锚定示例以训练混合专家细胞嵌入
机器学习
2021-12-07 v1
摘要
分析显微镜图像中细胞的形态可为化合物机制或基因功能提供见解。解决该任务所需的方法不仅能从图像中提取生物信息，还要忽略技术变异，即实验流程的变化或用于采集显微镜图像的仪器间的差异。我们提出 Treatment ExemplArs with Mixture-of-experts（TEAMs），一种嵌入学习方法，其学习一组专门捕捉训练集中技术变异的专家，并在测试时聚合专家预测。因此，TEAMs 可通过最小化来自各专家噪声的方式，学习具有较小技术变异偏置的强大嵌入。为训练模型，我们利用 Treatment Exemplars，使我们的方法能在每个 minibatch 中捕获整个数据集的分布，同时仍适配 GPU 内存。我们在三个数据集上评估该方法，用于药物发现等任务，相较最先进水平（SOTA）在识别细胞处理的真实作用机制上提升 5.5–11%。
引用
@article{arxiv.2112.03208,
title = {Anchoring to Exemplars for Training Mixture-of-Expert Cell Embeddings},
author = {Siqi Wang and Manyuan Lu and Nikita Moshkov and Juan C. Caicedo and Bryan A. Plummer},
journal= {arXiv preprint arXiv:2112.03208},
year = {2021}
}