[论文解读] RxRx1: A Dataset for Evaluating Experimental Batch Correction Methods

Maciej Sypetkowski, Morteza Rezanejad+10 more|arXiv (Cornell University)|Jan 13, 2023

Cell Image Analysis Techniques被引用 7

一句话总结

本文介绍了 RxRx1 数据集，该数据集包含 125,510 幅高分辨率 6 通道荧光显微图像，总大小为 46GB，涵盖 4 种人源细胞类型在 1,138 种基因扰动下的 51 个实验批次。该研究提出了一项扰动分类任务，用于评估批次校正方法，结果表明自适应批量归一化（AdaBN）能显著提升对未见批次的泛化能力，通过自标准化实现 87.1% 的准确率，优于标准批量归一化和梯度反转方法。

ABSTRACT

High-throughput screening techniques are commonly used to obtain large quantities of data in many fields of biology. It is well known that artifacts arising from variability in the technical execution of different experimental batches within such screens confound these observations and can lead to invalid biological conclusions. It is therefore necessary to account for these batch effects when analyzing outcomes. In this paper we describe RxRx1, a biological dataset designed specifically for the systematic study of batch effect correction methods. The dataset consists of 125,510 high-resolution fluorescence microscopy images of human cells under 1,138 genetic perturbations in 51 experimental batches across 4 cell types. Visual inspection of the images alone clearly demonstrates significant batch effects. We propose a classification task designed to evaluate the effectiveness of experimental batch correction methods on these images and examine the performance of a number of correction methods on this task. Our goal in releasing RxRx1 is to encourage the development of effective experimental batch correction methods that generalize well to unseen experimental batches. The dataset can be downloaded at https://rxrx.ai.

研究动机与目标

• 解决高通量生物筛选数据中技术批次变异带来的混杂影响。
• 为图像表型筛选中的实验批次校正方法提供标准化基准。
• 支持机器学习在生物图像分析中领域自适应与泛化能力的系统性评估。
• 推动开发能够泛化至训练数据中未见实验批次的方法，而非仅限于训练批次。
• 支持生物图像分析中领域泛化、迁移学习和少样本学习的研究。

提出的方法

• 该数据集包含 125,510 幅 6 通道荧光显微图像，来自 51 个实验批次、4 种细胞类型，以及 1,139 种扰动类别（含一个 EMPTY 类别）。
• 提出一项分类任务以评估批次校正效果：在部分批次上进行训练，在保留的、未见的批次上进行测试，以评估模型的泛化能力。
• 采用带有自适应批量归一化（AdaBN）的深度学习模型作为主干网络，利用每张图像对应实验批次的特定统计量对特征进行归一化。
• 图像预处理包括自标准化——使用每张图像自身的均值和标准差对各通道进行归一化，该方法被证明性能最佳。
• 引入三种评估指标以衡量校正方法的有效性：扰动分类准确率、对未见批次的泛化能力，以及在多样化实验条件下的鲁棒性。
• 该方法将 AdaBN 与梯度反转和标准批量归一化进行比较，测量训练过程中的收敛速度、准确率和方差。

Figure 1: (a) Top: Depiction of full-complementarity of an siRNA to an mRNA to knockdown a particular target gene. Bottom: Depiction of partial-complementarity in the seed-region of an siRNA, leading to partial knockdown of hundreds of additional genes. (b) Schematic of a 384-well plate demonstratin

实验结果

研究问题

• RQ1 自适应批量归一化（AdaBN）在高内涵筛选数据中对未见实验批次的批次效应校正效果如何？
• RQ2 对图像通道进行自标准化是否能提升图像表型筛选中批次校正方法的性能？
• RQ3 不同归一化策略（如逐图像、逐批次、逐板）对扰动分类准确率和模型泛化能力有何影响？
• RQ4 基于深度学习的批次校正方法能否有效泛化至训练过程中完全未见过的新实验批次？
• RQ5 虚假相关性或批次特异性伪影在多大程度上阻碍了对生物上具有意义的形态学表征的学习？

主要发现

• 使用每张图像自身均值和标准差对通道进行自标准化，实现了最高的扰动分类准确率（87.1%）。
• AdaBN 方法在对未见实验批次的泛化方面表现最佳，优于标准批量归一化和梯度反转方法。
• AdaBN 收敛速度更快，且在多次训练运行中表现出更低的方差（均值 ± 标准差），表明学习过程更一致。
• 梯度反转虽提升了性能，但未能泛化至未见批次，表明其学习的是批次特异性模式，而非稳健且解耦的表征。
• 所提出的任务能有效将批次效应与生物变异分离，从而实现对校正方法的定量评估。
• 该数据集与任务揭示，批次效应显著干扰了分类性能，准确率从自标准化下的 87.1% 降至无归一化时的 78.4%（在保留批次上）。

Figure 2: 6-channel faux-colored composite image of HUVEC cells (left) and individual channels (right) stained with Hoechst 33342 (channel 1, blue), Alexa Fluor 488 Concanavalin A (channel 2, green), Alexa Fluor 568 Phalloidin (channel 3, red), Syto14 (channel 4, cyan), MitoTracker Deep Red FM (chan