Phenotypic Bioactivity Prediction as Open-set Biological Assay Querying

Dit paper introduceert OpenPheno, een multimodaal fundamenteel model dat bioactiviteitsvoorspelling transformeert in een open-set visueel-taalvraag-antwoordtaak, waardoor nieuwe verbindingen zonder extra laboratoriumexperimenten in onbekende assays kunnen worden geëvalueerd via hun Cell Painting-vingerafdrukken.

De kern

🧪 De "Google" voor nieuwe medicijnen: OpenPheno

Stel je voor dat je een detective bent die op zoek is naar de perfecte sleutel (een medicijn) voor een heel specifiek slot (een ziekte of virus). In de traditionele wereld van medicijnontwikkeling is dit een enorme klus.

Het oude probleem: De "Sleutel-en-Slot" methode
Vroeger moest je voor elk nieuw slot dat je wilde openen, eerst een hele nieuwe set gereedschappen maken en duizenden sleutels handmatig testen.

• Je maakt een nieuw slot (een nieuwe ziekte).
• Je bouwt een nieuw laboratoriumexperiment (een "bio-assay") om te zien welke sleutel past.
• Dit kost jaren en miljoenen euro's.
• Als je een nieuw slot ontdekt, moet je je hele computerprogramma opnieuw leren, want die wist alleen maar over de oude sloten.

De oplossing: OpenPheno
De onderzoekers van dit paper hebben OpenPheno bedacht. Dit is als een super-intelligente AI die niet alleen naar de sleutel kijkt, maar ook naar de vorm van het metaal en de beschrijving van het slot.

OpenPheno werkt met drie dingen:

1. De foto van de cel (Cell Painting): Als je een medicijn op een cel legt, verandert de cel van vorm (net als een mens die een hoed opzet of een zware tas draagt). De AI maakt een foto van deze verandering.
2. De chemische formule (SMILES): De tekstuele beschrijving van hoe het medicijn eruitziet.
3. De vraag in gewone taal: In plaats van een code, kun je de AI vragen: "Past deze stof bij een virus dat de lever aanvalt?"

De Grote Doorbraak: "Een keer scannen, duizenden voorspellen"

Het meest revolutionaire aan OpenPheno is dat het open-set werkt.

• De oude manier (Gesloten Set): De AI is als een student die alleen de antwoorden op de examenvragen uit zijn boekje kent. Als de leraar een vraag stelt die niet in het boekje staat, faalt hij.
• De nieuwe manier (OpenPheno): OpenPheno is als een slimme detective die de principes van sloten begrijpt. Als je hem een vraag stelt over een slot dat hij nog nooit heeft gezien, kan hij zeggen: "Op basis van hoe dit slot eruitziet en hoe deze sleutel reageert op andere sloten, denk ik dat deze sleutel hier wel past."

De Analogie van de "Vingerafdruk"
Stel je voor dat elk medicijn een unieke vingerafdruk achterlaat op een cel (de foto).

• Vroeger moest je voor elke nieuwe ziekte (assay) duizenden nieuwe vingerafdrukken maken om te zien welke medicijnen werkten.
• Met OpenPheno hoef je maar één foto te maken van een nieuw medicijn. De AI kijkt naar die ene foto en vergelijkt hem met de tekstuele beschrijving van elke mogelijke ziekte die je bedenkt.
• Het is alsof je één foto van een verdachte maakt, en de politiecomputer direct kan zeggen: "Deze persoon past bij het profiel van een inbreker in Parijs, een dief in Londen, en een oplichter in New York," zonder dat ze die persoon daar ooit eerder hebben gezien.

Hoe werkt het in de praktijk?

Het onderzoek toont drie scenario's aan, die steeds moeilijker worden:

1. Nieuwe medicijnen, bekende ziektes: De AI ziet een medicijn dat ze nooit eerder hebben gezien, maar de ziekte kennen ze wel.
   • Resultaat: Zeer goed. De AI is slimmer dan de oude methoden.
2. Bekende medicijnen, nieuwe ziektes: De AI moet een medicijn testen op een ziekte die ze nog nooit hebben getest. Ze krijgen alleen een tekstuele beschrijving van de ziekte.
   • Resultaat: Fantastisch! De AI voorspelt het succes zonder dat er ook maar één enkel experiment voor die specifieke ziekte is gedaan. Het werkt zelfs beter dan modellen die wel duizenden experimenten hebben gedaan voor die ziekte.
3. Het allerzwaarste: Nieuwe medicijnen én nieuwe ziektes: Zowel het medicijn als de ziekte zijn volkomen nieuw.
   • Resultaat: Dit is de "heilige graal". Zelfs hier presteert de AI goed. Het bewijst dat de AI echt begrijpt hoe medicijnen werken, in plaats van alleen maar dingen uit het hoofd te leren.

Waarom is dit zo belangrijk?

• Tijd en Geld: Het bespaart jaren aan dure laboratoriumwerk. Je hoeft niet meer duizenden flessen te testen; je maakt één foto en de AI doet de rest.
• Flexibiliteit: Als morgen een nieuw virus uitbreekt, hoef je niet te wachten tot wetenschappers een nieuw computerprogramma hebben gebouwd. Je geeft gewoon de beschrijving van het virus in, en OpenPheno zoekt direct naar de beste medicijnen.
• De "Foutloze" Voorspelling: De AI kijkt niet alleen naar de chemie, maar ook naar hoe de cel eruitziet. Dit helpt om medicijnen te vinden die je met alleen chemische formules nooit zou hebben gevonden.

Conclusie

OpenPheno verandert medicijnontwikkeling van een proces waarbij je "een sleutel maakt voor elk slot" naar een proces waarbij je "een universele sleuteltest" hebt die elk slot kan begrijpen. Het is alsof we van het handmatig zoeken in een bibliotheek zijn gegaan naar het hebben van een Google-zoekmachine voor de biologie.

Met deze technologie kunnen we medicijnen veel sneller, goedkoper en slimmer vinden voor ziektes die we vandaag nog niet eens kennen.

Technische samenvatting

Titel: OpenPheno: Phenotypische Bioactiviteitsvoorspelling als Open-Set Biologische Assay Querying

1. Het Probleem

De traditionele pipeline voor drugontdekking wordt ernstig beperkt door de noodzaak om voor elk nieuw doelwit en elke nieuwe verbinding op maat gemaakte biologische assays te ontwerpen en uit te voeren. Dit proces is tijdrovend en extreem duur.

• Beperking van bestaande modellen: Huidige machine learning-modellen opereren binnen een "closed-set" paradigma. Dit betekent dat ze alleen kunnen voorspellen voor een vooraf gedefinieerde set assays waar ze op zijn getraind. Ze kunnen niet generaliseren naar volledig nieuwe biologische assays zonder specifieke experimentele data voor dat doelwit.
• De uitdaging: Om een nieuwe assay te evalueren, moeten onderzoekers momenteel opnieuw duizenden wet-lab experimenten uitvoeren of modellen vanaf nul opnieuw trainen. Er is een behoefte aan een schaalbaar framework dat kan generaliseren naar assays die nooit eerder zijn gezien tijdens het trainen.

2. Methodologie: OpenPheno

OpenPheno is een grondleggend multimodaal foundation model dat bioactiviteitsvoorspelling herformuleert als een open-set visueel-taal vraag-antwoord (QA) taak. In plaats van een vaste classificatie, behandelt het de assay-beschrijving als een natuurlijke taal "query".

De drie input modaliteiten:

1. Chemische structuur: Representeerd door SMILES-strings.
2. Fenotypische profielen: Cell Painting-afbeeldingen (hoge inhoudsbeeldvorming) die brede morfologische reacties van cellen op chemische verstoringen vastleggen.
3. Natuurlijke taal: Tekstuele beschrijvingen van de biologische assay (doelwit, organism, readout-type, etc.).

Twee-staps trainingsstrategie:

• Fase I: Multimodale Pre-training

  • Doel: Het leren van robuuste visuele representaties die chemisch onderbouwd zijn en invariant voor batch-effecten.
  • DINO (Self-Supervised Learning): Een loss-functie die consistentie afdwingt tussen biologische replicaten van dezelfde verbinding op verschillende platen. Dit helpt om plaat-specifieke artefacten (batch effects) te onderdrukken en verbinding-specifieke fenotypische signatuur te behouden.
  • CLIP (Contrastive Learning): Een cross-modale alignie tussen de Cell Painting-afbeeldingen en de SMILES-structuur. Dit zorgt ervoor dat visuele kenmerken semantisch zijn verankerd in de moleculaire structuur.
  • Gated Fusion: Een module die behandelde wells contrasteert met DMSO-controles om achtergrondruis te filteren en alleen de door de behandeling geïnduceerde veranderingen te behouden.

• Fase II: Assay-bewuste Bioactiviteitsvoorspelling

  • Assay Query Network (AQN): Dit netwerk fuseert de embedding van de chemische structuur en de tekstuele assay-beschrijving tot een dynamische query.
  • Cross-Attention: Deze query attendeert op de visuele kenmerken (patches) van de Cell Painting-afbeelding. Hierdoor kan het model focussen op de specifieke subcellulaire structuren die relevant zijn voor de gestelde biologische vraag.
  • Output: Een binaire voorspelling (actief/niet-actief) voor de specifieke verbinding in de query-assay.

3. Belangrijkste Bijdragen

• Paradigmaverschuiving: De eerste framework die bioactiviteit voorspelt als een open-set query-taak, waardoor generalisatie naar volledig nieuwe assays mogelijk is zonder hertraining.
• "Profile Once, Predict Many": Het model maakt het mogelijk om één keer een Cell Painting-afbeelding van een nieuwe verbinding te maken en vervolgens de activiteit te voorspellen voor elke willekeurige nieuwe assay, puur op basis van de tekstuele beschrijving.
• Zero-shot en Few-shot Capabilities: Het model kan accurate voorspellingen doen voor assays waar het nooit op is getraind (zero-shot), en prestaties verbeteren met slechts een klein aantal gelabelde voorbeelden (few-shot).

4. Resultaten

OpenPheno werd geëvalueerd op twee grote benchmarks: Broad-270 (16.170 verbindingen, 270 assays) en ChEMBL-209 (10.574 verbindingen, 209 assays).

• Setting 1: Onbekende verbindingen, bekende assays:
  • OpenPheno overtrof alle bestaande state-of-the-art modellen (inclusief ResNet-50, DenseNet en CLOOME) op beide benchmarks.
  • Resultaat: Gemiddelde AUROC van 0.76 op ChEMBL-209 en 0.71 op Broad-270.
• Setting 2: Bekende verbindingen, onbekende assays (Zero-shot):
  • Op 54 volledig nieuwe assays (niet in de trainingsset) behaalde OpenPheno een gemiddelde AUROC van 0.75 zonder enige gelabelde data voor deze assays.
  • Dit presteerde beter dan gesuperviseerde baselines die wel volledig waren getraind op de doelaassays.
  • Few-shot adaptatie: Met slechts 0,1% gelabelde data verbeterde de prestatie naar 0,74, wat aantoont dat het model zeer data-efficiënt is.
• Setting 3: Onbekende verbindingen én onbekende assays (De strengste test):
  • Zelfs wanneer zowel de chemische structuur als de assay nieuw zijn, behaalde OpenPheno een robuuste AUROC van 0.66.
  • Dit is significant hoger dan de beste gesuperviseerde baseline (0.64), wat aantoont dat het model echt generaliseert en niet alleen memoriseert.
• Analyse: De prestaties correleerden positief met de semantische gelijkenis tussen de test-assay en de trainingsdata, wat bevestigt dat het model kennis overdraagt via biologische semantiek. De cross-attention visualisaties toonden aan dat het model na training focust op biologisch relevante structuren (zoals kernen en organellen) in plaats van achtergrondruis.

5. Betekenis en Impact

• Versnelling van Drugontdekking: OpenPheno vermindert de afhankelijkheid van dure en tijdrovende wet-lab experimenten voor nieuwe doelen. Onderzoekers kunnen nu virtueel screenen op nieuwe assays met slechts één beeld van een verbinding.
• Schaalbaarheid: Het biedt een universele engine voor drugontdekking die meegroeit met het landschap van biologische kennis. Nieuwe assays hoeven niet meer als nieuwe classificatieklassen te worden toegevoegd, maar kunnen als natuurlijke taalvragen worden gesteld.
• Generalisatie: Het bewijst dat fenotypische beeldvorming (Cell Painting) rijkere informatie bevat dan eerder gedacht, zelfs voor assays die niet direct morfologisch zijn (zoals biochemische assays), zolang er maar een semantisch verband bestaat.

Kortom, OpenPheno introduceert een nieuw paradigma waarbij biologische experimenten worden behandeld als querybare vragen in plaats van vaste classificatiedoelen, wat een grote stap voorwaarts is voor schaalbare en kosteneffectieve computationele drugontdekking.