《Nature Methods》：Advancing morphological profiling with self-supervised learning through comparative insights into representation learning of cellular perturbations
编辑推荐：
自监督学习（SSL）使得可扩展、无标签的基础模型（FMs）成为可能，这类模型直接从图像中学习任务无关的表征，绕过了经典形态学分析所固有的细胞分割和特征工程步骤。研究人员对用于基于图像的表型分析的SSL基础模型进行了大规模评估，涵盖对比式（DINO）、掩码生成式
自监督学习（SSL）使得可扩展、无标签的基础模型（FMs）成为可能，这类模型直接从图像中学习任务无关的表征，绕过了经典形态学分析所固有的细胞分割和特征工程步骤。研究人员对用于基于图像的表型分析的SSL基础模型进行了大规模评估，涵盖对比式（DINO）、掩码生成式（MAE、iTPN）和混合式（DINOv2）学习机制，并在形态学分析联合计划–细胞绘画（JUMP–CP）数据集中所有未注释的化学扰动上进行了预训练（119,876种化合物，约177万张图像，7个实验室）。研究结果表明，性能最佳的SSL模型在JUMP–Target2验证集（302种已注释化合物，P ≤ 0.001）上的化合物重复检索任务中优于CellProfiler。DINO和DINOv2在不同扰动和细胞类型中展现出良好的泛化能力，在EU-OPENSCREEN Bioactives数据集（2,464种化合物）的作用机制检索任务中，以31-37%的平均精度均值提升优于CellProfiler，并在所有基准测试中 consistently 优于掩码式模型。该研究为推进形态学分析的SSL方法提供了系统性评估，并提供了预训练基础模型以加速药物发现。
**论文解读**
**一、研究背景与现存问题**
高内涵成像（HCI）技术与形态学分析的结合为药物发现提供了全新视角。细胞绘画（Cell Painting）作为一种高内涵成像分析方法，通过荧光染料标记细胞的不同亚结构（如细胞核、细胞质、线粒体等），能够获取丰富的细胞形态学信息。形态学分析联合计划–细胞绘画（JUMP–CP）联盟是这一领域的里程碑式合作项目，该联盟已生成超过100 TB的公开数据，涵盖12家制药公司和学术机构（即数据来源）采集的逾12万种化学和遗传扰动条件下超过百万张高内涵图像，为推动药物发现提供了前所未有的数据资源。
在形态学分析的计算方法中，以CellProfiler为代表的经典方法依赖于细胞分割和手工特征提取，并需经过特征筛选以降低冗余。然而，这种对分割和预定义特征的依赖会引入效率瓶颈和偏倚，限制了细胞绘画数据在全规模上的潜能的发挥。深度学习（DL）方法虽已展现出替代经典方法的潜力，但监督和弱监督模型高度依赖注释化合物活性数据，而此类标注在细胞绘画领域十分稀缺，限制了模型对未见过化合物的泛化能力。基于自监督学习（SSL）的基础模型（FMs）通过直接从大规模无标注数据中学习鲁棒的表征，有效解决了标注瓶颈问题，特别适用于高内涵成像和药物发现场景。然而，尽管SSL的对比式、生成式和混合式等主要学习机制之间存在本质差异，目前尚缺乏针对这些机制在高内涵成像数据上的系统性大规模基准比较研究。
**二、研究内容与总体结论**
针对上述空白，研究人员开展了一项迄今最大规模的SSL基础模型系统评估研究。研究人员在JUMP–CP数据集全部未注释化学扰动数据（119,876种化合物，约177万张图像，来自7个制药实验室、87个实验批次）上预训练了覆盖三类主要SSL学习机制的代表性模型：对比式模型DINO（无标签蒸馏）、掩码生成式模型MAE（掩码自编码器）和iTPN（整预训练Transformer金字塔网络）、以及混合式模型DINOv2。研究在独立留出的JUMP-Target2-COMPOUNDS验证集（302种化合物、160个基因靶点、8个数据来源）上进行了全面评估，并在BBBC021、RxRx1和EU-OPENSCREEN Bioactives三个独立的公开数据集上考察了跨细胞类型、跨扰动类型的泛化能力。研究结果表明，DINO和DINOv2在所有基准测试中 consistently 优于掩码式模型和CellProfiler基线：在JUMP-Target2-COMPOUNDS检索任务上显著优于CellProfiler（P ≤ 0.001），在EU-OPENSCREEN Bioactives数据集的MoA检索任务上以31-37%的平均精度均值提升领先CellProfiler。该研究证实了SSL基础模型能够在不依赖细胞分割和特征工程的前提下，学习到生物学相关且可泛化的细胞形态表征，为药物发现中的高内涵图像分析提供了可扩展的替代方案和实用指南。该论文发表在《Nature Methods》杂志上。
**三、主要技术方法**
研究人员采用两阶段工作流程：预训练阶段使用JUMP–CP数据集全部未注释化学扰动数据（119,876种化合物，来自7个来源、87个实验批次）优化模型参数；评估阶段冻结预训练权重，将模型仅作为特征提取器用于两类下游任务——零样本化合物检索（直接使用嵌入评估可重复性和生物学相关性）和少样本MoA分类（使用k近邻（k-NN）分类器在提取的嵌入上训练）。研究系统评估了球形化（sphering）、逐板稳健中位绝对偏差（MAD）归一化和Harmony三种批次效应校正后处理策略的组合效果。此外，研究还针对DINOv2考察了数据多样性、跨批次采样、图像块标记分辨率、输入图像尺寸（token序列长度）和架构规模等训练策略的影响。
**四、主要研究结果**
* **后处理策略用于批次效应校正并改进SSL特征表征**：研究人员对球形化、MAD归一化和Harmony三种后处理方法进行了详细消融分析。结果表明，按球形化–MAD–Harmony顺序依次组合应用对SSL特征效果最佳。后处理对所有模型的表型特异性（PNSB）可重复性任务均有显著提升，但对表型一致性（NSCB）生物学相关性任务仅对CellProfiler和DINO类方法有显著改善。完全留出的source 6分析显示，后处理有效缓解了原始特征中严重的批次效应，DINOv2额外检出了三个基因靶点（MAPK14、JAK1和CDK9），形成了更紧凑的聚类。
* **化合物检索比较性能：DINO和DINOv2的可重复性和稳健性**：在表型特异性（PNSB）任务上，DINO、DINOv2和iTPN显著检索到比CellProfiler更多的化合物（P ≤ 0.001）。DINOv2和DINO分别检索到129种（42.7%）和128种（42.4%）Target2-COMPOUNDS化合物，iTPN检索到107种（35.4%），MAE仅检索到53种（17.5%）。DINO和DINOv2覆盖了CellProfiler检索结果的96.6%（87/90），且两种模型之间的高度一致性表明DINOv2保留了DINO的核心优势。在阳性对照的三类化合物（poscon_orf、poscon_cp、poscon_diverse）上，顶级SSL模型在所有类别中 consistently 优于CellProfiler，其中在poscon_diverse类别上DINO/DINOv2与CellProfiler之间存在显著差异（P ≤ 0.01）。
* **DINO和DINOv2在跨实验批次中捕获化合物特征的效能**：跨批次成对皮尔逊相关性热图显示，DINO和DINOv2比掩码式模型和CellProfiler捕获了更强的化合物特征信号。iTPN相比MAE有显著改进，这可归因于其分层多尺度ViT架构。
* **预训练策略对模型性能的影响**：在多种训练策略下，DINOv2在检索准确率上 consistently 优于CellProfiler。多源预训练模型优于单源预训练模型，表明数据多样性（尤其是化学多样性）对模型稳健性的影响比单纯的图像数量更大。跨批次采样与数据增强结合可获得最佳整体性能。较高token分辨率（ViT-B8）的模型性能最低，可能是自注意力机制二次复杂度导致过拟合。ViT-B16架构优于ViT-S16和基于Swin Transformer V2的架构。
* **揭示细胞语义：DINO和DINOv2局部表征的洞察**：通过将局部表征（图像块标记）投影到主成分分析（PCA）空间并映射为RGB图像，研究人员发现基于知识蒸馏的模型能够在无监督条件下捕获空间分辨的细胞语义信息。通过k-means聚类图像块标记提取核区域，与DNA通道阈值获得的真实核区域进行相关分析，DINOv2的相关系数 consistently 超过0.8，其中ViT-B8分辨率模型获得最高相关性。
* **基础模型在EU-OPENSCREEN生物活性化合物上的生物学相关性：对未见化合物和HepG2细胞的泛化能力**：在2,464种密集注释生物活性化合物的EU-OPENSCREEN数据集上，以零样本方式评估模型泛化能力。在HepG2细胞的MoA注释水平上，DINO和DINOv2 consistently 优于CellProfiler，而掩码式模型表现不佳。DINO以跨位点一致性（至少在3个位点检出的MoA）检索到的MoA数量比CellProfiler多33%，并unique检出了polo样激酶和溴结构域抑制剂（在全部4个位点一致检出，mAP分别为0.326和0.076，而CellProfiler仅为0.028和0.027）。
* **预训练FM在MCF-7细胞上的稳健性和泛化能力：BBBC021的MoA分类**：在包含B-微管蛋白通道（预训练时未见）的BBBC021数据集上，DINOv2以91.3%的NSC准确率优于CellProfiler（90%）、DINO（86.4%）、iTPN（79.6%）和MAE（68.9%）。DINO和DINOv2对肌动蛋白干扰剂的准确率达80%，而CellProfiler仅为20%；DINO和DINOv2以100%准确率预测了7个MoA。
* **FM向RxRx1数据集的泛化：多种细胞类型上的遗传扰动**：在包含1,138种基因扰动、4种细胞类型（HepG2、HUVEC、RPE和U2OS）的RxRx1数据集上，预训练于U2OS细胞的FM有效地泛化到另外3种形态差异显著的细胞类型。DINO和DINOv2在所有细胞类型上 consistently 表现出更高的表型特异性（PNSBW），DINOv2获得了最高的检索分数（≥95%）。后处理显著提升了所有模型在表型活性和表型特异性指标上的性能（例如，在HepG2细胞中DINOv2的表型活性mAP从27.64%提升至65.63%，提升超过137%）。
**五、讨论与结论**
讨论部分指出，SSL建模通过避免对细胞分割和特征工程的依赖，提供了优于经典形态学分析方法的基本优势，增强了大规模分析所需的稳健性和可扩展性。然而，对比式和混合式方法依赖于数据增强，该限制可通过跨批次采样（一种将领域适应策略纳入学习过程的方法）加以缓解。批次效应仍是细胞绘画中的挑战性问题，特别是跨实验室数据对齐；球形化、MAD归一化和Harmony的顺序组合虽达到最佳效果，但球形化和Harmony无法将预计算的变换适应于新批次。可解释性方面，DINO和DINOv2通过聚焦相关细胞特征和学习丰富的局部表征展现了良好前景，但可解释性仍是显著挑战。基于表征学习的当前进展为实现复杂应用（如匹配遗传和化学扰动）提供了潜力。
研究结论部分可翻译为：总而言之，本研究提供了跨越主要SSL学习机制的大规模系统性基准测试，并提供了预训练基础模型作为形态学分析中经典流程的可扩展且稳健的替代方案。然而，局限性依然存在：研究的基础模型仅在U2OS细胞和化学扰动上预训练，尽管在零样本设置下泛化到了另外四种细胞类型，但更复杂的细胞类型（如神经元）可能需要微调；虽然在RxRx1上初步展示了向遗传扰动的泛化，但在大规模遗传扰动数据集（如JUMP–CP中的CRISPR和过表达数据）上的全面评估仍有待开展；跨来源批次效应校正仍具挑战性，且深度学习特征的可解释性低于工程化特征。研究所展现的跨实验室、多细胞类型和扰动模态的泛化能力，为未来通过引入多模态基础模型并结合批次效应缓解策略进行扩展奠定了基础，以解锁复杂应用（如跨实验室匹配遗传和化学扰动）中的生物学洞见。
