细胞-DINO:用于细胞光显微镜的基于图像的自我监督嵌入
Théo Moutakanni1,2, Camille Couprie1, Seungeun Yi1
1Meta Platforms Inc., FAIR, Paris, France.
PLoS computational biology
|December 29, 2025
概括
使用DINOv2进行自我监督学习显著增强了用于细胞表型的细胞形态分析. 细胞-DINO模型提高了性能,特别是在有限的数据下,推动了生物发现.
科学领域:
- 计算生物学 计算生物学
- 生物图像分析 生物图像分析
- 机器学习 机器学习
背景情况:
- 准确量化细胞形态对于单细胞生物学研究至关重要.
- 现有的计算机视觉方法用于细胞形态分析,往往需要大量的手动注释.
- 在生物研究中,大规模测量细胞形态仍然是一个重大挑战.
研究的目的:
- 评估DINOv2的疗效,一个自我监督的视觉变换器,在没有监督的情况下学习细胞形态表征.
- 为细胞表型化任务开发和评估细胞DINO模型.
- 证明Cell-DINO在提高性能方面的实用性,特别是在低注释的场景中.
主要方法:
- 应用DINOv2,一个自我监督的学习算法,从细胞图像中提取特征.
- 通过将DINOv2应用于细胞表型化挑战,开发细胞-DINO模型.
- 对不同成像数据集的监督和其他自我监督基线进行Cell-DINO模型的比较分析.
主要成果:
- 在没有手动注释的情况下,DINOv2有效地学习了丰富的细胞形态表征.
- 在各种任务中,Cell-DINO模型与监督和其他自我监督方法相比显示出更高的性能.
- 在低注释方案中观察到显著的性能增长,例如,在1%注释的蛋白质局部化分类中提高了70%.
结论:
- 细胞-DINO模型提供了一个强大的,注释效率高的细胞表型化方法.
- 这种方法可以促进对生物变异的研究,包括单细胞异质性和实验条件关系.
- 细胞DINO是推动基于图像的生物发现的宝贵工具.
