自监督模型在细胞形态表型分析中优于CellProfiler
先了解这件事
Walid M. Abdelmoula 等在《Nature Methods》发表大规模评测：用 JUMP–CP 中 7 个实验室、87 个实验批次的 119,876 种未标注化合物（约 177 万张图像）预训练 DINO、DINOv2、MAE、iTPN 四类自监督模型，并在留出的 JUMP–Target2（302 种化合物）等独立数据集上检验。作者称，表现最好的自监督模型在化合物重复检索上优于传统方法 CellProfiler（P ≤ 0.001）；DINO 和 DINOv2 在 EU-OPENSCREEN Bioactives（2,464 种化合物）的作用机制检索中，站点平均 mAP 比 CellProfiler 高 31–37%，并在所有基准上稳定超过基于掩码的模型。 以 mAP ≥ 0.75 为找回门槛，DINOv2 找回 129 种 JUMP–Target2 化合物，DINO 128 种，iTPN 107 种，MAE 53 种，CellProfiler 90 种。研究还把 Source 6 完全排除在预训练之外，以观察跨实验来源的表现。 作者指出，模型仅在 U2OS 细胞的化学扰动上预训练，虽能零样本迁移到另外四种细胞类型，但神经元等更复杂细胞可能需要微调；作用机制结果基于图像表型与已有注释的检索或分类，不能独立证明分子靶点，跨实验室批次差异仍未完全解决，对未知药物机制的发现能力及实际筛选效益尚待验证。
AI 根据报道生成 · 1 天前更新
报道时间线
沿着报道，了解事件的不同侧面。
- AI药物设计实验室精选Nature Methods 2026 研究比较四条自监督学习路线用于细胞绘画表型指纹
Walid M. Abdelmoula 等在《Nature Methods》发表大规模比较研究，用 JUMP–CP 约 177 万张未标注图像预训练四类自监督模型，并在多个独立数据集检验细胞扰动识别。
- DrugAI精选Nat. Methods 比较四种自监督学习模型的细胞形态扰动表征
研究人员在JUMP–Cell Painting数据集约177万张高内涵图像上预训练DINO、MAE、iTPN和DINOv2，并在独立化合物、不同细胞类型和遗传扰动数据集上比较其细胞形态扰动表征。
- Nature Methods精选Nature Methods研究系统评测细胞形态图谱的自监督表征学习
【全文节选总结】研究在JUMP-CP的119,876个化合物（约177万张图像）上预训练DINO、DINOv2、MAE和iTPN四类自监督模型，并在留出的JUMP-Target2化合物集上比较检索与作用机制分类表现。
本事件热度走势
- 可比范围当前
- 4
- 可比范围峰值
- 1211月2日 02:00
- 近 24 小时变化
- -20%
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。