DynaCLR：基于时间正则化的细胞动态对比学习方法
计算机视觉与模式识别
2025-07-02 v2 定量方法
摘要
我们报告了 DynaCLR，这是一种用于嵌入细胞和细胞器动态的自监督方法，通过对时间序列图像的表征进行对比学习。DynaCLR 集成了单细胞跟踪和时间感知的对比采样，以学习稳健的、具有时间正则化的细胞动态表征。DynaCLR 的嵌入在分布内和分布外数据集上都能有效推广，可用于多个稀疏人工注释的下游任务。我们演示了使用荧光和无标签成像通道进行细胞状态高效注释的能力。DynaCLR 方法支持多样化的生物学分析：细胞分裂和感染的分类、异质细胞迁移模式的聚类、从荧光到无标签通道的细胞状态跨模态蒸馏、异步细胞反应和断裂细胞轨迹的对齐，以及发现感染导致的细胞器反应。DynaCLR 是一种灵活的方法，用于比较动态细胞反应对药理、微生物和遗传扰动的响应。我们提供基于 PyTorch 的模型训练和推理管道实现（https://github.com/mehta-lab/viscy），以及用于实时空间和嵌入空间中细胞轨迹可视化和注释的 GUI（https://github.com/czbiohub-sf/napari-iohub）。
引用
@article{arxiv.2410.11281,
title = {DynaCLR: Contrastive Learning of Cellular Dynamics with Temporal Regularization},
author = {Eduardo Hirata-Miyasaki and Soorya Pradeep and Ziwen Liu and Alishba Imran and Taylla Milena Theodoro and Ivan E. Ivanov and Sudip Khadka and See-Chi Lee and Michelle Grunberg and Hunter Woosley and Madhura Bhave and Carolina Arias and Shalin B. Mehta},
journal= {arXiv preprint arXiv:2410.11281},
year = {2025}
}
备注
30 pages, 6 figures, 13 appendix figures, 5 videos (ancillary files)