PhenoProfiler：用于图像药物发现的表型学习
机器学习
2025-02-28 v1 计算机视觉与模式识别
图像与视频处理
摘要
在图像药物发现领域，捕获细胞对各种药物处理和扰动的表型响应是一个关键步骤。然而，现有方法需要计算密集且复杂的多步骤程序，这会引入效率低下、可通用性受限和潜在错误等问题。为解决这些挑战，我们提出 PhenoProfiler，一种创新的模型，用于高效、有效地提取形态学表示，从而阐明由处理引起的表型变化。PhenoProfiler 设计为一个端到端工具，直接将 whole-slide 多通道图像处理为低维定量表示，消除了现有方法所需的繁冗计算步骤。它还包括多目标学习模块，以增强形态学表示学习的鲁棒性、准确性和通用性。PhenoProfiler 在大规模公开数据集上进行了严格评估，其中包括超过 23 万张 whole-slide 多通道图像的端到端场景以及超过 842 万张单细胞图像的非端到端场景。在这些基准测试中，PhenoProfiler 均以显著优于最先进方法的 20% 性能，在准确性和鲁棒性方面实现了 substantial 改进。此外，PhenoProfiler 使用量身定制的表型纠正策略，以强调处理下的相对表型变化，促进生物学有意义信号的检测。 treatment profiles 的 UMAP 可视化表明 PhenoProfiler 能够有效地将具有相似生物注释的 treatment 进行聚类，从而增强可解释性。这些发现将 PhenoProfiler 确立为一个可扩展、通用且稳健的表型学习工具。
引用
@article{arxiv.2502.19568,
title = {PhenoProfiler: Advancing Phenotypic Learning for Image-based Drug Discovery},
author = {Bo Li and Bob Zhang and Chengyang Zhang and Minghao Zhou and Weiliang Huang and Shihang Wang and Qing Wang and Mengran Li and Yong Zhang and Qianqian Song},
journal= {arXiv preprint arXiv:2502.19568},
year = {2025}
}