从线粒体的时间变化提取药物表型
浙江大学（Zhejiang University）等团队在 Nature Computational Science 提出 MitoReID，用线粒体形态与膜电位的时间变化识别药物作用机制（mechanism of action，MOA），为表型筛选和药物再定位提供计算方法。
研究对 1068 种 FDA 批准药物暴露后的细胞进行时序成像，得到 570096 张单细胞图像。模型采用重识别框架，学习不同药物引起的表型特征，再从已知参照中寻找与待测图像相近的机制类别。
图像、序列与药物分别计数
公开补充资料说明，进一步建模采用 477 种药物的 16699 段单细胞图像序列，涉及 38 个类别，包含溶剂参照。图像处理包括质量检查、分割及跨时间点细胞匹配，把同一细胞的多张图像组成序列。
摘要报告测试集的首位检索命中率（Rank-1）为 76.32%，平均精度均值（mean average precision，mAP）为 65.92%。两者反映模型在给定参照与测试任务中的表现；单细胞图像总数与实际建模序列数是不同层级。
8 种未训练药物中，6 种预测包含已知机制
公开补充表列出 8 种未参与训练的药物，其中 6 种的预测结果包含与既有标签相符的机制，但这些类别不一定排在首位。Atropine 与 Crisaborole 两组未得到相符结果，因此作者所述 6 种成功识别，对应的是这 8 种药物中的部分结果。
模型还将茶中天然产物表儿茶素指向环氧合酶-2（cyclooxygenase-2，COX-2）抑制，作者随后以体外试验验证这一线索。该工作把细胞表型成像与机制识别结合，用于缩小后续目标验证的范围。