基于可解释深度输入通道混合的高内涵成像通道重要性学习

发掘治疗复杂疾病的新药候选者仍是早期发现研究中最具挑战性的任务之一。为应对这一挑战，生物制药研究建立了标准化的高内涵成像协议，对每幅图像通道中的不同细胞区室进行标记。为判断实验结果，科学家需要了解关于特定表型的通道重要性以解码潜在生物学机制。与传统图像分析方法不同，此类实验如今更倾向于通过基于深度学习的方法进行分析，然而这些方法缺乏关于通道重要性的关键信息。为克服这一局限，我们提出了一种新方法，利用高内涵图像的多光谱信息来解释细胞生物学的某一方面。为此，我们将方法建立在任意通道数的alpha合成图像混合概念之上。更具体地，我们引入DCMIX，一种轻量、可扩展且端到端可训练的混合层，它能在保留基于深度学习方法优势的同时实现高内涵成像中的可解释预测。我们在MNIST与RXRX1数据集上进行了大量实验，表明DCMIX能在不牺牲预测性能的前提下学习到生物学相关的通道重要性。