从成像表型组学和微扰转录组学中进行干预感知的多尺度表示学习

基于显微镜的表型分析可扩展用于药物发现，但缺乏转录组学的机制深度，而转录组学仍然昂贵且稀缺。现有的多模式方法要么使用图像来支持其他模式，要么通过样本身份天真地对齐表示，忽略弱配对数据中的细胞类型和剂量变化，从而限制对看不见的干预措施的概括。在本文中，我们介绍了一种干预感知 蒸馏 框架，该框架利用扰动转录组学来指导图像表示学习。转录组条件教师整合基因表达和干预元数据，在按药物相似性组织的化学感知密码本上生成软分布。教师采用微调的单细胞基础模型来编码细胞类型背景并解开剂量效应。只学习图像的学生学习仅通过显微镜来预测这些分布，在测试时独立操作的同时提炼机械知识。这种设计强调干预语义而不是身份对齐，并明确处理剂量和细胞类型不匹配。我们提供的理论保证表明转录组指导收紧了基于图像的预测的风险范围。在与 L1000 配对的 Cell Painting 和 RxRx 数据集上，与自我监督和比对基线相比，我们的方法显着改善了对看不见的干预措施和药物靶标基因发现的一次性转移。