ViTAMIn-O:面向干细胞研究的开源通用计算机视觉模型与零代码分析平台

《Advanced Intelligent Systems》:ViTAMIn-O: Democratizing Computer Vision-Based Machine Learning for Stem Cell Research

【字体: 大 中 小 】 时间:2026年09月23日 来源:Advanced Intelligent Systems 6.7

编辑推荐:

  深度学习(Deep Learning, DL)在自动化预测类器官分化结果方面具有巨大潜力。然而,现有模型在适应性、开放性和性能稳健性方面存在不足。此外,预测模型在湿实验室环境中的广泛使用需要机器学习专业知识,而这在生物学导向的实验室中往往难以获得。为提供一种直

  
深度学习(Deep Learning, DL)在自动化预测类器官分化结果方面具有巨大潜力。然而,现有模型在适应性、开放性和性能稳健性方面存在不足。此外,预测模型在湿实验室环境中的广泛使用需要机器学习专业知识,而这在生物学导向的实验室中往往难以获得。为提供一种直观的解决方案,研究人员提出了ColabViTAMIn-O,一个与ViTAMIn-O配套的无代码平台。ViTAMIn-O是一个完全开放的类器官特异性深度学习模型,在总计34个类器官类别上进行了训练和测试,整合了在单类器官分辨率下跨透射光显微镜(Transmitted Light Microscopy, TLM)模式的注释图像。该模型可适应不同数据集规模的下游预测任务,即使在线性探测(linear probing)条件下也优于既有模型。它能够在少样本(few-shot)框架内可靠运行,并可进一步扩展至单标本水平的人类胚胎TLM成像数据。通过发布该平台、集中式模型中心及数据集,研究人员希望促进专业化深度学习模型在干细胞实验室中的更广泛部署。
干细胞与类器官研究面临一个核心瓶颈:类器官分化具有概率性,其形态学结局受多种随机因素影响,导致分化方案优化耗时且昂贵。当前深度学习(Deep Learning, DL)虽在生物医学图像分析中展现出潜力,但已有预测模型普遍缺乏适应性、开放性和稳健性,且部署高度依赖机器学习专业知识,难以直接进入以生物学为主的实验室。为突破这些限制,研究人员开发了ViTAMIn-O(Vision Transformer-based Artificial Morphological Intelligence on Organoids)及其配套的零代码平台ColabViTAMIn-O,旨在提供一种标准化、低成本、易操作的分析管道,用于类器官命运预测和非侵入性表型评估。

研究人员收集并整合了来自六个实验室的九个类器官成像数据集,涵盖人脑、下丘脑–垂体、肠道、结肠、胰腺导管腺癌(Pancreatic Ductal Adenocarcinoma, PDAC)、唾液腺腺样囊性癌、肺远端气道上皮、小鼠小肠及人前基板、听囊等模型,总计32,769张透射光图像,分为训练(25,340张)、验证(3,508张)和内部测试(3,921张)集。外部泛化评估另行使用1,260张未参与预训练的类器官图像及7,844张人类胚胎图像。模型以ImageNet-1k初始化的Swin-Large为骨干,采用教师–学生网络,学生接收强增强图像,教师接收未增强图像,并通过指数移动平均(Exponential Moving Average, EMA)更新教师权重;多任务学习框架将共享骨干连接到九个数据集特定分类头,并通过批量级轮询调度平衡任务。研究还集成了自动化概念解释模块(Automated Concept-based Explanation on Organoids, OrgACE),将潜在特征聚类为可解释的形态学概念。

**2.1 主要架构与平台应用**:ViTAMIn-O结合类器官特异预训练、多任务学习和教师–学生优化框架,在三个外部类器官数据集上验证了特征提取能力,并通过ColabViTAMIn-O提供零代码微调、线性探测和少样本学习功能;ViTAMIn-O模型中心支持模型上传与共享。

**2.2 概述**:研究定义了无监督冻结特征可视化、冻结特征迁移、少样本学习及微调等评估协议,并采用AUROC、准确率、F1分数和马修斯相关系数(Matthews Correlation Coefficient, MCC)等指标,重复训练运行代表计算重复而非生物学重复。

**2.3 留出测试集上的比较分析**:在统一线性探测协议下,ViTAMIn-O在九个内部任务中AUROC均最高,F1分数在八个任务中领先;在下丘脑–垂体类器官的RAX表达分层预测中,线性探测AUROC分别达到0.903、0.786和0.949,超过此前专门微调的集成模型;与文献报道的CLORG、ViT、Tellu、D-CryptO等模型相比,ViTAMIn-O在肠道、下丘脑–垂体、结肠等任务上取得相当或更优的结果。

**2.4 外部可迁移性与数据稀疏环境下的稳健特征表达**:通过主成分分析(PCA)、t分布随机邻域嵌入(t-SNE)和统一流形逼近与投影(UMAP)可视化,ViTAMIn-O的冻结特征在外部正常脑、出芽脑和胰导管样类器官(Pancreatic Duct-Like Organoid, PDLO)数据集上呈现类别聚集。使用逻辑回归和K近邻分类器,ViTAMIn-O在大多数外部任务上优于DINOv2、EfficientNetV2等基线;在仅使用6.25%训练数据(每类10张)的PDLO预测中,ViTAMIn-O的AUROC达0.950 ± 0.057,显著高于DINOv2的0.735 ± 0.143。少样本实验表明ViTAMIn-O在15个配置中13个优于DINOv2,单样本和五样本PDLO设置下AUROC分别达0.804和0.948。

**2.5 冻结特征投影显示类器官成像集的形态和数据集相关结构**:全局UMAP和t-SNE投影显示类器官数据集按组织类型区域分离,但可能受实验室、显微镜等非生物学因素影响,不能据此推断谱系关系;数据集局部投影中,注释类别(如肠道形态、RAX类别、培养条件和胚胎发育阶段)呈现有组织的分布,但仅具定性意义。

**2.6 探索性OrgACE分析识别JAG1状态的候选形态学关联**:对听囊类器官训练集,OrgACE在无JAG1标签条件下将斑块特征聚为15个概念;概念3富集于JAG1+图像,概念5、9、12富集于JAG1?图像;代表性图像显示JAG1+相关概念常含透明囊样结构,JAG1?相关概念多为致密外周形态。免疫荧光染色提供定性空间比较,但该分析仅为假说生成工具。

**2.7 泛化至植入前胚胎发育与形态学分级**:在5,500张胚胎发育分期图像上,ViTAMIn-O微调后准确率达96.68% ± 0.77%,MCC为95.88% ± 0.96%,超过ResNet50基准;在2,344张囊胚质量分级任务上,内细胞团(ICM)分级准确率71.30% ± 1.29%(优于XCeption的69.0%),滋养层(TE)分级准确率67.64% ± 0.97%,均优于已发表基线,而扩张等级(EXP)与Swin相当。

**讨论部分**:ViTAMIn-O的预训练框架通过异质数据聚合、多任务学习和教师–学生一致性机制联合优化,性能优于多个通用或特定任务模型;文献比较可能因协议不同而需谨慎解读,且无法归因于单一组件。模型在极端数据稀缺下仍保持高AUROC,表明其特征表示质量高,支持快速知识迁移。冻结特征空间中的定性组织可能同时编码生物学和技术因素,不能确定重建发育谱系。ColabViTAMIn-O解决了编程和硬件瓶颈,OrgACE将潜在特征转化为可检验的形态学假说。局限包括基于宏观形态的模型无法提供因果见解,OrgACE概念发现基于同一训练集,需要跨独立类器官和多组学验证。

**结论翻译**:总之,研究人员将ViTAMIn-O和ColabViTAMIn-O作为统一的通用人工智能生态系统,专为干细胞和类器官生物学设计。模型性能支持这样的前提:不同发育模型系统包含可跨组织类别计算提取的可迁移形态学信息。当前设计评估的是完整预训练框架,不分离单个组件的贡献。考虑到全球范围内可获得的实验室内部明场和相差成像数据这一巨大且未开发的资源,ColabViTAMIn-O和ViTAMIn-O模型中心提供了一种开源、无代码的框架,可立即用于其利用和民主化。通过发布模型权重、聚合训练数据集和开放平台,研究人员旨在推动人工智能在干细胞生物学中的民主化,加速方案优化,并为未来再生医学中的非侵入性筛查开辟新途径。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号