整合生物学知识以提高面向全新细胞系的显微镜图像分析鲁棒性
计算机视觉与模式识别
2025-07-16 v1
摘要
高通量筛选技术，如对细胞对基因和化学扰动的显微镜成像，在药物发现和生物医学研究中发挥着关键作用。然而，针对 \textit{de novo} 细胞系的鲁棒扰动筛选仍具有挑战，因为不同细胞系之间存在显著的形态和生物学异质性。为此，我们提出了一种新框架，将外部生物学知识整合到现有预训练策略中，以增强显微镜图像分析模型。我们的 метод明确地利用外部生物学信息解耦扰动特异性和细胞系特异性表征。具体而言，我们利用来自 STRING 和 Hetionet 数据库的蛋白质相互作用数据构建知识图谱，以指导模型在预训练期间聚焦于扰动特异性特征。此外，我们整合来自单细胞基础模型的转录组特征，以捕获细胞系特异性表征。通过学习这些解耦特征，我们的方法提高了针对 \textit{de novo} 细胞系的图像模型的泛化能力。在 RxRx 数据库上进行评估，通过在 RxRx1 细胞系上进行一次性微调和在来自 RxRx19a 数据集的细胞系上进行少样本微调。实验结果表明，我们的方法增强了 \textit{de novo} 细胞系的显微镜图像分析，凸显了其在现实世界基于表型的药物发现应用中的有效性。
引用
@article{arxiv.2507.10737,
title = {Integrating Biological Knowledge for Robust Microscopy Image Profiling on De Novo Cell Lines},
author = {Jiayuan Chen and Thai-Hoang Pham and Yuanlong Wang and Ping Zhang},
journal= {arXiv preprint arXiv:2507.10737},
year = {2025}
}
备注
ICCV 2025