지만 보지 못한 화합물에 대한 현재 성능은 낮으며, 이러한 예측 능력을 화합물 선별에 실용적으로 배포하기 전에 손실 가중치와 하이퍼파라미터의 추가 최적화가 필요하다고 지적합니다.