DOI: https://doi.org/10.1038/s42003-025-09500-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41530519
تاريخ النشر: 2026-01-13
المؤلف: Maxime Sanchez وآخرون
الموضوع الرئيسي: طرق اكتشاف الأدوية الحاسوبية
نظرة عامة
يُنتقد قسم ورقة البحث هذه الطرق التقليدية المعتمدة على الهيكل لاختيار المركبات، والتي تفترض أن التشابه الكيميائي يرتبط بالنشاط البيولوجي. يحد هذا النهج من استكشاف الفضاء الكيميائي ويتجاهل المركبات المتنوعة وظيفيًا التي قد تؤدي إلى تأثيرات فينوتيبية مشابهة. لمعالجة هذه القيود، يقترح المؤلفون طريقة تعلم انتقالية بدون تدريب تستخدم التوصيف العميق للفينوتيب للخلايا البشرية، مما يمكّن من مقارنات قوية لتوقيعات الفينوتيب عبر مجموعة بيانات JUMP-CP، التي تشمل 112,480 مركبًا. تعزز هذه الطريقة بشكل فعال المركبات النشطة بيولوجيًا مع تقليل تأثيرات الدفعة وتسمح بتحليل شامل لعلاقات الهيكل والنشاط الفينوتيبي.
تكشف النتائج عن العديد من منحدرات نشاط المركبات، حيث يمكن أن تؤدي التغييرات الهيكلية الطفيفة إلى اختلافات فينوتيبية كبيرة، مما يبرز المحددات على مستوى الذرة للنشاط البيولوجي التي قد تفوتها النماذج التقليدية المعتمدة على الهيكل. كما تُظهر الدراسة أن المركبات المتنوعة هيكليًا يمكن أن تحفز إما فينوتيبات متقاربة أو متباينة ضمن نفس المسار البيولوجي، وتم التحقق من ذلك عبر مسارات ومركبات متعددة. لتسهيل الوصول الأوسع إلى هذه البيانات، يقدم المؤلفون Phenoseeker، أداة قائمة على الويب لاسترجاع المركبات ذات التوصيفات الفينوتيبية المماثلة. بشكل عام، تضع الأبحاث التوصيف الفينوتيبي كإطار تحويلي للتنقل في الفضاء الكيميائي، مما يعزز اكتشاف المركبات النشطة بيولوجيًا ويوضح آليات العمل الجديدة.
مقدمة
تسلط مقدمة ورقة البحث هذه الضوء على عودة اكتشاف الأدوية الفينوتيبية (PDD) كاستراتيجية قوية لتحديد عوامل علاجية جديدة، خاصة بالمقارنة مع الأساليب التقليدية المعتمدة على الأهداف. الطبيعة غير المرتبطة بالأهداف لـ PDD مفيدة لمعالجة الأمراض متعددة الجينات وتسمح بالتقييم المتزامن لعدة أهداف محتملة مع تصفية المركبات بناءً على معايير حاسمة مثل الذوبان والسمية. ومع ذلك، لا تزال هناك تحديات، بما في ذلك الحاجة إلى فك ارتباط الأهداف والصعوبة في التنبؤ بملاءمة مكتبات المركبات. لقد ظهرت تجربة Cell Painting، وهي تقنية تصوير متعددة، كأداة محورية في PDD، مما يمكّن من التقاط التغيرات الخلوية وتوفير رؤية شاملة لحالات الخلايا.
تناقش الورقة دمج تقنيات التعلم العميق لتعزيز تحليل بيانات تصوير الخلايا، مما يؤدي إلى تطوير أساليب جديدة للتنبؤ بالخصائص الجزيئية وآليات الأدوية. يركز البحث بشكل رئيسي على استراتيجية تعلم انتقالية بدون تدريب تسهل الاختيار المسبق الفعال للمركبات من مجموعات بيانات كبيرة، مثل مجموعة بيانات JUMP-CP التي تم تقديمها مؤخرًا، والتي تحتوي على صور لأكثر من 112,000 اضطراب مركب فريد. يقدم المؤلفون نتائجهم حول استراتيجية الترميز-التطبيع-التجميع الفعالة التي تمكّن من مقارنات قوية للتوصيفات الفينوتيبية عبر هذه المجموعة الواسعة من البيانات. تُظهر طريقتهم تقدمًا كبيرًا في التنقل في الفضاء الكيميائي وتكشف عن منحدرات النشاط التي غالبًا ما يتم تجاهلها من قبل طرق الاختيار التقليدية، مما يساعد في تسريع عمليات اكتشاف الأدوية. تم إنشاء موقع ويب سهل الاستخدام لتمكين الباحثين من الوصول بسهولة إلى المركبات المختارة مسبقًا التي من المحتمل أن تظهر الأنشطة البيولوجية المرغوبة.
طرق
في هذا القسم، يحدد المؤلفون الطرق المستخدمة لتقييم تقنيات التوصيف لاختيار المركبات النشطة بيولوجيًا، مع التركيز على المقاييس التي تتماشى مع أهدافهم في الترتيب والاسترجاع. استخدموا مقياس الدقة المتوسطة (mAP)، وهو مقياس معترف به على نطاق واسع في استرجاع المعلومات، والذي يقيس جودة العناصر المسترجعة من خلال حساب متوسط درجات الدقة (AP) عبر استفسارات متعددة. يتم حساب AP لاستفسار معين من خلال حساب متوسط قيم الدقة عند الرتب التي تظهر فيها العناصر ذات الصلة، والتي تُعرف رياضيًا على النحو التالي:
\[
AP = \frac{1}{R} \sum_{k=1}^{n_{\text{well}}} P(k) \cdot I\{ \text{label } k = \text{label query} \}
\]
حيث يمثل \(P(k)\) الدقة عند الرتبة \(k\)، و\(R\) هو العدد الإجمالي للتوصيفات ذات الصلة، و\(I\{.\}\) هي دالة المؤشر.
لتقييم تقليل تأثير الدفعة، تم حساب mAP باستخدام التوصيفات الفينوتيبية من آبار التحكم السلبية (DMSO) والإيجابية، بينما تم تقييم الحفاظ على الإشارات البيولوجية باستخدام التحكم الإيجابي فقط. لاحظ المؤلفون تباينًا كبيرًا في التأثيرات الفينوتيبية للثمانية تحكمات إيجابية، مما ساهم في الاختلافات الملحوظة في قيم mAP، مع متوسط mAP حوالي 0.5 لأفضل النماذج. من أجل الكفاءة الحاسوبية، اختبروا في البداية أكثر من 5,000 مجموعة من طرق التطبيع على مجموعة فرعية من خمس لوحات لكل مختبر، تلاها تقييم أكثر شمولاً لأفضل 100 مجموعة عبر حوالي 600 لوحة من مجموعة بيانات JUMP-CP، مع ضمان تمثيل متنوع عبر دفعات تجريبية ومختبرات. تم إجراء هذا التقييم لكل مستخرج ميزات تم استخدامه في الدراسة.
نتائج
في هذا القسم، يقدم المؤلفون منهجية شاملة لبناء التوصيفات الفينوتيبية التي تعزز الإشارة البيولوجية مع تقليل تأثيرات الدفعة ضمن مجموعة بيانات JUMP-CP. لقد طوروا خط معالجة مرن يتضمن تقنيات ترميز وتجميع وتطبيع متنوعة، مع معالجة غياب نهج موحد لمجموعة البيانات. يبدأ الخط باستخراج متجهات الميزات من الصور متعددة القنوات، باستخدام كل من الطرق اليدوية ومشفرات التعلم العميق، مثل DINOv2، التي تفوقت على الطرق الأخرى من حيث فعالية الترميز.
لتخفيف تأثيرات الدفعة، استخدم المؤلفون استراتيجية تطبيع تضمنت تركيب مصفوفة تبييض على آبار التحكم السلبية DMSO وتطبيق تحويل عكسي لضمان توزيع طبيعي للميزات عبر الألواح. تضمنت مقاييس التقييم الخاصة بهم الدقة المتوسطة (mAP) لكل من الحفاظ على الإشارة البيولوجية وإزالة تأثير الدفعة. من خلال استكشاف شامل لأكثر من 5000 مجموعة معالجة، حددوا خطوات مثالية تقلل بشكل كبير من تكتل الدفعات وتعزز قابلية المقارنة للتوصيفات الفينوتيبية عبر ظروف تجريبية مختلفة. تشير النتائج إلى أن المنهجية المنقحة تسمح بمقارنات فعالة للعينات من أصول متنوعة، مما يسهل استخدام مكتبة المركبات JUMP-CP لتطبيقات البحث المستقبلية.
مناقشة
في هذا القسم، يناقش المؤلفون طريقة جديدة لاختيار المركبات تستفيد من التوصيفات الفينوتيبية لـ Cell Painting لتعزيز إنتاجية المركبات النشطة بيولوجيًا. من خلال استخدام التشابه الكوني لمقارنة التوصيفات الفينوتيبية لـ 112,480 مركبًا من مجموعة بيانات JUMP-CP مقابل تحكم إيجابي معروف لتحفيز نشاط بيولوجي مرغوب، تتيح الطريقة اختيارًا فعالًا دون الحاجة إلى تدريب التعلم الآلي. أظهرت التحقق عبر 65 تجربة عالية الإنتاجية أن اختيار أعلى 5% من المركبات ذات التشابه الفينوتيبي الأعلى يتفوق باستمرار أو يتطابق مع معدلات الضرب الأصلية، حتى في السيناريوهات المتشائمة التي تأخذ في الاعتبار الإيجابيات الكاذبة. لا يحسن هذا النهج فقط من إثراء الضربات ولكنه أيضًا يوسع التنوع الكيميائي للمركبات المختارة، كاشفًا عن منحدرات النشاط حيث تظهر المركبات المتشابهة هيكليًا أنشطة بيولوجية متميزة.
يؤكد المؤلفون أيضًا على أهمية نتائجهم، مشيرين إلى أن طريقتهم تسهل تحديد المركبات ذات الهياكل الكيميائية المختلفة التي تنتج استجابات فينوتيبية مشابهة، مما يوسع الفضاء الكيميائي المستكشف في اكتشاف الأدوية. كما يبرزون تحديد “منحدرات النشاط”، حيث تؤدي التغييرات الهيكلية الطفيفة إلى اختلافات كبيرة في النشاط البيولوجي، مما يبرز قيود طرق QSAR التقليدية. بالإضافة إلى ذلك، توضح الدراسة أن المركبات التي تستهدف نفس مسارات الإشارة يمكن أن تحفز كل من التوصيفات الفينوتيبية المتشابهة والمعاكسة، مما يشير إلى أن كل من التشابه الفينوتيبي والاختلاف هما مقاييس قيمة لاختيار المركبات النشطة بيولوجيًا. بشكل عام، تمثل الطريقة المقترحة تقدمًا كبيرًا في استراتيجيات اختيار المركبات، مما يعزز الإمكانية لاكتشاف مركبات جديدة نشطة بيولوجيًا مع معالجة قيود الأساليب المعتمدة على الهيكل.
DOI: https://doi.org/10.1038/s42003-025-09500-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41530519
Publication Date: 2026-01-13
Author(s): Maxime Sanchez et al.
Primary Topic: Computational Drug Discovery Methods
Overview
The research paper section critiques traditional structure-based pre-screening methods for compound selection, which assume that chemical similarity correlates with biological activity. This approach limits the exploration of chemical space and overlooks functionally diverse compounds that may yield similar phenotypic effects. To address these limitations, the authors propose a training-free, transfer learning method that utilizes deep phenotypic profiling of human cells, enabling robust comparisons of phenotypic signatures across the JUMP-CP dataset, which includes 112,480 compounds. This method effectively enriches for biologically active compounds while minimizing batch effects and allows for a comprehensive analysis of structure-phenotypic activity relationships.
The findings reveal numerous compound activity cliffs, where minor structural changes can lead to significant phenotypic variations, highlighting atom-level determinants of bioactivity that traditional structure-based models may miss. The study also demonstrates that structurally diverse compounds can induce either convergent or divergent phenotypes within the same biological pathway, validated across multiple pathways and compounds. To facilitate broader access to this data, the authors introduce Phenoseeker, a web-based tool for retrieving compounds with similar phenotypic profiles. Overall, the research positions phenotypic profiling as a transformative framework for navigating chemical space, enhancing the discovery of bioactive compounds and elucidating novel mechanisms of action.
Introduction
The introduction of this research paper highlights the resurgence of phenotypic drug discovery (PDD) as a robust strategy for identifying novel therapeutic agents, particularly in contrast to traditional target-based approaches. PDD’s target-agnostic nature is advantageous for addressing polygenic diseases and allows for the simultaneous assessment of multiple potential targets while filtering compounds based on critical criteria such as solubility and toxicity. However, challenges remain, including the need for target deconvolution and the difficulty in predicting the relevance of compound libraries. The Cell Painting assay, a multiplexed imaging technique, has emerged as a pivotal tool in PDD, enabling the capture of cellular changes and providing a comprehensive view of cell states.
The paper discusses the integration of deep learning techniques to enhance the analysis of cell imaging data, leading to the development of novel approaches for predicting molecular properties and drug mechanisms. A key focus is on a training-free transfer learning strategy that facilitates efficient compound preselection from large datasets, such as the recently introduced JUMP-CP dataset, which contains images of over 112,000 unique compound perturbations. The authors present their findings on an effective encoding-normalization-aggregation strategy that enables robust comparisons of phenotypic profiles across this extensive dataset. Their method demonstrates significant advancements in navigating chemical space and reveals activity cliffs often overlooked by traditional selection methods, ultimately aiding in the acceleration of drug discovery processes. A user-friendly website has been created to allow researchers to easily access preselected compounds likely to exhibit desired bioactivities.
Methods
In this section, the authors outline the methods used to evaluate profiling techniques for bioactive compound selection, focusing on metrics that align with their objectives of ranking and retrieval. They employed the mean average precision (mAP) metric, a widely recognized measure in information retrieval, which quantifies the quality of retrieved items by averaging the average precision (AP) scores across multiple queries. The AP for a specific query is calculated by averaging precision values at ranks where relevant items appear, defined mathematically as:
\[
AP = \frac{1}{R} \sum_{k=1}^{n_{\text{well}}} P(k) \cdot I\{ \text{label } k = \text{label query} \}
\]
where \(P(k)\) represents the precision at rank \(k\), \(R\) is the total number of relevant profiles, and \(I\{.\}\) is an indicator function.
To assess batch effect reduction, mAP was computed using phenotypic profiles from both negative (DMSO) and positive control wells, while the preservation of biological signals was evaluated using only positive controls. The authors noted significant variability in the phenotypic impacts of the eight positive controls, which contributed to the observed differences in mAP values, with an average mAP around 0.5 for the best models. For computational efficiency, they initially tested over 5,000 normalization method combinations on a subset of five plates per laboratory, followed by a more extensive evaluation of the top 100 combinations across approximately 600 plates from the JUMP-CP dataset, ensuring diverse representation across experimental batches and laboratories. This evaluation was conducted for each feature extractor used in the study.
Results
In this section, the authors present a comprehensive methodology for constructing phenotypic profiles that enhance biological signal while minimizing batch effects within the JUMP-CP dataset. They developed a flexible processing pipeline that incorporates various encoding, aggregation, and normalization techniques, addressing the absence of a standardized approach for the dataset. The pipeline begins with the extraction of feature vectors from multi-channel images, utilizing both hand-crafted methods and deep-learning encoders, such as DINOv2, which outperformed other methods in terms of encoding efficacy.
To mitigate batch effects, the authors employed a normalization strategy that involved fitting a whitening matrix to DMSO negative control wells and applying an inverse normal transformation to ensure normal distribution of features across plates. Their evaluation metrics included mean average precision (mAP) for both biological signal preservation and batch effect removal. Through an extensive exploration of over 5000 processing combinations, they identified optimal steps that significantly reduced batch clustering and enhanced the comparability of phenotypic profiles across different experimental conditions. The results indicate that the refined methodology allows for effective comparisons of samples from diverse origins, thereby facilitating the utilization of the JUMP-CP compound library for future research applications.
Discussion
In this section, the authors discuss a novel compound selection method leveraging Cell Painting phenotypic profiles to enhance the yield of bioactive compounds. By employing cosine similarity to compare the phenotypic profiles of 112,480 compounds from the JUMP-CP dataset against a positive control known to induce a desired bioactivity, the method allows for efficient selection without the need for machine learning training. Validation across 65 high-throughput assays demonstrated that selecting the top 5% of compounds with the highest phenotypic similarity consistently outperformed or matched the original hit rates, even under pessimistic scenarios accounting for false positives. This approach not only improves hit enrichment but also expands the chemical diversity of selected compounds, revealing activity cliffs where structurally similar compounds exhibit distinct biological activities.
The authors further emphasize the significance of their findings, noting that their method facilitates the identification of compounds with different chemical scaffolds that produce similar phenotypic responses, thereby broadening the chemical space explored in drug discovery. They also highlight the identification of “activity cliffs,” where minor structural changes lead to significant variations in biological activity, underscoring the limitations of traditional QSAR methods. Additionally, the study illustrates that compounds targeting the same signaling pathways can induce both similar and opposite phenotypic profiles, suggesting that both phenotypic similarity and dissimilarity are valuable metrics for selecting bioactive compounds. Overall, the proposed method represents a significant advancement in compound selection strategies, enhancing the potential for discovering novel bioactive compounds while addressing the limitations of structure-based approaches.