CellCLIP——通过文本引导的对比学习学习细胞画印中的扰动效应
机器学习
2025-09-25 v3 人工智能
计算机视觉与模式识别
摘要
基于高通量显微镜技术如细胞画印（Cell Painting）的高内容筛选（HCS）已实现对细胞对扰动形态响应的前所未有的规模探索。收集此类数据有望促进更好地理解不同扰动及其对细胞状态影响之间的关系。为实现这一目标，最近的跨模态对比学习理论上可被借用来学习统一的潜在空间，将扰动与其相应的形态效应对齐。然而，将此类方法应用于HCS数据并不直接，因为细胞画印图像的语义与自然图像存在显著差异，且难以在单一潜在空间中表示不同扰动类别（如小分子 vs CRISPR基因敲除）。为此，我们提出CellCLIP，一种用于HCS数据的跨模态对比学习框架。CellCLIP利用预训练图像编码器搭配新颖的通道编码方案，以更好地捕获不同显微镜通道在图像嵌入中的关系，同时使用自然语言编码器来表示扰动。我们的框架在当前开源模型中表现最佳，在跨模态检索和生物学有意义的下游任务中均实现最佳性能，同时显著减少计算时间。
引用
@article{arxiv.2506.06290,
title = {CellCLIP -- Learning Perturbation Effects in Cell Painting via Text-Guided Contrastive Learning},
author = {Mingyu Lu and Ethan Weinberger and Chanwoo Kim and Su-In Lee},
journal= {arXiv preprint arXiv:2506.06290},
year = {2025}
}