通过可解释的分层双曲图嵌入对秀丽隐杆线虫发育阶段进行小样本分类

基于显微镜形态图像对秀丽隐杆线虫（C. elegans）发育阶段进行自动化、准确且快速的分类，对于衰老研究、药物筛选和疾病建模至关重要。然而，由于不同阶段之间在形态上的相似性以及标注数据有限，这一任务仍然具有挑战性。在本研究中，我们提出了 HyperDev，这是一种双曲少样本学习框架，通过在嵌入空间中直接编码发育层级结构来应对上述限制；这不同于将各阶段视为相互独立类别的传统欧几里得方法。HyperDev 采用庞加莱球几何，并结合具有生物学依据的发育先验，自然地表征阶段之间的关系。我们引入了自行整理构建的秀丽隐杆线虫数据集，覆盖七个发育阶段（卵、L1-L4、成虫、dauer），且存在极端类别不平衡（少数类别每类仅有 6-8 个样本）。在九种 7 类少样本评估设置下，HyperDev 在提供内在可解释性的同时，实现了具有竞争力的分类准确率（76.9%-88.3%）。所学习到的嵌入与生物学关系表现出较强的一致性（Pearson r = 0.669，p

本网站正在使用一项安全服务来保护自身免受在线攻击。您刚刚执行的操作触发了该安全解决方案。可能触发此拦截的行为有多种，包括提交某个特定词语或短语、SQL 命令或格式错误的数据。

您可以向网站所有者发送电子邮件，告知您被拦截的情况。请在邮件中说明当该页面出现时您正在进行的操作，并附上本页底部显示的 Cloudflare Ray ID。

---

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.21.733631v1?rss=1

🏷️ 秀丽隐杆线虫 发育分期 少样本分类 双曲嵌入 可解释机器学习 显微图像分析