Explainable Prototype Booster: Enhancing Latent Representations of Foundation Models for Gene Expression Prediction

本文介绍了可解释原型增强器（EP-Booster），该方法将生物学先验知识整合到基础模型中，以优化潜在表征，从而实现从组织学图像进行准确且可解释的基因表达预测，进而克服空间转录组学在成本和时间上的局限性。

要点

想象一下，你正试图解读一张复杂、古老的地图（人体内的组织），以寻找隐藏的宝藏（那些能揭示癌症信息的特定基因）。

旧方法：昂贵的侦探
目前，科学家使用一种名为“空间转录组学”的高科技、昂贵且缓慢的方法来解读这张地图。这就像雇佣一支侦探团队，走遍房屋的每一间房间，详细记录每个角落发生的情况。虽然这种方法能提供完美的画面，但耗时极长且代价高昂。

捷径：“猜测”相机
另一方面，我们拥有一种名为“基础模型”的强大工具。把它想象成一台超级智能的相机，它已经看过数百万张普通房屋照片（H&E 染色组织图像）。它非常擅长识别一般特征，比如“这看起来像厨房”或“那看起来像卧室”。然而，当你问这台相机“这里有哪些特定基因在活跃？”时，它往往会 stumble（踉跄）。它看得到房子，却不知道内部基因的“秘密代码”。这就像拥有一台能识别汽车的相机，却无法告诉你引擎盖下是什么。

新方案：EP-Booster
这篇论文介绍了一种名为**可解释原型增强器（EP-Booster）**的新工具。以下是其工作原理的简单类比：

1. “原型”（闪卡）： 想象你有一套闪卡，每张代表一种特定的生物“配方”或通路（就像制作某种特定饼干的配方）。这些就是你的“原型”。
2. “增强器”（教练）： EP-Booster 扮演教练的角色，它将超级智能相机拍摄的模糊、通用的照片与这些闪卡进行比较。它会说：“嘿，这张照片的这部分看起来很像‘饼干配方 A'卡片，而另一部分看起来像‘配方 B'。”
3. 魔法： 通过迫使相机聚焦于这些特定的、具有生物学意义的“配方”，该系统学会了比以前更好地观察隐藏的基因模式。它将通用画面提炼为针对特定基因的预测。

为何独特：“什么”背后的“为什么”
大多数 AI 工具就像黑匣子；它们给你一个答案，却不告诉你如何得出该答案。EP-Booster 则不同，因为它是可解释的。由于它基于那些特定的“配方卡片”（通路）做出决策，因此它能确切地告诉你为什么它认为某个基因存在。这就像一位侦探，不仅解决了案件，还向你展示了导致结论的确切线索。

结果
作者在多种不同类型的癌症和不同的成像平台上测试了这位新“教练”。他们发现，通过使用 EP-Booster，该系统在预测基因标志物方面比以前的方法有了显著提升。

它能做什么（根据论文）
论文明确指出，这一改进后的系统有助于完成三项具体任务：

• 预测癌症生物标志物（识别疾病的特定迹象）。
• 分析生存率（评估患者预后）。
• 预测药物反应（推测患者对特定药物的反应）。

简而言之，EP-Booster 为通用且强大的 AI 相机配备了一个专注于生物学的专用镜头，使其能够快速、准确地从标准组织图像中预测基因秘密，并清晰阐明其结论的理由。

技术摘要

基于所提供的摘要，以下是论文《可解释原型增强器：提升基础模型潜在表示以用于基因表达预测》的详细技术总结。

1. 问题陈述

空间转录组学（ST） 领域提供了一种强大的能力，能够在保留空间上下文并生成病理级组织图像的同时测量基因表达。尽管 ST 在精准病理学方面具有巨大潜力，但目前仍受限于耗时且昂贵，限制了其广泛的临床采用。

虽然从标准的 H&E 染色组织学图像 中预测基因标记可以克服这些障碍，但现有的深度学习方法面临两个关键局限性：

• 次优的表示： 尽管近期在大规模 H&E 数据集上预训练的基础模型生成了高质量的通用嵌入，但这些表示并未针对基因表达预测这一下游任务进行专门优化。
• 缺乏适应性和可解释性： 标准基础模型缺乏针对生物任务的任务特定适应性，且其“黑盒”性质往往无法提供可解释的生物学见解（例如，哪些通路驱动了预测）。

2. 方法论：可解释原型增强器（EP-Booster）

为了解决这些差距，作者提出了 EP-Booster，这是一个新颖的框架，旨在利用生物学先验知识来优化基础模型的潜在表示。

• 可学习原型： 核心机制涉及构建可学习原型，这些原型在嵌入空间中充当特定的锚点。与通用嵌入不同，这些原型经过训练，与特定的基因表达模式高度相关。
• 生物学先验整合： 这些原型的构建和训练由生物学先验知识指导。这确保了模型的内部表示与已知的生物学结构保持一致，而不仅仅是图像数据中的统计相关性。
• 嵌入优化： EP-Booster 接收来自预训练基础模型的通用嵌入，并通过这些原型对其进行优化，有效地“增强”了模型在基因表达任务中的性能。
• 内在可解释性： 一个关键的架构特征是，模型的预测不仅仅是输出，而是与通路级归因相关联。通过将预测与特定原型关联，模型直接解释了哪些生物学通路促成了基因表达预测。

3. 主要贡献

• 新颖框架： 引入 EP-Booster，这是一种弥合通用基础模型与特定生物任务（基因表达预测）之间差距的方法。
• 生物学引导的学习： 将生物学先验独特地整合到原型学习过程中，确保优化后的嵌入具有生物学意义。
• 可解释性： 超越单纯的准确率，提供通路级可解释性，使临床医生和研究人员能够理解预测背后的生物学原理。
• 模块化： 该框架设计为与底层基础模型无关，允许将其与各种预训练模型集成，以增强其特定任务的性能。

4. 实验结果

作者通过广泛的实验验证了 EP-Booster，这些实验具有以下特征：

• 鲁棒性： 在多个数据集、各种癌症类型以及不同的空间转录组学平台上进行了测试。
• 性能： EP-Booster 在从 H&E 图像预测基因表达方面始终优于现有的最先进方法。
• 通用性： 该模型在多种临床相关应用中展现了成功，包括：
  • 癌症生物标志物预测。
  • 生存分析。
  • 药物反应预测。

5. 意义

这项工作的意义在于其具有普及和加速精准病理学的潜力。通过利用标准、低成本的 H&E 切片实现准确的基因表达预测，EP-Booster 减少了对昂贵且缓慢的 ST 技术的依赖。此外，通过在模型架构中通过通路级归因直接嵌入可解释性，它建立了对 AI 驱动诊断的信任，促进了深度学习模型向癌症预后和治疗规划等现实世界临床决策的转化。