在细胞成像中准确的表型概况的混感知基础建模.
Giorgos Papanastasiou1, Pedro P Sanchez2, Argyrios Christodoulidis3
1Artificial Intelligence, Data and Analytics Digital, Pfizer Inc, London, NY, USA. georgios.papanastasiou@pfizer.com.
Npj imaging
|October 22, 2025
概括
一个新的基础模型使用因果AI和扩散模型来生成合成细胞图像,改善药物发现. 这种方法提高了对化合物作用机制和点的预测,即使对于新型分子也是如此.
科学领域:
- 计算生物学 计算生物学
- 药物发现 药物发现 药物发现
- 机器学习 机器学习
背景情况:
- 基于图像的分析提供了细胞洞察力,但受到实验变化的影响,阻碍了准确的作用机制 (MoA) 和目标识别.
- 目前的方法很难将其推广到新型化合物,限制了对新化学空间的探索.
研究的目的:
- 开发一个混意识的基础模型,整合因果机制和潜在扩散,以进行可靠的生物效应估计.
- 为了生成平衡的合成数据集,以提高药物发现的预测准确性.
主要方法:
- 开发了一种新的混者意识基础模型,在潜在扩散模型中集成了因果机制.
- 在超过1300万张细胞绘画图像和107,000个化合物上训练了模型.
- 利用该模型生成合成数据集用于培训和验证.
主要成果:
- 实现了最先进的MoA和目标预测性能 (0.66/0.65的ROC-AUC可见,0.65/0.73的ROC-AUC不可见的化合物).
- 与真实数据和批次纠正数据相比,表现出优异的性能.
- 通过强大的细胞表型表示学习,成功地减轻了混影响.
结论:
- 开发的框架为新型化合物提供了可靠的生物效应估计,加速了药物发现的成功扩张.
- 建立了一个可扩展和适应的细胞成像基础模型,推进数据驱动的药物发现.
- 该模型显示了成为计算药物发现的基石的巨大潜力.
