Integrating chemical structures as treatments improves representations of microscopy images for morphological profiling
تقدم الورقة البحثية MICON، وهو إطار عمل للتعلم التبايني ذاتي الإشراف يدمج هياكل المركبات الكيميائية كتحولات في النمط الظاهري مستحثة بالعلاج لتحسين تمثيل وإعادة إنتاج التوصيف المورفولوجي الخلوي بشكل كبير مقارنة بالطرق الحالية القائمة على الصور فقط.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك محقق يحاول اكتشاف ما حدث لمجموعة من الخلايا. لديك مكتبة ضخمة من الصور المجهرية التي تظهر هذه الخلايا بعد تعرضها لمواد كيميائية مختلفة. هدفك هو تجميع الصور: إذا كانت صورتان متشابهتين، فهذا يعني أن الخلايا عولجت بنفس المادة الكيميائية. تُسمى هذه العملية التنميط المورفولوجي (Morphological Profiling).
لفترة طويلة، حاول العلماء حل هذه المشكلة عن طريق كتابة قواعد يدوية لوصف أشكال الخلايا (مثل "ما مدى استدارة النواة؟" أو "ما طول الذيول؟"). هذا يشبه محاولة وصف لوحة فنية عبر سرد العدد الدقيق للبكسلات الحمراء فيها. هذا الأسلوب ينجح، لكنه يفتقد إلى التفاصيل الفنية الدقيقة التي تجعل اللوحة فريدة.
لاحقاً، بدأ العلماء في استخدام الذكاء الاصطناعي (التعلم العميق) للنظر في الصور وتعلم الأنماط تلقائياً. كان هذا تحسناً كبيراً، مثل ترك الكمبيوتر يتعلم التعرف على قطة بمجرد النظر إلى آلاف صور القطط. لكن كانت هناك مشكلة: كان الذكاء الاصطناعي ينظر فقط إلى الصور، وكان يتجاهل المواد الكيميائية التي سببت التغييرات.
المشكلة: المحقق "الأعمى"
تجادل الورقة البحثية بأن تجاهل المادة الكيميائية هو خطأ. في الواقع، أنت تعلم أن عقاراً معيناً هو الذي تسبب في تغيير شكل الخلية. لكن الذكاء الاصطناعي، الذي ينظر فقط إلى الصورة، عليه أن يخمن سبب ظهور الخلية بهذا الشكل.
علاوة على ذلك، الصور المجهرية مخادعة. تماماً كما أن التقاط صورة في غرفة مظلمة مقابل غرفة مضيئة يغير شكل الصورة، فإن التقاط الصور في أيام مختلفة أو باستخدام مجاهر مختلفة يخلق "ضجيجاً" (يُسمى تأثير الدفعة - Batch Effects). غالباً ما يرتبك الذكاء الاصطناعي بسبب هذا الضجيج، فيظن أن صورة التُقطت يوم الثلاثاء تختلف عن صورة التُقطت يوم الاثنين، رغم أن الخلايا متطابقة تماماً.
الحل: MICON (المترجم الكيميائي)
يقدم المؤلفون إطار عمل جديد للذكاء الاصطناعي يسمى MICON. تخيل MICON كمحقق لا يكتفي فقط بالنظر إلى مسرح الجريمة (الصورة)، بل يضع ملف المشتبه به (التركيب الكيميائي) أمامه أيضاً.
إليك كيف يعمل MICON، باستخدام تشبيه بسيط:
لعبة "قبل" و "بعد":
تخيل أن لديك صورة لخلية سليمة (صورة "قبل"). ولديك أيضاً ملفاً يصف مادة كيميائية دوائية معينة. يحاول MICON تعلم خدعة سحرية: "إذا أخذت هذه الخلية السليمة وطبقت عليها هذه المادة الكيميائية، فكيف ستبدو صورة الـ 'بعد'؟"تعلم التحول:
بدلاً من مجرد حفظ شكل الخلية "المعالجة بالدواء"، يتعلم MICON التحول. إنه يتعلم "الحركة" المحددة التي تقوم بها المادة الكيميائية بالخلية. الأمر يشبه تعلم كيف يغير نوع معين من الطلاء اللوحة، بدلاً من مجرد حفظ اللوحة النهائية.التدريب على خطوتين:
- الخطوة 1 (العالم الحقيقي): ينظر MICON إلى صور حقيقية لخلايا عولجت بالأدوية. يتعلم كيفية تجاهل "ضجيج" المجهر (الإضاءة، يوم الأسبوع) والتركيز فقط على التغيير البيولوجي الناتج عن الدواء.
- الخطوة 2 (التنبؤ): يأخذ MICON صورة لخلية سليمة وملفاً كيميائياً، ثم يتنبأ بكيف يجب أن تبدو الخلية المعالجة. بعد ذلك، يتحقق مما إذا كان تنبؤه يطابق الصورة الحقيقية للخلية المعالجة. إذا تطابق، يحصل الذكاء الاصطناعي على نجمة ذهبية. وإذا لم يتطابق، فإنه يتعلم من خطئه.
لماذا هذا أفضل؟
اختبرت الورقة البحثية MICON مقابل طرق أخرى (بما في ذلك القواعد اليدوية القديمة ونماذج ذكاء اصطناعي أخرى) في سيناريوهات صعبة للغاية:
- اختبار "الكاميرا الجديدة": قاموا بتدريب الذكاء الاصطناعي على صور التُقطت بالمجهر (أ)، ثم اختبروه على صور من المجهر (ب) (الذي لم يره من قبل). كان MICON أفضل بكثير في تجاهل الاختلافات بين الكاميرات والعثور على الأنماط البيولوجية الحقيقية.
- اختبار "الدواء الجديد": اختبروا الذكاء الاصطناعي على أدوية لم يسبق له رؤيتها من قبل. وبينما ارتبكت نماذج الذكاء الاصطناعي الأخرى وفشلت، تمكن MICON من تجميع الخلايا بشكل صحيح.
- اختبار "الكيمياء مقابل الصورة": قارنوا MICON بطريقة تحاول فقط مطابقة الملف الكيميائي بالصورة مباشرة (مثل مطابقة بصمة الإصبع بالوجه). انتصر MICON. وجد المؤلفون أن التعامل مع المادة الكيميائية كأداة تغير الصورة يعمل بشكل أفضل بكثير من مجرد محاولة وضع المادة الكيميائية والصورة جنباً إلى جنب.
الخلاصة
تزعم الورقة البحثية أنه من خلال تعليم الذكاء الاصطناعي أن المواد الكيميائية هي "المخرجون" الذين يغيرون "الممثلين" (الخلايا)، يصبح الذكاء الاصطناعي محققاً أفضل بكثير.
- هو أكثر دقة في تجميع الخلايا المتشابهة معاً.
- هو أكثر قوة عندما تأتي البيانات من مصادر مختلفة أو مجاهر مختلفة.
- يمكنه حتى التنبؤ بكيفية ظهور الخلية إذا عولجت بدواء، بمجرد معرفة هيكل الدواء ورؤية خلية سليمة.
باختصار، يثبت MICON أنه لفهم الصورة، عليك أن تفهم فرشاة الرسم التي أحدثت التغييرات.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.