自监督学习驱动的细胞形态表型分析

DRUG ONE 细胞形态表型分析通过高内涵显微成像揭示化学或遗传扰动引起的细胞变化，已成为药物发现和作用机制研究的重要工具。自监督学习（SSL）能够直接利用大量未标注图像学习通用表征，为构建可扩展的细胞形态基础模型提供了新的途径。研究人员系统比较了四种代表性自监督学习模型，包括基于自蒸馏学习的DINO、基于掩码重建的MAE和iTPN，以及融合两类学习机制的DINOv2。

研究利用JUMP–Cell Painting数据集中来自7个实验室的119,876种化合物、约177万张高内涵图像进行预训练，并在独立化合物、不同细胞类型和遗传扰动数据集上评估模型性能。结果表明，DINO和DINOv2在表型重复性、药物作用机制识别及跨数据集泛化方面表现突出。相比传统CellProfiler方法，两种模型在EU-OPENSCREEN数据集上的作用机制检索平均精度提高约31%–37%，同时能够在不依赖细胞分割的情况下学习具有生物学意义的局部形态特征。

该研究为细胞形态基础模型的选择、训练和实际应用提供了系统依据。细胞形态表型分析是连接高通量成像与药物发现的重要技术。通过对细胞核、细胞质、线粒体及其他亚细胞结构进行荧光染色，Cell Painting技术能够在单次实验中记录细胞对化学或遗传扰动的多维响应。这些图像包含丰富的生物学信息，可用于识别活性化合物、推断药物作用机制、预测毒性以及发现新的药物靶标。随着高内涵成像技术的发展，细胞表型数据规模迅速扩大。

JUMP–Cell Painting联盟建立了覆盖大量化学和遗传扰动的开放数据资源，为系统研究细胞形态与药物活性之间的关系创造了条件。然而，如何从海量图像中提取稳定、可迁移且具有生物学意义的表征，仍是限制该技术广泛应用的关键问题。传统CellProfiler通过细胞分割提取形状、大小、纹理和荧光强度等人工定义的特征，随后进行特征筛选和标准化。这种方法具有一定的可解释性，但对分割精度及预设特征体系依赖较强。

监督学习虽然能够直接从图像中学习表型信息，却需要大量高质量的化合物活性标注，而现有数据中的生物学标签通常较为稀疏。自监督学习通过图像自身构建训练目标，可以减少对人工标注的依赖。其中，DINO通过不同图像视图之间的知识蒸馏学习稳定表征，MAE和iTPN通过恢复被遮蔽的图像区域学习视觉特征，DINOv2则结合不同训练目标，兼顾全局表征与局部信息。尽管这些方法已经用于细胞图像分析，但不同学习机制在大规模形态表型数据上的表现仍缺乏统一比较。

基于这一问题，研究人员构建了系统性的评估框架，不仅比较不同模型的表型检索能力，还进一步考察实验批次校正、训练数据多样性、模型结构及跨细胞类型迁移对表征质量的影响。研究人员采用两阶段分析流程。首先，从JUMP–Cell Painting数据集中提取来自7个实验来源、87个实验批次的未标注化学扰动图像，分别预训练DINO、MAE、iTPN和DINOv2模型，并以CellProfiler提取的传统形态特征作为基准。

随后冻结预训练模型参数，将图像编码为特征向量，开展无需额外训练的化合物检索和基于少量标注样本的药物作用机制分类。评估数据包括含302种已注释化合物的JUMP–Target2，以及独立的BBBC021、RxRx1和EU-OPENSCREEN数据集。研究利用平均精度均值（mAP）、检索准确率和分类准确率衡量模型表现，并比较Sphering、MAD归一化和Harmony等批次校正方法。此外，还通过改变训练来源、跨批次采样策略、图像块分辨率和模型规模进行消融分析，并利用局部特征可视化考察模型对细胞结构的识别能力。

研究人员首先建立了覆盖不同自监督学习机制的统一比较框架，以确定哪些学习策略更适合高内涵细胞图像。四种模型采用不同的表征学习策略。 DINO通过教师网络与学生网络之间的自蒸馏优化图像表征，使同一图像的不同增强视图具有一致特征； MAE通过重建被遮蔽的图像区域学习视觉信息； iTPN在掩码学习基础上引入多尺度层次化结构； DINOv2结合自蒸馏和掩码图像建模，以获得更加丰富的全局及局部表征。预训练完成后，所有模型均作为固定的特征提取器使用，从而避免下游任务训练对模型比较产生额外影响。

研究主要设置两类检索任务：表型区分性用于判断相同扰动是否能够跨实验批次被稳定识别；表型一致性则用于评估不同化合物能否根据共同的生物学作用被关联起来。这一设计使研究不仅能够比较模型对图像差异的识别能力，还能检验所学习的特征是否真正包含可用于药物机制分析的生物学信息。批次校正显著改善细胞形态特征质量不同实验室、显微镜设备和实验批次会引入非生物学差异，使具有相同作用机制的化合物表现出不同的形态特征。

为解决这一问题，研究人员比较了Sphering、MAD归一化及Harmony三种常用处理方法，并考察其单独或组合使用时对模型性能的影响。结果显示，依次应用Sphering、MAD和Harmony能够有效提高自监督学习特征的稳定性。经过处理后，除MAE外，其余自监督模型在JUMP–Target2的主要化合物检索任务中均优于CellProfiler。其中，DINO在表型区分性方面表现最佳，而DINOv2在反映生物学相关性的表型一致性任务中具有优势。研究进一步分析了预训练阶段完全保留的第6来源数据。

特征降维可视化发现，未经校正时，细胞图像往往按照实验批次聚集；经过处理后，这种批次依赖明显减弱，相同或相关扰动的细胞表征逐渐形成更紧密的聚类。在该独立来源中，DINO2能够额外识别MAPK14、JAK1和CDK9等基因靶标对应的化合物表型，其聚类结构也比传统方法更加清晰。进一步扩大至59,145种化合物的评估表明，批次校正能够显著提升不同模型的检索表现，但跨实验室来源的差异仍比单一来源内部的批次差异更难消除。

DINO和DINO2在化合物检索中表现出更强的稳定性研究人员进一步比较了不同模型在7个实验来源中的化合物检索表现，重点考察模型能否在不同批次和成像条件下识别具有相同扰动特征的化合物。在严格的表型区分性检索标准下，DINO2成功识别129种化合物，占JUMP–Target2测试化合物的42.7%； DINO识别128种，占42.4%； iTPN和MAE分别识别107种和53种。相比之下，CellProfiler仅识别90种化合物，占29.8%。

DINO和DINO2不仅覆盖了传统方法识别结果中的96.6%，还发现了更多传统特征难以区分的扰动表型，检索性能提升具有统计学显著性。不同模型之间的检索结果也揭示了学习机制的差异。 MAE识别的53种化合物中，51种能够被其他自监督模型识别，没有发现独有的检索结果。 DINO和DINO2则在较大程度上覆盖了iTPN的检索结果，同时额外识别出22种掩码学习模型未能检索到的化合物。

这些结果说明，基于自蒸馏的学习机制更有利于捕捉化合物扰动产生的稳定形态特征，而单纯依赖图像重建的训练目标未必能够充分保留与生物学扰动相关的信息。训练数据多样性与采样策略影响模型泛化能力为确定影响表征质量的关键因素，研究人员围绕DINO2开展了系统的训练策略比较，包括单来源与多来源数据、跨批次采样、图像块分辨率及模型规模等。结果发现，训练数据的多样性比单纯增加图像数量更为重要。单来源训练集包含约59万张图像和58,662种化合物，而多来源数据集虽然只有约35万张图像，却覆盖119,876种化合物。

尽管前者图像数量更多，后者训练得到的模型仍表现出更好的检索性能，说明化学扰动及实验来源的多样性有助于学习更加稳健的细胞表征。跨批次采样同样能够改善模型表现。通过从不同实验批次中提取同一扰动的图像视图，模型能够在训练阶段接触不同的成像强度和背景变化，减少对特定实验条件的依赖。将跨批次采样与图像增强相结合后，模型在表型重复性和生物学相关性任务中获得了较好的综合表现。模型结构比较则发现，更高的图像块分辨率并不必然带来性能提升。

ViT-B8虽然能够保留更细致的图像信息，却由于输入序列增长而增加优化难度，在部分任务中反而不及ViT-B16。研究还发现，DINO2的训练效率约为DINO的1.7倍，而各模型在推理阶段均具有较高效率，处理单个实验板约需1.5分钟。自监督模型能够捕捉具有生物学意义的细胞局部结构除整体表型检索外，研究人员还考察了自监督模型是否能够学习具有明确形态意义的局部特征。

研究利用DINO和DINO2输出的图像块特征，通过主成分分析将其映射回图像空间，并在SB-203580、NVS-PAK-1和NVP-AEW541三种阳性对照化合物条件下进行分析，涉及2,980张高内涵图像。结果显示，具有相似局部形态的细胞结构在特征空间中形成一致聚类。研究进一步以细胞核为例，将模型特征推断得到的核面积与基于DNA荧光通道提取的核面积进行比较。 DINO2的相关系数持续高于0.8，说明模型在没有显式细胞分割监督的情况下，仍能够学习与细胞