研究评估自监督基础模型,DINO 系列在细胞扰动形态学 profiling 检索中优于 CellProfiler
Advancing morphological profiling with self-supervised learning through comparative insights into representation learning of cellular perturbations
研究团队在 JUMP–CP 的 119,876 个化合物、约 177 万张图像和 7 个实验室数据上预训练自监督基础模型,评估其在无需细胞分割和特征工程的情况下进行细胞扰动形态学 profiling 的表现。
在约177万张细胞图像上对比三类自监督模型与CellProfiler,读者可据此了解无标注形态学 profiling 的模型选择依据。
已发表论文 · journal · 10.1038/s41592-026-03270-z
本站摘要基于收录版本 v1(2026-10-29),原始摘要与 AI 导读固定保留。
IF(5) 52.5 · 2025 · 期刊参考指标
自监督学习(SSL)能够构建可扩展、无需标注的基础模型(FM),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环节。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,涵盖对比学习(DINO)、基于掩码的生成式学习(MAE、iTPN)以及混合学习机制(DINOv2),这些模型均使用形态学分析–Cell Painting 联合项目(JUMP–CP)数据集中的全部未标注化学扰动进行预训练(119,876 种化合物、约 177 万张图像、7 个实验室)。我们的结果表明,表现最优的 SSL 模型在留出的 JUMP–Target2 集合(302 种已标注化合物,P ≤ 0.001)上的化合物-重复检索任务中优于 CellProfiler。DINO 和 DINOv2 在多种扰动和细胞类型上均表现出良好的泛化能力,在 EU-OPENSCREEN Bioactives(2,464 种化合物)上的作用机制检索任务中,其位点平均精度均值较 CellProfiler 提升了 31–37%,并在所有基准测试中始终优于基于掩码的模型。本研究为推进形态学分析的 SSL 方法提供了系统性评估,并提供了预训练基础模型以加速药物发现。
来源:Nature Methods · doi.org