Metadata-guided Consistency Learning for High Content Images

要約

ハイコンテントイメージングアッセイは、化合物治療の大規模なセットの豊富な表現型応答データをキャプチャできるため、新薬の特性評価と発見に役立ちます。
ただし、表現型の微妙なニュアンスを捉えることができるハイコンテンツ画像から代表的な特徴を抽出することは依然として困難です。
高品質のラベルがないため、教師ありディープ ラーニングで満足のいく結果を達成することは困難です。
自動生成されたラベルから学習する自己教師あり学習法は、自然画像で大きな成功を収めており、顕微鏡画像にも魅力的な代替手段を提供します。
ただし、自己教師あり学習手法は、ハイ コンテンツ イメージング アッセイではパフォーマンスが低下することがわかりました。
課題の 1 つは、バッチ効果として知られるデータに存在する望ましくないドメイン シフトです。これは、生物学的ノイズまたは制御されていない実験条件によって引き起こされる可能性があります。
この目的のために、バッチ効果の存在下で学習できる新しいアプローチである Cross-Domain Consistency Learning (CDCL) を導入します。
CDCL は、望ましくないバッチ固有のシグナルを無視しながら、生物学的類似性の学習を強制するため、より有用で用途の広い表現につながります。
これらの機能は、形態学的変化に従って編成されており、処理や作用機序の区別など、下流のタスクにより役立ちます。

要約(オリジナル)

High content imaging assays can capture rich phenotypic response data for large sets of compound treatments, aiding in the characterization and discovery of novel drugs. However, extracting representative features from high content images that can capture subtle nuances in phenotypes remains challenging. The lack of high-quality labels makes it difficult to achieve satisfactory results with supervised deep learning. Self-Supervised learning methods, which learn from automatically generated labels has shown great success on natural images, offer an attractive alternative also to microscopy images. However, we find that self-supervised learning techniques underperform on high content imaging assays. One challenge is the undesirable domain shifts present in the data known as batch effects, which may be caused by biological noise or uncontrolled experimental conditions. To this end, we introduce Cross-Domain Consistency Learning (CDCL), a novel approach that is able to learn in the presence of batch effects. CDCL enforces the learning of biological similarities while disregarding undesirable batch-specific signals, which leads to more useful and versatile representations. These features are organised according to their morphological changes and are more useful for downstream tasks – such as distinguishing treatments and mode of action.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google