[論文レビュー] Improved Conditional Flow Models for Molecule to Image Synthesis

Karren Yang, Samuel Goldman+5 more|arXiv (Cornell University)|Jun 15, 2020

Cell Image Analysis Techniques参考文献 1被引用数 6

ひとこと要約

本論文では、マルチスケールのハールウェーブレット画像ピラミッドと対照的学習を用いて、分子構造から高解像度（512×512）の細胞顕微鏡画像を合成する、新しいフローベースの生成モデルであるMol2Imageを紹介する。この手法は、薬物介入による形態的影響を反映する分離可能で生物学的に意味のある分子埋め込みを学習することで、最先端の性能を達成する。

ABSTRACT

In this paper, we aim to synthesize cell microscopy images under different molecular interventions, motivated by practical applications to drug development. Building on the recent success of graph neural networks for learning molecular embeddings and flow-based models for image generation, we propose Mol2Image: a flow-based generative model for molecule to cell image synthesis. To generate cell features at different resolutions and scale to high-resolution images, we develop a novel multi-scale flow architecture based on a Haar wavelet image pyramid. To maximize the mutual information between the generated images and the molecular interventions, we devise a training strategy based on contrastive learning. To evaluate our model, we propose a new set of metrics for biological image generation that are robust, interpretable, and relevant to practitioners. We show quantitatively that our method learns a meaningful embedding of the molecular intervention, which is translated into an image representation reflecting the biological effects of the intervention.

研究の動機と目的

• 分子干渉を条件とした高解像度の細胞顕微鏡画像を合成する最初の生成モデルを開発すること。
• フル解像度の画像にまでスケーリング可能なフローベースのモデルを効果的に拡張しつつ、複数の空間スケールで分離可能な生成を実現すること。
• 分子埋め込みと生成画像との間の相互情報量を最大化することで、複雑な分子入力をより良く条件づけること。
• 薬剤発見における分子から画像への変換のための堅牢で生物学的に意味のある評価指標を確立すること。
• 学習された分子表現が生物学的に意味のある形態的変化を反映していることを示すこと。

提案手法

• 異なる解像度で画像特徴を生成できる、ハールウェーブレット画像ピラミッドに基づくマルチスケールのフローアーキテクチャを提案し、512×512画像へのスケーリングを可能にする。
• フローモデルの条件づけに使用するため、分子構造を潜在的埋め込みにエンコードするためのグラフニューラルネットワーク（GNN）を統合する。
• GNNでエンコードされた分子特徴とフローモデルの潜在空間との間の相互情報量を最大化するため、対照的学習に基づく訓練戦略を採用する。
• 粗いスケールから細かいスケールへと段階的に特徴を生成する階層的生成プロセスを採用し、訓練の安定性とモデリングの忠実度を向上させる。
• ウェーブレットピラミッド構造全体にわたる可逆変換をサポートする、変更された正規化フローを適用する。
• フローモデルの対数尤度と対照的損失を組み合わせた損失関数を用い、分子表現と画像表現を一致させる。

実験結果

リサーチクエスチョン

• RQ1 分子構造を条件とした高解像度（512×512）の細胞顕微鏡画像を生成するために、フローベースのモデルを効果的にスケーリングできるか？
• RQ2 ハールウェーブレットピラミッドに基づくマルチスケールのフローアーキテクチャは、生成画像内の粗いスケールと細かいスケールの形態的特徴の分離を改善するか？
• RQ3 対照的学習は、条件付きフローモデルにおける分子埋め込みと画像表現との間の一致を向上させることができるか？
• RQ4 学習された分子埋め込みは、分子干渉によって誘発される生物学的に関連のある形態的変化を反映しているか？
• RQ5 提案された評価指標は、生物学的文脈において、分子から画像への変換の品質を信頼性高くかつ解釈可能に評価できるか？

主な発見

• Mol2Imageモデルは、品質比較による定量的評価で、ベースライン（CGAN、CGlow）を著しく上回り、分子干渉の形態的影響を反映する画像を生成していることが確認された。
• 分子埋め込みから14の形態的特徴を予測する線形プローブにおいて、平均AUCが0.810を達成し、モルガンフィンガープint（0.675）やランダムGNN（0.569）を上回った。
• 対照的学習を除いたアブレーション実験では、平均AUCが0.675にとどまり、対照的学習が分子表現の品質を顕著に向上させていることが示された。
• 画像ピラミッドフレームワークは、64×64解像度でも条件付き生成を改善しており、マルチスケール学習が学習効率と表現品質の両方を向上させていることが示唆された。
• ホールドアウトされた分子に対しても一般化が可能であり、ホールドアウトセットでの平均AUCは0.683を記録し、完全な教師ありモデル（AUC 0.702）に近い性能を達成した。
• 本手法により、分子干渉に対する期待される細胞応答を反映する生物学的に妥当な画像を仮想的に生成できるようになり、仮想スクリーニングが可能になった。