基于交叉孔对齐掩码孪生网络的高效细胞绘画图像表示学习
计算机视觉与模式识别
2025-09-25 v1
摘要
预测细胞对化学和遗传扰动的表型响应的计算模型可以通过优先排序治疗假设和减少昂贵的湿实验迭代来加速药物发现。然而，提取具有生物学意义且对批次效应鲁棒的细胞绘画表示仍然具有挑战性。传统的自监督和对比学习方法通常需要大规模模型和/或大量精心策划的数据，仍然难以应对批次效应。我们提出了交叉孔对齐掩码孪生网络（Cross-Well Aligned Masked Siamese Network, CWA-MSN），这是一种新颖的表示学习框架，将同一扰动下不同孔中的细胞嵌入进行对齐，在存在批次效应的情况下强制语义一致性。该对齐集成到掩码孪生架构中，产生的特征在捕获细粒度形态的同时保持数据和参数高效。例如，在基因-基因关系检索基准测试中，CWA-MSN 优于现有的公开自监督方法（OpenPhenom）和对比学习方法（CellCLIP），分别将基准分数提升了 +29% 和 +9%，同时训练数据量显著更少（例如 CWA-MSN 使用 0.2M 张图像，而 OpenPhenom 使用 2.2M 张）或模型规模更小（例如 CWA-MSN 为 22M 参数，而 CellCLIP 为 1.48B 参数）。大量实验证明 CWA-MSN 是一种简单有效的细胞图像表示学习方法，能够在有限的数据和参数预算下实现高效表型建模。
引用
@article{arxiv.2509.19896,
title = {Efficient Cell Painting Image Representation Learning via Cross-Well Aligned Masked Siamese Network},
author = {Pin-Jui Huang and Yu-Hsuan Liao and SooHeon Kim and NoSeong Park and JongBae Park and DongMyung Shin},
journal= {arXiv preprint arXiv:2509.19896},
year = {2025}
}
备注
9 pages, 3 figures, reference 4 pages