Nature Methods·· 13 小时前精选AI 评分72
研究系统评测自监督学习模型在细胞形态学表型分析中的表现
Advancing morphological profiling with self-supervised learning through comparative insights into representation learning of cellular perturbations
AI 导读
一项发表于 Nature Methods 的研究对高内涵形态学表型分析中的自监督学习方法进行了大规模评测，覆盖对比学习（DINO）、掩码生成式（MAE、iTPN）和混合式（DINOv2）三类机制。模型在 JUMP–CP 数据集中全部未注释化学扰动上预训练，规模为 119,876 个化合物、约 177 万张图像、7 个实验室。在留出的 JUMP–Target2 集（302 个注释化合物）上，表现最好的自监督模型在化合物重复检索上优于 CellProfiler（P ≤ 0.001）。
阅读原文
来源：Nature Methods · doi.org
推荐理由
在 JUMP–CP 百万级图像上系统比较三类自监督模型，为形态学表型分析选型提供可参照的基准。