自监督模型评测：形态学检索优于CellProfiler

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模型进行了大规模评测，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）。在 EU-OPENSCREEN Bioactives（2,464 个化合物）上，DINO 和 DINOv2 在作用机制检索的位点平均平均精度上比 CellProfiler 高 31–37%。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。