論文の概要: Causal integration of chemical structures improves representations of microscopy images for morphological profiling
- arxiv url: http://arxiv.org/abs/2504.09544v2
- Date: Wed, 16 Apr 2025 19:03:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-18 10:52:36.729610
- Title: Causal integration of chemical structures improves representations of microscopy images for morphological profiling
- Title（参考訳）: 化学構造の因果結合は形態的プロファイリングのための顕微鏡像の表現を改善する
- Authors: Yemin Yu, Neil Tenenholtz, Lester Mackey, Ying Wei, David Alvarez-Melis, Ava P. Amini, Alex X. Lu,
- Abstract要約: そこで我々は, 化学化合物を細胞表現型の非現実的変換を誘導する処理としてモデル化する表現学習フレームワークMICONを紹介する。
化学物質情報を学習プロセスに組み込むことによって,評価設定の一貫性が向上することが実証された。
本研究は, 形態素プロファイリングにおける表現学習の新たな方向を示唆し, 顕微鏡スクリーニングデータのマルチモーダルな性質を明示的に考慮すべきであることを示唆した。
- 参考スコア（独自算出の注目度）: 25.027684911103897
- License:
- Abstract: Recent advances in self-supervised deep learning have improved our ability to quantify cellular morphological changes in high-throughput microscopy screens, a process known as morphological profiling. However, most current methods only learn from images, despite many screens being inherently multimodal, as they involve both a chemical or genetic perturbation as well as an image-based readout. We hypothesized that incorporating chemical compound structure during self-supervised pre-training could improve learned representations of images in high-throughput microscopy screens. We introduce a representation learning framework, MICON (Molecular-Image Contrastive Learning), that models chemical compounds as treatments that induce counterfactual transformations of cell phenotypes. MICON significantly outperforms classical hand-crafted features such as CellProfiler and existing deep-learning-based representation learning methods in challenging evaluation settings where models must identify reproducible effects of drugs across independent replicates and data-generating centers. We demonstrate that incorporating chemical compound information into the learning process provides consistent improvements in our evaluation setting and that modeling compounds specifically as treatments in a causal framework outperforms approaches that directly align images and compounds in a single representation space. Our findings point to a new direction for representation learning in morphological profiling, suggesting that methods should explicitly account for the multimodal nature of microscopy screening data.
- Abstract（参考訳）: 近年の自己教師型深層学習の進歩により、高出力顕微鏡スクリーンにおける細胞形態変化の定量化能力が向上した。
しかし、現在のほとんどの方法は、多くのスクリーンが本質的にマルチモーダルであるにもかかわらず、画像からのみ学習する。
我々は、自己教師付き事前学習中に化学物質構造を組み込むことで、高出力顕微鏡スクリーンにおける画像の学習表現を改善することができると仮定した。
分子画像コントラスト学習(MICON)という表現学習フレームワークを導入し,化学化合物を細胞表現型の反事実変換を誘導する治療としてモデル化する。
MICONは、CellProfilerや既存のディープラーニングベースの表現学習手法のような古典的な手作りの機能を、モデルが独立した複製やデータ生成センタをまたいで再現可能な効果を識別しなければならない評価設定において、大きく上回っている。
本研究では, 化学物質情報を学習プロセスに組み込むことにより, 評価条件の整合性の向上と, 因果的枠組みにおける治療としての化合物のモデリングが, 画像や化合物を直接表現空間に配置するアプローチよりも優れていることを示す。
本研究は, 形態素プロファイリングにおける表現学習の新たな方向を示唆し, 顕微鏡スクリーニングデータのマルチモーダルな性質を明示的に考慮すべきであることを示唆した。
関連論文リスト
- ViTally Consistent: Scaling Biological Representation Learning for Cell Microscopy [3.432992120614117]
細胞顕微鏡データの基盤モデルとしては,これまでで最大である。
従来のViT-L/8 MAEと比較して, 遺伝的摂動の線形分離性は60%向上した。
論文 参考訳（メタデータ） (2024-11-04T20:09:51Z) - Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。
この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
論文 参考訳（メタデータ） (2024-11-03T01:56:15Z) - Weakly Supervised Set-Consistency Learning Improves Morphological Profiling of Single-Cell Images [0.6491172192043603]
単一セル画像における摂動効果の学習表現を改善するために,設定レベルの整合性学習アルゴリズムset-DINOを提案する。
5000以上の遺伝的摂動を伴う大規模光ポーリングスクリーニングデータセットの実験を行った。
論文 参考訳（メタデータ） (2024-06-08T00:53:30Z) - Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。
本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。
心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
論文 参考訳（メタデータ） (2024-01-04T08:46:39Z) - Morphological Profiling for Drug Discovery in the Era of Deep Learning [13.307277432389496]
形態素プロファイリングの分野における最近の進歩を概観する。
このパイプラインでは、ディープラーニングの適用に特に重点を置いています。
論文 参考訳（メタデータ） (2023-12-13T05:08:32Z) - Bridging Synthetic and Real Images: a Transferable and Multiple
Consistency aided Fundus Image Enhancement Framework [61.74188977009786]
画像強調とドメイン適応を同時に行うために,エンドツーエンドの教師支援フレームワークを提案する。
また,教師ネットワークと学生ネットワークのバックボーンとして,マルチステージ型マルチアテンション・ガイド・エンハンスメント・ネットワーク(MAGE-Net)を提案する。
論文 参考訳（メタデータ） (2023-02-23T06:16:15Z) - Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。
私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
論文 参考訳（メタデータ） (2022-10-24T14:37:09Z) - Learning multi-scale functional representations of proteins from
single-cell microscopy data [77.34726150561087]
局所化分類に基づいて訓練された単純な畳み込みネットワークは、多様な機能情報をカプセル化したタンパク質表現を学習できることを示す。
また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。
論文 参考訳（メタデータ） (2022-05-24T00:00:07Z) - Deep Low-Shot Learning for Biological Image Classification and
Visualization from Limited Training Samples [52.549928980694695]
In situ hybridization (ISH) gene expression pattern image from the same developmental stage。
正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。
限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-20T06:06:06Z) - Improved Conditional Flow Models for Molecule to Image Synthesis [37.886816307827196]
Mol2Imageは、分子から細胞への画像合成のためのフローベース生成モデルである。
セル特徴を異なる解像度で生成し,高解像度画像にスケールするために,我々は新しいマルチスケールフローアーキテクチャを開発した。
生成した画像と分子介入の相互情報を最大化するために,コントラスト学習に基づくトレーニング戦略を考案した。
論文 参考訳（メタデータ） (2020-06-15T16:39:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。