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

Technische Samenvatting: MICON – Molecular-Image Contrastive Learning voor Morfologische Profilering

Probleemstelling
High-throughput microscopie-screens, zoals Cell Painting, zijn cruciaal voor de geneesmiddelenontwikkeling en maken de kwantificering van cellulaire morfologische veranderingen als reactie op chemische of genetische verstoringen mogelijk. Dit proces, bekend als morfologische profilerings, zet afbeeldingen om in feature-vectoren (representaties) om celphenotypen te vergelijken. Hoewel diep leren een verbetering heeft gebracht ten opzichte van traditioneel handgemaakte features (bijvoorbeeld CellProfiler), leren de meeste bestaande zelftoezichtmethoden uitsluitend uit afbeeldingsdata. Deze aanpak negeert de inherente multimodale aard van deze experimenten, waarbij een specifieke chemische verbinding (verstoring) de waargenomen fenotypische verandering induceert. Bovendien wordt microscopiedata geplaagd door "batch-effecten"—technische variaties die voortvloeien uit verschillende instrumenten, dagen of bronnen—die biologische signalen kunnen verstoren. Bestaande multimodale benaderingen die proberen afbeeldingen en verbindingen direct af te stemmen (bijvoorbeeld via CLIP-doelstellingen) hebben vaak moeite, omdat fenotypische responsen op dezelfde verbinding variëren per celtype, wat een spanning creëert waarbij één enkele verbindingrepresentatie moet worden afgestemd op meerdere uiteenlopende fenotypische representaties.

Methodologie: MICON-raamwerk
De auteurs introduceren MICON (Molecular-Image Contrastive Learning), een zelftoezichtelijk representatieleringsraamwerk dat chemische verbindingen expliciet modelleert als behandelingen die transformaties op celafbeeldingen induceren, in plaats van afbeeldingen en verbindingen te behandelen als direct vergelijkbare entiteiten in een gedeelde ruimte.

Het raamwerk bestaat uit drie hoofdcomponenten:

1. Encoders:
   • Een Image Encoder ($h_{img}$), gebaseerd op een ResNet101 die is voorgeïmplementeerd op ImageNet, verwerkt microscopieafbeeldingen.
   • Een Compound Encoder ($h_{comp}$), een multi-layer perceptron (MLP), verwerkt chemische verbindingen die worden weergegeven als ECFP4-vingerafdrukken.
2. Fusiemodule: Een twee-laags MLP ($F$) die de concatenatie van een negatieve controle-afbeeldingsrepresentatie en een verbindingrepresentatie neemt om de representatie van de afbeelding te voorspellen alsof deze met die verbinding was behandeld.
3. Verliesfuncties: Het model wordt getraind met twee contrastieve doelstellingen:
   • Perturbation-Aware Contrastive Learning (PaCLR) op Real Images: In tegenstelling tot standaard contrastief leren (bijvoorbeeld SimCLR), waarbij alle andere afbeeldingen in een batch als negatief worden behandeld, gebruikt PaCLR metadata om positieve paren te definiëren. Afbeeldingen die met dezelfde verstoring zijn behandeld (zelfs uit verschillende batches/bronnen) zijn positieve paren. Cruciaal worden negatieve controle-afbeeldingen (DMSO) uit dezelfde microscopie-batch als de verstoord afbeeldingen gebruikt als negatieve paren. Dit dwingt het model om biologische signalen te leren die invariant zijn voor batch-effecten, terwijl het verstoringen onderscheidt van technische ruis.
   • Predicted PaCLR Loss: Deze doelstelling stemt de voorspelde representaties (gegenereerd door de fusiemodule) af op de reële representaties van cellen die daadwerkelijk met de verbinding zijn behandeld. Dit verlies integreert specifiek informatie over chemische structuur en traint het model om fenotypische transformaties te simuleren.

Het uiteindelijke verlies is een gelijke weging van het reële PaCLR-verlies en het voorspelde PaCLR-verlies.

Belangrijkste Bijdragen

• Nieuwe Multimodale Formulering: MICON stelt voor om verbindingen te modelleren als behandelingen die afbeeldingsrepresentaties transformeren, en zo de valkuilen van directe afbeelding-verbinding-afstemming te vermijden, waarbij fenotypische variabiliteit afstemmingsconflicten veroorzaakt.
• Robuustheid tegen Batch-effecten: Door expliciet negatieve controles uit dezelfde microscopie-batches op te nemen in de contrastieve leerbemonsteringsstrategie, leert MICON representaties die robuust zijn voor technische variatie tussen bronnen en batches.
• Ablatie van Multimodale Integratie: De studie isoleert de bijdrage van informatie over chemische structuur door het volledige MICON-model te vergelijken met een versie die alleen is getraind met de PaCLR-loss (alleen afbeeldingen) en met baselines zoals SimCLR, CLIP en DINOv3.

Resultaten
De auteurs hebben MICON geëvalueerd op het JUMP Cell Painting Consortium (cpg0016)-dataset, waarbij gebruik is gemaakt van rigoureuze datastratificatie om generalisatie naar onzichtbare bronnen (Out-of-Distribution, OOD) en onzichtbare verbindingen te testen.

• Superieure Prestaties op Reproduceerbare Effecten: Bij taken voor het matchen van compound-replicaten (bepalen of twee afbeeldingen dezelfde behandeling delen) presteerde MICON aanzienlijk beter dan CellProfiler, SimCLR, CLIP en DINOv3. Op de Positive Control (POS-CTL) in-distribution dataset behaalde MICON 62,24% nauwkeurigheid (1-NN, Not-Same-Batch) vergeleken met 36,56% voor CellProfiler en 37,77% voor SimCLR.
• Generalisatie naar Onzichtbare Bronnen: Bij testen op een bron die tijdens het trainen volledig onzichtbaar was, behield MICON aanzienlijke prestatiewinst ten opzichte van baselines (51,57% versus 39,26% voor CellProfiler), terwijl andere zelftoezichtelijke methoden (SimCLR, CLIP, DINOv3) daalden tot of onder de prestaties van CellProfiler, wat suggereert dat ze overgefit zijn op trainingsbronnen.
• Generalisatie naar Onzichtbare Verbindingen: In OOD-scenario's met 184 onzichtbare verbindingen presteerde MICON opnieuw beter dan alle baselines (4,92% versus 3,53% voor CellProfiler), wat aantoont dat het integreren van chemische informatie de generalisatie naar nieuwe verstoringen verbetert.
• Robuustheid tegen Batchcorrectie: Zelfs na toepassing van standaard post-hoc batchcorrectie (sferisatie) bleef MICON andere zelftoezichtelijke methoden overtreffen, wat aangeeft dat de prestaties voortkomen uit superieure fenotypische herkenning en niet alleen uit mitigatie van batch-effecten.
• Werkingssmechanisme (MoA) Verrijking: MICON toonde de hoogste verrijking voor verbindingen met hetzelfde MoA, wat wijst op betere clustering van biologisch vergelijkbare phenotypen.
• Synthetische Voorspelling: Het model toonde het vermogen om fenotypische effecten van onzichtbare verbindingen te voorspellen met gegenereerde representaties, hoewel de prestaties op onzichtbare verbindingen bescheiden waren in vergelijking met zichtbare verbindingen.

Betekenis en Claims
Het artikel claimt dat MICON een nieuwe richting vestigt voor representatieleren in morfologische profilerings door expliciet rekening te houden met de multimodale aard van screeningdata. De auteurs betogen dat:

1. Multimodale Integratie Essentieel Is: Het integreren van informatie over chemische structuur levert kleine maar consistente, statistisch significante verbeteringen op ten opzichte van leren met alleen afbeeldingen.
2. Modelleerstrategie Uitmaakt: Het behandelen van verbindingen als "behandelingen" die afbeeldingen transformeren (MICON) is superieur aan het direct afstemmen van afbeeldingen en verbindingen in één ruimte (CLIP-achtige benaderingen).
3. Robuustheid tegen Real-World Variabiliteit: De prestatiewinst van MICON is niet louter het gevolg van betere batchcorrectie, maar weerspiegelt een robuustere vastlegging van biologische fenotypische signalen, met name in scenario's met onzichtbare databronnen of verbindingen.

De auteurs blijven bescheiden over het voorspellend vermogen van het model, met de opmerking dat hoewel het fenotypische effecten kan synthetiseren, de huidige prestaties op onzichtbare verbindingen laag zijn en verdere optimalisatie van de verliesweging en hyperparameters vereist is voordat dergelijke voorspellende capaciteiten praktisch kunnen worden ingezet voor het triageren van verbindingen.