高内容筛查中的弱监督跨模型学习
原文中文，约300字，阅读约需1分钟。发表于：。介绍了一种新颖的方法，利用图像数据和分子表示学习跨模态表示进行药物发现；提出了两种创新的损失函数 EMM 和 IMM，基于 CLIP 构建，利用弱监督和高内容筛选中的跨站点复制；通过在跨模态检索上对比已知基准线，在学习更好表示并减轻批次效应方面，我们的方法表现更佳；此外，还提出了用于 JUMP-CP 数据集的预处理方法，有效将所需空间从 85Tb 缩减到可用的 7Tb，仍保留所有扰动和大部分信息内容。
该文章介绍了一种新的药物发现方法，利用图像数据和分子表示学习跨模态表示。作者提出了两种创新的损失函数 EMM 和 IMM，并通过在跨模态检索上对比已知基准线，证明了该方法的有效性。此外，作者还提出了用于 JUMP-CP 数据集的预处理方法，将所需空间从 85Tb 缩减到可用的 7Tb。
