MorphoHELM: A Comprehensive Benchmark for Evaluating Representations for Microscopy-Based Morphology Assays¶
会议: NeurIPS 2026
arXiv: 2605.15383
OpenReview: https://openreview.net/forum?id=Lw6zDn55qc
代码: https://github.com/microsoft/MorphoHELM
领域: 其他
关键词: 细胞显微表型组学, 表征学习评测基准, 批次效应鲁棒性, 机制通路富集, CellProfiler
一句话总结¶
针对显微细胞表型分析（Cell Painting）中表征评估碎片化、指标脆弱及批次混淆被忽视的困境，MorphoHELM 统一了作用机制（MoA）与基因通路富集以及重复检索三大生物学任务，首创四级批次效应递进评测体系，修正了无限优势比与聚类指标失真缺陷，揭示了不同表征方法间的生物学权衡，并证实经过基础特征归一化后的经典手工特征 CellProfiler 在通用场景与重复检索中依然超越现有深度学习及显微预训练基线。
研究背景与动机¶
高通量显微成像（High-content microscopy）已成为解析细胞对化学小分子或基因扰动响应的核心技术。作为应用最广的表型分析手段，Cell Painting 技术借助六种荧光染料标记五个成像通道，全方位刻画细胞核、细胞骨架、细胞器等八个细胞区室的形态变化。由于细胞表型受多种生物学信号综合调控，其形态变化构成了对扰动响应的非偏好性全局读出，在药物虚拟筛选、作用机制解析以及功能基因组学中具有不可替代的价值。为定量分析海量图像中的微弱表型差异，学界相继发展出手工特征工程（如 CellProfiler）、自监督视觉模型（如 DINOv2）以及面向显微图像的专用基础模型（如 OpenPhenom、SubCell、CLOOME）。
然而，当前显微图像表征评估严重碎片化：各模型往往在定制的私有数据集、特定预处理管线和不同指标上自圆其说，导致研究间缺乏公允横向对比。更关键的是，显微图像极易受到批次效应（Batch Effects）的干扰——包括不同仪器光学配置、实验室环境、实验日期乃至 384 孔板孔位（Plate Layout）偏差，这些技术噪声诱发的表型伪影往往远强于微弱的生物真实信号。既有评测要么仅在无约束的理想环境下评估单家实验室的数据，要么使用容易被潜在空间维度与特征自相关结构误导的聚类指标（如 Leiden ARI/NMI），甚至通过粗暴插值极端优势比（Odds Ratio）掩盖了真实误差，导致模型在真实跨机构、跨批次部署中的性能衰减机制长期处于黑盒状态。
针对上述瓶颈，必须建立一套涵盖多重生物学信号尺度、严格控制批次噪声阶梯、纠正指标统计偏差的统一基准。核心 idea：构建显微形态表征综合评测基准 MorphoHELM，统合作用机制（MoA）富集、基因通路富集与扰动重复检索三大任务，建立从“无限制”到“不同批次、不同来源机构、不同板位布局”四级批次鲁棒性测试梯级，并通过修正的 Haldane-Anscombe 优势比平滑与统一特征标准化管线，系统量化表征模型在渐进技术噪声下的生物信号捕获与权衡。
方法详解¶
整体框架¶
MorphoHELM 将显微图像表征评测标准化为端到端流程：从原始五通道 Cell Painting 图像出发，依次经过严格的图像级照明校正与样本级质控过滤，经由各待评测模型抽取高维特征；随后统一通过板内中心化缩放、全局 PCA 降维与稳健绝对中位差（MAD）标准化构建对齐特征空间；最后在四级递进的批次效应混淆限制下，执行机制富集、通路关联与样本级重复检索三大评测协议。
%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
A["多源显微图像输入<br/>5通道 Cell Painting 荧光图像"] --> B["样本质控与图像预处理<br/>通道去重 + 细胞计数过滤5% + 照明校正"]
B --> C["多路线特征提取<br/>CellProfiler / DINOv2 / ResNet / 显微专用模型"]
C --> D["统一特征标准化管线<br/>板内缩放 + 全局PCA降维64维 + MAD稳健标准化"]
D --> E["四级批次效应递进评测体系<br/>NR无限制 / NSB跨批次 / NSS跨机构 / NSL跨板位"]
E --> F["生物学信号综合评估<br/>修正HA优势比几何均值 + 置换检验显著率 + 宏平均mAP/kNN"]关键设计¶
1. 四级批次效应递进评测体系：定量解析技术混淆对生物信号的侵蚀机制 既有基准常孤立测试无噪声环境下的检索准确率，无法评估模型在真实实验流转中的泛化能力。MorphoHELM 设计了四个严格单调递增的批次效应过滤级别，将生物信号敏感度与技术混淆鲁棒性解耦评测： - 无限制基准（No Restriction, NR）：候选检索池包含全部样本，充当信号捕获上限；对于富集任务，各扰动的所有重复样本合并聚合为单个共识表征（Consensus Profile）。 - 排除同批次（Not Same Batch, NSB）：剔除与查询样本来自同一实验批次的候选，迫使模型克服培养箱温度、试剂配比及日期漂移等批次噪声。 - 排除同机构来源（Not Same Source, NSS）：剔除来自同一实验室或研究机构的所有样本，针对显微镜物镜、滤光片和传感器硬件差异构成的严峻域偏移展开压力测试。 - 排除同板位布局（Not Same Layout, NSL）：高通量筛选常固定孔板物理位置，但边缘效应与微流道温差常导致特定物理坐标形成系统性伪影；NSL 排除相同板物理坐标的候选，专门测定空间伪影剥离能力。 在富集任务中，NSB/NSS 通过在独立子集上构建批次共识特征并配合多数投票判定显著性，精准刻画从实验室内到跨实验室环境下生物表征能力的真实衰减曲线。
2. 统计修正的富集与检索度量：阻断极端值与特征几何伪影对评测的失真误导 针对小样本生物学分类（类别仅有极少化合物/基因成员）在近邻截断时分母为零导致优势比（Odds Ratio, OR）无限大的统计漏洞，既有工作直接将无穷大替换为全样本总数，使得 80% 以上样本为零的分布却呈现虚高均值（如 BBBC036 算术均值高达 32.1）。MorphoHELM 引入修正版 Haldane-Anscombe 校正：当且仅当列联表存在零单元格时向所有四个单元格添加平滑常数 \(1/2\)（若无条件全量添加则会破坏原假设下期望值等于 1 的无偏性）。设检索截断集合中正例数为 \(a\)、反例数为 \(b\)，未截断部分正例数为 \(c\)、反例数为 \(d\)，平滑优势比为： $$ \text{OR}_{\text{mHA}} = \frac{(a + 0.5)(d + 0.5)}{(b + 0.5)(c + 0.5)} $$ 同时采用对数压缩特性的几何均值（Geometric Mean）替代算术均值，配合基于 \(M=100\) 次置换检验的显著样本占比（\(P_{\text{sig}}\)），形成长尾深度富集与广谱召回的互补度量。 此外，针对单细胞聚类指标（Leiden ARI/NMI）极易受高维特征相关性假象误导的弊端（经证实随机打乱标签后不同方法分差依然存在），MorphoHELM 摒弃脆弱的无监督聚类评分，改用全样本宏平均平均精度均值（mAP）及区分基底形态的阴性对照 mAP（NegCon mAP），配合 kNN Recall@1 全面量化全局排布与局域最近邻一致性。
3. 统一公平特征标准化管线：控制特征维度冗余与基底尺度差异 不同表征方法输出空间的几何结构存在本质异构：传统 CellProfiler 输出成百上千维手工工程特征，富含大量共线性与尺度悬殊的测量项；而自监督 Vision Transformer 与卷积神经网络生成的隐空间维度相对紧凑。直接对比原始特征会导致测试本质上在评测特征维度与几何冗余度而非生物表征能力。MorphoHELM 构建了标准化后处理流水线： 首先在板级执行中心缩放（CenterScale），并在全局样本上施加主成分分析（PCA）统一降维至 64 维，消除高维噪声与共线性冗余；随后逐板实施基于中位数绝对偏差（MAD）的稳健标准化（Robustize）。实验系统消融表明，该管线显著提升了所有方法的表征辨识度，且最明显受益的是传统高维手工特征，消除了既往基准由于未控制冗余维度而低估传统生物图像管线的偏差。
实验关键数据¶
主实验¶
MorphoHELM 涵盖五大基准数据集（BBBC036、cpg-MoA、cpg-CRISPR、cpg-target2、cpg-compound），横跨 8 种代表性表征路线：经典手工特征（CellProfiler）、通用预训练视觉模型（ResNet101、DINOv2 ViT-B/14 CLS 及 Patch 均值）、显微自监督与多模态专用模型（OpenPhenom、SubCell、CLOOME）以及未经训练的随机 ResNet101 对照组。
| 任务 / 数据集 | 评测指标 | 批次限制 | CellProfiler | DINOv2 CLS | ResNet101 | OpenPhenom | CLOOME | SubCell | 随机ResNet |
|---|---|---|---|---|---|---|---|---|---|
| cpg-MoA 化合物机制 | 显著比例 \(P_{\text{sig}}\) (%) | NR (基准) | 12.8 | 14.3 | 13.7 | 12.0 | 9.4 | 13.0 | 7.0 |
| cpg-MoA 化合物机制 | 显著比例 \(P_{\text{sig}}\) (%) | NSB (跨批次) | 6.0 | 7.1 | 7.3 | 5.0 | 3.2 | 4.6 | 1.7 |
| cpg-MoA 化合物机制 | 显著比例 \(P_{\text{sig}}\) (%) | NSS (跨机构) | 2.5 | 3.7 | 3.5 | 2.2 | 1.1 | 0.6 | 0.7 |
| cpg-MoA 化合物机制 | 几何均值 OR | NR (基准) | 12.13 | 12.10 | 11.35 | 11.36 | 10.54 | 9.61 | 8.93 |
| cpg-MoA 化合物机制 | 几何均值 OR | NSS (跨机构) | 9.44 | 9.51 | 9.19 | 8.78 | 8.90 | 8.74 | 8.74 |
| cpg-CRISPR 基因通路 | 显著比例 \(P_{\text{sig}}\) (%) | NR (基准) | 6.5 | 6.1 | 5.9 | 6.0 | 7.2 | 5.9 | 4.7 |
| cpg-CRISPR 基因通路 | 显著比例 \(P_{\text{sig}}\) (%) | NSB (跨批次) | 1.4 | 1.2 | 0.9 | 0.6 | 0.6 | 0.6 | 0.1 |
| cpg-CRISPR 基因通路 | 几何均值 OR | NR (基准) | 12.86 | 12.77 | 12.70 | 12.71 | 13.01 | 12.71 | 12.32 |
| cpg-target2 重复检索 | kNN Recall@1 (%) | NR (基准) | 25.38 | 20.33 | 18.92 | 17.59 | 18.37 | 16.81 | 3.56 |
| cpg-target2 重复检索 | kNN Recall@1 (%) | NSS (跨机构) | 14.64 | 12.77 | 11.09 | 9.13 | 5.65 | 10.12 | 1.78 |
| cpg-target2 重复检索 | kNN Recall@1 (%) | NSL (跨板位) | 5.04 | 5.07 | 4.59 | 4.20 | 4.38 | 3.97 | 0.87 |
| cpg-target2 重复检索 | 全局 mAP (%) | NR (基准) | 4.66 | 3.53 | 3.33 | 2.44 | 1.69 | 2.34 | 0.62 |
| cpg-target2 重复检索 | 全局 mAP (%) | NSS (跨机构) | 3.93 | 3.12 | 2.61 | 2.03 | 0.93 | 1.74 | 0.52 |
| cpg-compound 大规模检索 | kNN Recall@1 (%) | NR (基准) | 0.89 | 0.28 | 0.24 | 0.30 | 0.42 | 0.22 | 0.03 |
| cpg-compound 大规模检索 | 全局 mAP (%) | NR (基准) | 0.42 | 0.17 | 0.16 | 0.20 | 0.25 | 0.14 | 0.03 |
消融实验¶
特征后处理与归一化流程是影响表征相对性能的核心变量。作者系统消融了板级中心化缩放（CenterScale）、主成分降维（PCA）以及批次白化球化（Whitening/Sphering）对不同模型检索与富集性能的具体作用机制：
| 特征归一化配置 | CellProfiler (BBBC036 \(P_{\text{sig}}\)) | DINOv2 CLS (BBBC036 \(P_{\text{sig}}\)) | ResNet101 (BBBC036 \(P_{\text{sig}}\)) | 说明与核心效应分析 |
|---|---|---|---|---|
| 默认管线 (CenterScale + PCA 64维 + MAD) | 8.4% (cpg-tgt2 kNN: 25.38%) | 9.5% (cpg-tgt2 kNN: 20.33%) | 8.9% (cpg-tgt2 kNN: 18.92%) | 消除冗余共线性并对齐维度，在所有任务上展现最佳综合鲁棒性 |
| 移除 PCA 降维 (保持原始高维空间) | 10.1% (原始高维) | 9.1% | 8.9% | 原始高维让 CellProfiler 在富集召回上升，但缺乏去噪导致重复检索严重受损 |
| 移除 CenterScale (不进行板内中心缩放) | 显著劣化 (尺度悬殊导致主导) | 轻微下降 | 下降 | CellProfiler 包含物理量纲差异极大的人工指标，缺失缩放会导致大方差特征独占距离 |
| 追加批次白化/球化 (Batch-wise Whitening) | 下降 (高噪声下破坏生物几何) | 下降 | 下降 | 协方差白化在样本级近邻检索中过度惩罚与技术噪声缠绕的真实生物信号 |
关键发现¶
- 跨机构跨板位批次噪声造成灾难性性能衰减：在 cpg-MoA 机制富集中，当评测条件从无限制（NR）加严至跨机构（NSS）时，所有模型的显著样本检出率从 12%~14% 暴跌至 2.5%~3.7%，普遍低于 5% 的假发现率基准线，证明跨机构显微表型跨域迁移在现有模型下仍属未攻克难题；而在 cpg-target2 中，排除同板位（NSL）导致 kNN Recall 从 25% 剧烈塌缩至 5%，证实微孔板空间几何物理位置诱发的系统性伪影极为严重。
- 经典手工特征 CellProfiler 依然是最强通用表征：经过统一的 PCA 去冗余与稳健标准化后，CellProfiler 在 cpg-target2 与超大规模 30,138 种小分子化合物筛查（cpg-compound）的近邻检索 Recall 与 mAP 上大幅碾压所有深度学习模型，且在基因通路富集与机制富集中始终居于第一梯队。
- 自然图像大模型超越显微领域专用基础模型：未微调的冻结通用视觉大模型 DINOv2（ViT-B/14）在机制富集与通路关联任务中全线击败了在显微图像上专门自监督预训练的 OpenPhenom 和 SubCell，显微领域预训练并未自动带来更优的通用表型迁移能力。
- 模型间存在显著的生物学任务偏好与信号发现权衡：多模态化学对比学习模型 CLOOME 虽在机制富集与重复检索中表现平平，却在 CRISPR 基因通路富集（NR）中斩获最佳；同时，成对 Jaccard 相似度分析揭示，自然图像模型与手工特征显著检出的化合物集合存在大量不重叠的正交信号，单纯追求榜单总分会掩盖异构模型对特定机制形态敏感度的独特优势。
亮点与洞察¶
- 多维度真实批次阶梯评测：不同于以往合成噪声或局限于单一实验室内比对的基准，MorphoHELM 充分利用 JUMP-CPG 联盟在十余家跨国机构与百余批次间的真实冗余，首创 NSS 与 NSL 严格切片，直击表型组学高通量筛选落地应用的最大痛点。
- 统计学严谨纠偏机制：精准识别出老旧文献因直接填补除零溢出而导致优势比（OR）虚高 30 余倍的统计伪影，使用修正 Haldane-Anscombe 平滑与对数几何均值重构了评价基石，重塑了学界对微弱表型检索能力的客观认知。
- 打破深度模型盲目崇拜：用扎实且兼顾公平的消融证据证实，合理进行维度收缩与 MAD 稳健标准化的人工先验形态指标（CellProfiler），在最具挑战性的真实样本级重复检索中依然具备深度表征难以替代的稳定性。
局限与展望¶
- 单样本与共识表征的前处理不对称：机制与通路富集任务通过平均多孔表征生成共识特征，平滑了孔间随机噪声；而重复检索则必须在单个微孔表征上运行。作者承认目前简单的统一归一化管线可能无法彻底挖掘各深度模型定制化复杂后处理的潜能。
- 成像检测模态的局限性：当前基准仅严格围绕 Cell Painting 这一特定五通道多染料荧光显微平台构建，结论尚未推广至明场无标记成像（Label-free Imaging）、活细胞时序延时摄影及其他定制免疫荧光 Panel。
- 跨机构表型对齐算法亟待创新：各方法在 NSS 跨机构设置下性能跌破 5% 显著水平，指明未来的重点不应仅是扩大骨干网络参数，而亟需发展更先进的无监督域适应与生物-批次因果解耦算法。
相关工作与启发¶
- vs CHAMMI & RxRx1/WILDS: CHAMMI 与 RxRx1 侧重测试单批次或固定划分下的重复检索准确率，而 MorphoHELM 进一步涵盖了高阶生物语义（MoA 作用机制及蛋白质复合体/信号通路富集），并构建了四级单调加严的物理批次过滤阶梯。
- vs Moshkov et al. (Nature Communications 2024): Moshkov 等人提出原始 MoA OR 评估体系，但在处理小样本 MoA 除零时直接填补背景总数导致均值严重失真；MorphoHELM 采用修正 Haldane-Anscombe 平滑与几何均值消除了这一系统性偏差。
- vs Arevalo et al. (Nature Communications 2024): Arevalo 等人采用单细胞转录组的 Leiden ARI/NMI 聚类指标评估批次校正效果；MorphoHELM 揭示了在微孔重复样本极少而化合物达数万种时，该类聚类指标存在特征维度与相关结构敏感的伪影缺陷，转而确立了更为稳健的 mAP 检索基准。
评分¶
- 新颖性: ⭐⭐⭐⭐⭐ [首次系统统合三大显微生物学任务并确立四级物理批次效应递进评测体系，修正关键统计偏差]
- 实验充分度: ⭐⭐⭐⭐⭐ [横跨 11 家机构、十万级孔板数据集，涵盖 8 类代表性模型并提供深入的置换检验与后处理消融]
- 写作质量: ⭐⭐⭐⭐⭐ [问题拆解极其清晰严谨，从生物学痛点到统计学细节推演均具备极高说服力]
- 价值: ⭐⭐⭐⭐⭐ [开源了完整的评估工具套件与对齐数据，为显微表型人工智能研究确立了公允、扎实的新黄金标准]