自監督學習用於細胞形態分析

傳統方法局限

傳統細胞形態分析依賴細胞分割與人工設計的形態特徵，既增加數據處理的複雜度，亦容易受實驗批次、成像條件及細胞類型差異影響，限制了大規模藥物篩選應用的一致性與可擴展性。

四種模型比較

研究系統比較四種代表性自監督學習模型：基於自蒸餾學習的 DINO、基於掩碼重建的 MAE 與 iTPN，以及融合兩類機制的 DINOv2。此類方法可直接從大量未標註圖像學習通用表徵，無需人工標籤即可刻畫細胞形態差異。

數據規模與意義

研究採用 JUMP–Cell Painting 數據集，涵蓋來自 7 個實驗室的 119,876 種化合物及大量細胞圖像，評估各模型的表徵學習能力。團隊指出，自監督學習為構建可擴展的細胞形態基礎模型提供新途徑，有助推動藥物發現與作用機制研究。