論文の概要: CellPainTR: Generalizable Representation Learning for Cross-Dataset Cell Painting Analysis

• arxiv url: http://arxiv.org/abs/2509.06986v1
• Date: Tue, 02 Sep 2025 03:30:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:26.999999
• Title: CellPainTR: Generalizable Representation Learning for Cross-Dataset Cell Painting Analysis
• Title（参考訳）: CellPainTR: クロスデータセットセルペイント解析のための一般化可能な表現学習
• Authors: Cedric Caruzzo, Jong Chul Ye,
• Abstract要約: 本稿では,細胞形態の基本的な表現を学習するためのトランスフォーマーベースのアーキテクチャであるCellPainTRを紹介する。 私たちの研究は、画像ベースのプロファイリングのための真の基盤モデルを作成するための重要なステップであり、より信頼性が高くスケーラブルなクロススタディ生物学的分析を可能にします。
• 参考スコア（独自算出の注目度）: 51.56484100374058
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large-scale biological discovery requires integrating massive, heterogeneous datasets like those from the JUMP Cell Painting consortium, but technical batch effects and a lack of generalizable models remain critical roadblocks. To address this, we introduce CellPainTR, a Transformer-based architecture designed to learn foundational representations of cellular morphology that are robust to batch effects. Unlike traditional methods that require retraining on new data, CellPainTR's design, featuring source-specific context tokens, allows for effective out-of-distribution (OOD) generalization to entirely unseen datasets without fine-tuning. We validate CellPainTR on the large-scale JUMP dataset, where it outperforms established methods like ComBat and Harmony in both batch integration and biological signal preservation. Critically, we demonstrate its robustness through a challenging OOD task on the unseen Bray et al. dataset, where it maintains high performance despite significant domain and feature shifts. Our work represents a significant step towards creating truly foundational models for image-based profiling, enabling more reliable and scalable cross-study biological analysis.
• Abstract（参考訳）: 大規模な生物学的発見には、JUMPセルペイントコンソーシアムのような巨大で異質なデータセットを統合する必要があるが、技術的バッチ効果と一般化可能なモデルの欠如は重要な障害のままである。 これを解決するために,我々は,バッチ効果に頑健な細胞形態の基本的な表現を学習するためのトランスフォーマーベースのアーキテクチャであるCellPainTRを紹介した。 新しいデータの再トレーニングを必要とする従来の方法とは異なり、ソース固有のコンテキストトークンを特徴とするCellPainTRの設計は、微調整なしで完全に見えないデータセットへの効果的なアウト・オブ・ディストリビューション(OOD)の一般化を可能にしている。 我々は大規模なJUMPデータセット上でCellPainTRを検証し、ComBatやHarmonyのような確立した手法をバッチ統合と生体信号保存の両方で性能的に向上させる。 重要なことは、ドメインや機能の大幅なシフトにもかかわらず高いパフォーマンスを維持している、目に見えないBrayなどのデータセット上でのOODタスクを通じて、その堅牢性を実証することです。 私たちの研究は、画像ベースのプロファイリングのための真の基盤モデルを作成するための重要なステップであり、より信頼性が高くスケーラブルなクロススタディ生物学的分析を可能にします。

関連論文リスト

• Multi-Modal and Multi-Attribute Generation of Single Cells with CFGen [76.02070962797794]
  本研究では、単一セルデータ固有の離散性を保存するフローベースの条件生成モデルであるCellFlow for Generation (CFGen)を紹介する。 CFGenは、全ゲノムマルチモーダル単一セルデータを確実に生成し、重要な生物学的データ特性の回復を改善する。
  論文  参考訳（メタデータ） (2024-07-16T14:05:03Z)
• Deep models for stroke segmentation: do complex architectures always perform better? [1.4651272514940197]
  ストロークセグメンテーションは脳卒中患者の診断と治療において重要な役割を担っている。 一般的な医用画像分割のためのディープモデルが導入された。 本研究では,最近提案された4種類の深部モデルを選択し,脳卒中セグメンテーションの性能評価を行った。
  論文  参考訳（メタデータ） (2024-03-25T20:44:01Z)
• Cell Variational Information Bottleneck Network [6.164295534465283]
  本稿では,最新のフィードフォワードネットワークアーキテクチャと組み合わせることができる情報ボトルネック機構を用いた畳み込みニューラルネットワークを提案する。 セル変動情報ボトルネックネットワークは、不確実性のある特徴マップを生成するVIBセルを積み重ねて構築される。 より複雑な表現学習タスクである顔認識では、ネットワーク構造も非常に競争力のある結果を得た。
  論文  参考訳（メタデータ） (2024-03-22T10:06:31Z)
• UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
  ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。 特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
  論文  参考訳（メタデータ） (2024-02-20T11:50:27Z)
• AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
  本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。 AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。 我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
  論文  参考訳（メタデータ） (2023-03-01T23:37:45Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)

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。