Nat Commun | 陈盛泉/刘健团队提出cpDistiller：三重效应校正助力细胞绘画数据精准解析

本文介绍了南开大学陈盛泉和刘健团队在Nature Communications上发表的研究，提出了一个名为cpDistiller的深度学习框架，用于校正细胞绘画（Cell Painting）数据中的批次效应、行效应和列效应。研究背景指出，高通量成像技术的发展使得细胞形态变化观测成为可能，但技术流程引入的系统偏差成为数据建模和生物学发现的主要障碍。研究目的是通过cpDistiller框架实现三重效应的联合建模与同时校正，同时保护细胞表型的真实异质性。该框架由特征提取、特征融合和效应校正三个模块组成，结合了多种先进策略如对比学习和域对抗策略。实验结果显示，cpDistiller在单批次和跨批次效应校正任务中均优于主流方法，并具备更强的细胞表型保护能力。结论指出，cpDistiller填补了Cell Painting数据分析中综合效应校正工具的空白，为基因功能解析、药物研发等提供了高效、稳健的解决方案。