弱监督 Set-Consistency 学习提高单细胞图像的形态学轮廓
计算机视觉与模式识别
2024-06-11 v1
摘要
光学池化筛选（OPS）是一种强大的工具，结合了高内容显微镜和基因工程，用于探究疾病中的基因功能。对高内容图像的表征仍是活跃的研究领域，正在通过应用自监督学习和视觉变换器进行快速创新。在本研究中，我们提出了一种集合级一致性学习算法 Set-DINO，将自监督学习与弱监督学习结合，用于提高单细胞图像中扰动效应的学习表示。我们的方法利用 OPS 实验的复制结构（即同一基因扰动的细胞，既在同一批次中，也在跨批次中）作为一种形式的弱监督。我们在拥有超过 5000 个基因扰动的大规模 OPS 数据集上进行了广泛实验，并证明 Set-DINO 有助于减轻混杂因素的影响，编码更多生物学上有意义的信息。特别是，Set-DINO 在从医学形态轮廓中召回已知生物学关系方面的准确率高于常用方法，表明它可以从利用 OPS 进行药物靶点发现活动中生成更可靠的见解。
引用
@article{arxiv.2406.05308,
title = {Weakly Supervised Set-Consistency Learning Improves Morphological Profiling of Single-Cell Images},
author = {Heming Yao and Phil Hanslovsky and Jan-Christian Huetter and Burkhard Hoeckendorf and David Richmond},
journal= {arXiv preprint arXiv:2406.05308},
year = {2024}
}