博丽,张志,张承阳,明浩周,黄伟良,王始行,青王,李孟然,张永 & 千千宋 

《自然通讯》，文章编号： （2025） 引用本文

 

1629年访问

 

4 阿尔特米特米尔

 

指标details

 

我们提供该手稿的未编辑版本，以便提前获取其发现。在最终出版前，手稿将进行进一步编辑。请注意内容可能存在错误，所有法律免责声明均适用。

 

摘要

在基于图像的药物发现中，准确捕捉细胞表型对化学干扰的反应对于理解药物机制和预测疗效至关重要。然而，现有方法往往依赖复杂、多步骤的流程，计算量大且容易出错。PhenoProfiler 通过高效的端到端深度学习框架解决这些挑战，直接将高内容、多通道的细胞图像转化为低维定量表示。PhenoProfiler 在近 40 万张高含量图像和 842 万张单细胞图像中进行了评估，在准确性和鲁棒性方面始终优于最先进方法高达 20%。其定制化的表型校正策略进一步强调治疗诱导的变异，提升了对生物学有意义且可重复信号的检测能力。PhenoProfiler还有效将具有共享分子通路和生物注释的治疗分组，促进机制解释和靶点发现。总体而言，PhenoProfiler建立了一个可扩展、可解释且可推广的高通量表型分析框架，为下一代AI驱动的药物筛选、精准治疗以及细胞反应的系统级理解铺平了道路。

 

类似内容被他人观看

 

基于注意力的深度学习用于精确的细胞图像分析

文章 开放获取 2025年1月8日

 

基于图像的药物分析：机器学习升级了吗？

第22条 2020年12月

 

利用深度神经网络评估卵巢癌细胞系共培养中的功能提取

文章 开放获取 2025年2月25日

数据可用性

本研究中的所有实验均使用公开数据集，这些数据集可从公共S3桶访问。要下载数据，你需要按照AWS CLI安装指南中的说明安装与你设备匹配的AWS命令。使用以下命令配合cp或sync命令，以及--recursive和--no-sign-request标志进行数据检索。对于BBBC022数据集，可以用以下命令下载：“aws s3 cp s3：//cytodata/datasets/Bioactives-BBBC022-Gustafsdottir/./ --recursive --no-sign-request”。对于其他数据集，请使用以下命令：CDRP-BIO-BBBC036：“aws s3 cp s3：//cytodata/datasets/CDRPBIO-BBBC036-Bray/./ --递归 --no-sign-request”;TAORF-BBBC037：“aws s3 cp s3：//cytodata/datasets/TA-ORF-BBBC037-Rohban/./ --递归 --no-sign-request”;cpg0001-cellpainting-protocol：“AWS s3 sync s3：//cellpainting-gallery/cpg0001-cellpainting-protocol/source_4/images/2020_08_11_Stain3_Yokogawa/./2020_08_11_Stain3_Yokogawa --no-sign-request”;CPG0004-lincs：“AWS S3 CP --递归 ”s3：//cellpainting-gallery/cpg0004-lincs/broad/workspace/profiles/2016_04_01_a549_48hr_batch1/SQ00014815/“ ”./SQ00014815“ --no-sign-request”。对于非端到端数据集cpg0019：“aws s3 cp s3：//cellpainting-gallery/cpg0019-moshkov-deepprofiler/./ --递归 --no-sign-request”。本文提供源数据。

 

代码可用性

我们实验中的所有源代码和训练模型均已在 Github 和 Zenodo 公开发布，使用麻省理工许可协议（https://github.com/QSong-github/PhenoProfiler)54.