Nat. Commun.｜基于图像的药物发现中的表型学习策略

为了对PhenoProfiler进行全面且稳健的评估，将其与已知方法(包括DeepProfiler、OpenPhenom、ResNet50和ViT）进行对比，采用leave-perturbation-out策略。评估采用两个指标，即富集倍数(FoE)和平均精度均值(MAP)。使用三个数据集(BBBC022、CDRP-BIO-BBBC036和TAORF-BBBC037)中的超过23万张图像，涵盖231个板和4285种处理，包括化合物和基因过表达扰动。实验结果如图2所示，PhenoProfiler在三个基准数据集上均在FoE和MAP指标上超越所有竞争方法。

为了进一步说明PhenoProfiler各模块的贡献，作者在BBBC022数据集上进行了消融实验(图2c)。首先，去除多目标学习模块中的回归学习组件(“-MSE”选项)，仅保留分类和对比学习。结果显示，去除回归学习导致性能显著下降，FoE和MAP分别下降12.0%和12.7%。接着，测试了不同损失函数组合(“-Con”、“-CLS”、“-MSE-Con”、“-Con-CLS”和“-CLS-MSE”)。例如，同时去除回归和分类学习，FoE和MAP分别下降28.0%和20.6%。与未使用梯度编码的模型平均性能(“-MSE-Con-Gradient”、“-Con-CLS-Gradient”、“-CLS-MSE-Gradient”)相比，该修改导致FoE和MAP分别下降25.2%和11.5%，突显了基于梯度的特征编码的有效性。此外，测量指标并非随着分类损失的下降而持续改善。如图2d所示，MAP和FoE在分类损失下降初期有所提升，但最终下降。这强调了PhenoProfiler多目标学习设计的重要性。多目标学习的最优权重通过对BBBC022数据集的敏感性分析确定。图2e-2f显示了调优后的PhenoProfiler实现了最优性能。

为了评估PhenoProfiler的泛化能力，作者在基准数据集上进行了实验，采用leave-plates-out和leave-dataset-out评估策略。对于leave-plates-out策略，部分板作为测试集，其余板用于训练；而在leave-dataset-out策略中，一个数据集用于训练，另外两个作为测试集。在leave-plates-out 情境下(图3a)，PhenoProfiler在FoE和MAP指标上均持续优于其他方法。图3b展示了leave-dataset-out情境下的性能对比，进一步突显了PhenoProfiler的优越表现。总体而言，PhenoProfiler的泛化能力优于现有方法，为药物发现中的下游任务提供了更精准的支持。

为了进一步验证PhenoProfiler的泛化能力，对外部分布(OOD)数据进行了评估，使用来自cpg0001数据集的10个不同板(BR00115125-BR00115134)，共76800张图像，涵盖83种独特处理和47个注释的作用机制(MoA)。如图3c上图所示，直接将预训练于BBBC022、BBBC036和BBBC037的PhenoProfiler模型应用于这些OOD板。PhenoProfiler在所有测试板上在FoE和MAP指标上分别比第二优模型DeepProfiler平均高45.8%和27.3%，显示出稳健的泛化能力及对OOD数据的适应性。此外，由于这些评估均来自U2OS细胞系，进一步在五个A549细胞系板(cpg0004数据集中的SQ00014812-SQ00014816，见图3c下图)上进行了评估。结果显示，PhenoProfiler在FoE和MAP上平均分别比第二优模型OpenPhenom高21.4%和20.3%，证明其在不同细胞系间的泛化能力同样稳健。

为评估PhenoProfiler缓解批次效应的能力，作者采用反向绝对中位差(IMAD)指标来量化图像表示的离散程度。IMAD值越高，表示离散性越小，即批次效应被更好地校正。图4展示了板级的表示特征，不同颜色表示不同板，以突出批次效应。PhenoProfiler学到的表示特征分布明显更为整合(IMAD = 0.603)，表明其能够在不同板间学习到协调一致的特征，有效解决批次效应，无需额外校正。这一模式在三个数据集中均一致出现，进一步验证了PhenoProfiler在生成稳健表型表示方面的可靠性。PhenoProfiler能够直接从原始数据学习协调一致的表示，不仅减少了计算密集型后处理的需求，同时确保了生物学信号的保留。

为了有效捕捉处理下的相对变化，PhenoProfiler特别设计了表型校正策略(PCs)用于优化学习到的表型表示。如图5a所示，PhenoProfiler通过利用同一板内的对照孔和处理孔，对图像表示进行校正，强调处理下细胞表型的相对变化。通过消融实验评估PCs的影响，结果表明PCs能够稳定提升FoE指标，而对MAP指标影响较小(图5b)。随后分析了在三个基准数据集中引入PCs前后的特征聚合情况。使用UMAP对孔级图像表示进行可视化，并通过IMAD指标定量衡量聚合性(图5d)。实施PCs后，不同板的表示特征显著更加集中，IMAD指标分别在三个基准数据集上显著提高51.5%、69.7%和11.6%，显示了强烈的聚合改善效果。

为了直观展示处理效应，作者使用PhenoProfiler在不同处理条件下获得表型表示。图6展示了PhenoProfiler在三个基准数据集上的UMAP投影，清晰展示了PhenoProfiler在非端到端(图6a)和端到端(图6b)场景下捕捉与组织生物学模式的能力。

为了进一步评估PhenoProfiler在识别具有临床可操作性的表型模式同时保持生物学可解释性的能力，作者使用cpg0004-LINCS数据集进行了深入分析，该数据集包含具有明确MoA的处理。图6c显示，所有药物处理组相较DMSO对照组均表现出显著特征变化。值得注意的是，同一药物类别的四重复孔高度一致，不同药物类别间则明显分离。这些结果验证了PhenoProfiler的双重能力，即敏感检测药物诱导的表型扰动，同时精准区分药理机制。