論文の概要: MorphoCLIP: Text-Supervised Contrastive Learning for Perturbation Matching in Cell Painting Images

• arxiv url: http://arxiv.org/abs/2608.22690v1
• Date: Mon, 24 Aug 2026 01:04:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 18:24:36.985662
• Title: MorphoCLIP: Text-Supervised Contrastive Learning for Perturbation Matching in Cell Painting Images
• Title（参考訳）: MorphoCLIP:セルペイント画像における摂動マッチングのためのテキスト教師付きコントラスト学習
• Authors: Sukhrobbek Ilyosbekov, Shubham Gajjar, Rongfei Jin,
• Abstract要約: MorphoCLIPは,Cell Paintingプロファイルと化合物,CRISPRノックアウト,ORF過剰表現のテキスト記述を関連付けるコントラストモデルである。 保持されたCPJUMP1データでは、MorphoCLIPは、セルイメージから摂動記述、記述から一致したセルイメージまで、両方の方向を検索する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cell Painting microscopy captures how cells change after a chemical or genetic perturbation. Connecting these images to the perturbations that produced them could make large imaging screens easier to search and interpret, but the task remains difficult because biological effects are subtle and technical variation is substantial. We introduce MorphoCLIP, a contrastive model that links Cell Painting profiles with text descriptions of compounds, CRISPR knockouts, and ORF overexpressions. The model keeps its vision and language backbones frozen and trains only a compact cross-channel module and projection layers, so it can be trained on a single consumer GPU. On held-out CPJUMP1 data, MorphoCLIP searches in both directions: from a cell image to its perturbation description and from a description to matching cell images. In both cases, a correct match appears among the top ten results much more often than expected by chance. Adding a replicate-alignment loss makes profiles from repeated experiments more consistent, although this improvement does not yet translate into reliable gene-compound matching. Gene-aware labels and plate correction also show no consistent retrieval benefit. These findings suggest that text supervision can help organize chemical and genetic Cell Painting data. Matching compounds with genetic perturbations, however, remains an open problem.
• Abstract（参考訳）: 細胞ペイント顕微鏡は、化学的または遺伝的摂動の後に細胞がどのように変化するかを捉えます。 これらの画像とそれらを生み出した摂動を結びつけることで、大きな画像画面の検索や解釈が容易になるが、生物学的効果が微妙で技術的な変化が大きいため、課題は依然として困難である。 MorphoCLIPは,Cell Paintingプロファイルと化合物,CRISPRノックアウト,ORF過剰表現のテキスト記述を関連付けるコントラストモデルである。 このモデルはビジョンと言語のバックボーンを凍結させ、コンパクトなクロスチャネルモジュールとプロジェクション層のみをトレーニングするので、単一のコンシューマGPUでトレーニングすることができる。 保持されたCPJUMP1データでは、MorphoCLIPは、セルイメージから摂動記述、記述から一致したセルイメージまで、両方の方向を検索する。 どちらの場合も、偶然に予想されるよりも、上位10の検索結果に正しい一致が現れる。 複製アライメントの損失を追加することで、反復実験のプロファイルはより一貫したものになるが、この改善は信頼性の高い遺伝子群マッチングにはまだ変換されない。 遺伝子認識ラベルとプレート補正も一貫した検索の利点を示さない。 これらの結果から, テキスト管理は, 化学的および遺伝的なセルペイントデータの整理に有効であることが示唆された。 しかし、遺伝的摂動と化合物のマッチングは依然として未解決の問題である。

関連論文リスト

• Intervention-Aware Multiscale Representation Learning from Imaging Phenomics and Perturbation Transcriptomics [8.652528896724666]
  本稿では,摂動転写学を利用して画像表現学習を指導する介入型蒸留フレームワークを提案する。 トランスクリプトーム条件の教師は、遺伝子発現と介入メタデータを統合し、化学対応のコードブック上でソフトな分布を生成する。 画像のみの学生は、顕微鏡だけでこれらの分布を予測し、テスト時に独立して動作しながら機械的な知識を蒸留する。
  論文  参考訳（メタデータ） (2026-04-19T19:14:21Z)
• Self-supervised Representation Learning with Local Aggregation for Image-based Profiling [84.52554180480037]
  画像に基づく細胞プロファイリングは、細胞画像の情報表現を作成することを目的としている。 非コントラスト型自己監督学習の最近の進歩は,本論文にインスピレーションを与えている。 本稿では,セル画像に適したデータ拡張と表現後処理手法を提案する。
  論文  参考訳（メタデータ） (2025-06-17T07:25:57Z)
• CellCLIP -- Learning Perturbation Effects in Cell Painting via Text-Guided Contrastive Learning [23.521800791670938]
  本稿では,HCSデータのためのクロスモーダルコントラスト学習フレームワークであるCellCLIPを紹介する。 我々のフレームワークは、現在のオープンソースモデルよりも優れており、クロスモーダル検索と生物学的に意味のある下流タスクの両方において、最高のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-05-16T23:07:51Z)
• DiffKillR: Killing and Recreating Diffeomorphisms for Cell Annotation in Dense Microscopy Images [105.46086313858062]
  DiffKillRは、アーチェタイプマッチングと画像登録タスクの組み合わせとして、セルアノテーションを再構成する新しいフレームワークである。 DiffKillRは、大規模な顕微鏡画像間でアノテーションを効率よく伝播し、広範囲な手動ラベリングの必要性を減らす。 我々はDiffKillRの理論的性質について論じ、それを3つの顕微鏡タスクで検証し、既存の教師付き・半教師なし・教師なしの手法に対する利点を実証する。
  論文  参考訳（メタデータ） (2024-10-04T00:38:29Z)
• BiomedJourney: Counterfactual Biomedical Image Generation by Instruction-Learning from Multimodal Patient Journeys [99.7082441544384]
  本稿では,インストラクション学習によるバイオメディカル画像生成のための新しい手法であるBiomedJourneyを紹介する。 我々は、GPT-4を用いて、対応する画像レポートを処理し、疾患進行の自然言語記述を生成する。 得られた三重項は、反現実的なバイオメディカル画像生成のための潜伏拡散モデルを訓練するために使用される。
  論文  参考訳（メタデータ） (2023-10-16T18:59:31Z)
• A Semi-Supervised Classification Method of Apicomplexan Parasites and Host Cell Using Contrastive Learning Strategy [6.677163460963862]
  本稿では, 3種類のアピコプレキサン寄生虫と非感染宿主細胞顕微鏡像の半教師付き分類法を提案する。 少数のラベル付きデータと多数のラベルなしデータをトレーニングに使用します。 顕微鏡画像の1%しかラベル付けされていない場合、提案手法は一般化された試験セットで94.90%の精度に達する。
  論文  参考訳（メタデータ） (2021-04-14T02:34:50Z)

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。