通过自监督学习推进形态学分析：细胞扰动表征学习的比较性洞见
Advancing morphological profiling with self-supervised learning through comparative insights into representation learning of cellular perturbations
系统比较对比式、生成式与混合自监督学习在JUMP–CP细胞 Painting 数据上的表征效果。
自监督学习（SSL）能够构建可扩展、无需标签的基础模型（FMs），这些模型可直接从图像中学习与任务无关的表征，从而绕过经典形态学分析中固有的细胞分割和特征工程步骤。我们对用于基于图像的表型分析的 SSL 基础模型进行了大规模评估，涵盖对比式（DINO）、掩码式生成（MAE、iTPN）和混合式（DINOv2）学习机制，并在形态学分析联合计划–细胞绘画（JUMP–CP）数据集中所有未标注的化学扰动上进行了预训练（119,876 种化合物，约 177 万张图像，7 个实验室）。在此我们表明，表现最佳的 SSL 模型在留出的 JUMP–Target2 集（302 种有标注化合物，P ≤ 0.001）上的化合物重复检索任务中优于 CellProfiler。DINO 和 DINOv2 在不同扰动和细胞类型间均具有泛化能力，在 EU-OPENSCREEN Bioactives（2,464 种化合物）上的作用机制检索中，其位点平均平均精度较 CellProfiler 提升 31–37%，并在所有基准测试中持续优于基于掩码的模型。本研究对推进形态学分析的 SSL 方法进行了系统评估，并提供预训练基础模型以加速药物发现。
中文由 AI 翻译，仅供参考，以原文为准。
来源：Nature Methods · nature.com