Towards Label-Free Single-Cell Phenotyping Using Multi-Task Learning

ملخص تقني: نحو التنميط الظاهري أحادي الخلية بدون استخدام علامات باستخدام التعلم متعدد المهام

بيان المشكلة
يعد التوصيف الدقيق لخلايا الدم البيضاء (WBCs) أمراً بالغ الأهمية لتشخيص خلل التنظيم المناعي، والعدوى، وسرطانات الدم. تعتمد سير العمل التقليدية على قياس التدفق الخلوي القائم على الفلورة أو المسحات المصبوغة يدوياً، والتي تعاني من قيود تشمل الحاجة إلى أدوات متخصصة، ووسم الفلوروفور، وكثافة العمل، والذاتية. وبينما توفر الأساليب البصرية التي لا تعتمد على العلامات مثل تصوير تباين الطور التفاضلي (DPC) بديلاً قابلاً للتوسع وغير جراحي، فإن استنتاج الأنماط الظاهرية الجزيئية مباشرة من مورفولوجيا الحقل المضيء يظل أمراً صعباً. تتجاهل مناهج التعلم العميق الحالية، التي تتعامل في الغالب مع تحليل خلايا الدم البيضاء كمسألة تصنيف منفصلة، الطيف المستمر لمستويات التعبير البروتيني. كما أن الطبيعة "الصندوق الأسود" للشبكات العصبية العميقة تعيق الاعتماد السريري لافتقارها إلى التفسير البيولوجي المنطقي. يعالج هذا العمل صعوبة التنبؤ بكل من أنواع الخلايا المنفصلة ومستويات التعبير البروتيني المستمرة مباشرة من صور DPC أحادية الخلية التي لا تعتمد على العلامات، وهي مهمة تزداد تعقيداً بسبب الإشارات المورفولوجية الدقيقة والموزعة بشكل مبعثر والتي يسهل إضعافها بواسطة عمليات التجميع الالتفافية القياسية.

المنهجية
يقترح المؤلفون إطار عمل موحداً للتعلم العميق (DL) يقوم بشكل مشترك بعملية تصنيف خلايا الدم البيضاء وانحدار مستويات التعبير البروتيني المستمرة من صور DPC متعددة القنوات. تتكون البنية من ثلاثة مكونات رئيسية:

1. المشفر الهجين ثنائي الفروع (Hybrid Dual-Branch Encoder): يدمج النموذج التمثيلات المحلية والعالمية لالتقاط الإشارات المورفولوجية المتكاملة.

   • فرع الشبكة العصبية الالتفافية (CNN Branch): يستخدم جذعاً (stem) متبوعاً بوحدات بأسلوب "Inception" مع اتصالات متبقية لاستخراج ميزات النسيج المحلي الدقيقة (مثل حدود الغشاء، نسيج النواة، والحبيبات). ويقوم بمعالجة المدخلات إلى رموز مكانية.
   • فرع المحول الرؤيوي (ViT Branch): يستخدم محولاً رؤيوياً (ViT) مدمجاً لنمذجة التبعيات المكانية العالمية عبر الانتباه الذاتي، مما يلتقط الإشارات الهيكلية بعيدة المدى مثل الشكل العام للخلية أو الاستقطاب التي قد تفقدها النوى الالتفافية.
   • الدمج عبر الوسائط (Cross-Modal Fusion): تعمل آلية دمج قابلة للتعلم على توحيد التمثيلات غير المتجانسة من فرعي CNN وViT. فهي تستخرج الميزات العالمية من كلا الفرعين، وتُسقطها في مساحة مشتركة، وتجمعها باستخدام أوزان قابلة للتعلم يتم تطبيعها بواسطة "softmax" لضمان تحليل المساهمة القابل للتفسير.

2. آلية البوابة التكيفية مع المهام (Task-Adaptive Gating Mechanism): للتخفيف من حدة الانتقال السلبي بين المهام ذات الديناميكيات المتعارضة في التدرج، يستخدم الإطار آلية بوابة. تقوم هذه الوحدة بتعديل مشاركة الميزات ديناميكياً بين مسارات التصنيف والانحدار. وهي تولد بوابات ناعمة عبر طبقات خطية مفعلة بـ "sigmoid" لتحديد التوازن بين الحفاظ على الميزات الخاصة بالمهمة ودمج المعلومات المختلطة من المهمة الأخرى، مما يسمح للنموذج بتعلم التبعيات المتأصلة (مثل ارتباط تصنيف الخلايا التائية مع تعبير CD3) دون إشراف صريح.

3. رؤوس التنبؤ متعددة المهام (Multi-Task Prediction Heads): يتم تنقيح التمثيل المدمج المشترك من خلال مسارات خاصة بالمهام (طبقات MLP مع اتصالات متبقية، تطبيع الدفعات، وإسقاط) قبل تمريرها إلى رؤوس منفصلة:

   • رأس التصنيف يخرج احتمالات فئة خلايا الدم البيضاء باستخدام MLP ثلاثي الطبقات مع إسقاط عالٍ (0.4) للتنظيم.
   • رأس الانحدار يخرج قيماً مستمرة لأربعة مؤشرات بروتينية (CD45, CD3, CD19, CD14) بدون دالة تفعيل نهائية للسماح بتنبؤات مستمرة غير مقيدة.

4. التفسير الموجه بنماذج اللغة الكبيرة (LLM-Guided Interpretability): لتعزيز الشفافية، يتم دمج نموذج لغة كبير (Gemini 1.5 Pro) في مرحلة ما بعد المعالجة. يقوم النموذج بتحويل التنبؤات الكمية إلى ملخصات نصية موجزة ومبنية على أسس بيولوجية. يتم تقييد عملية التوليد عبر التلقين القائم على القوالب لمنع الهلوسة، مما يضمن أن تكون المخرجات واقعية تماماً ومشتقة حصرياً من تنبؤات النموذج.

دالة الخسارة (Loss Function)
يتم تدريب النموذج باستخدام هدف متعدد المهام موزون:

• خسارة التصنيف ($L_{cls}$): خسارة التركيز (Focal loss) مع أوزان الفئات للتعامل مع عدم التوازن وتقليل تأثير العينات المصنفة جيداً.
• خسارة الانحدار ($L_{reg}$): مزيج من خسارة Smooth L1 (للاستقرار ضد القيم المتطرفة) وحداً لمحاذاة ارتباط بيرسون (للحفاظ على الترتيب النسبي لشدة المؤشرات).
• الخسارة المساعدة ($L_{aux}$): تعمل على تنظيم التمثيلات المدمجة الوسيطة لفرض الاتساق على مستوى الميزات بين المسارات المشتركة والخاصة بالمهام.

النتائج التجريبية
تم تقييم الإطار على مجموعة بيانات Berkeley Single Cell Computational Microscopy (BSCCM) ومجموعة بيانات Blood Cells Image (BCCD).

• أداء التصنيف: في تقسيم اختبار BSCCM، حقق النموذج المقترح دقة بلغت 91.3%، متفوقاً على نماذج مرجعية قوية بما في ذلك VGG (88.3%)، وAttentionCNN (89.6%)، وResNet (86.2%). وفي مجموعة بيانات BCCD (الحقل المضيء التقليدي)، حقق درجة F1 متوسطة قدرها 0.933، مما أظهر تعميماً ناجحاً.
• أداء الانحدار: بالنسبة لانحدار التعبير البروتيني على BSCCM، حقق النموذج معامل ارتباط بيرسون قدره 0.7263، مع جذر متوسط مربع الخطأ (RMSE) قدره 0.6801 ومتوسط الخطأ المطلق (MAE) قدره 0.4416. وقد تفوق هذا على جميع النماذج أحادية المهمة وأساسات العمود الفقري الأحادية (على سبيل المثال، حقق DenseNet معامل r=0.7246).
• تحليل المؤشرات لكل مؤشر: تباين الأداء حسب المؤشر. تم التنبؤ بدقة عالية بالمؤشرات النوعية للنسل ذات الارتباط المورفولوجي القوي (مثل CD16، r=0.819؛ وCD45، r=0.799). في المقابل، أظهرت المؤشرات التي تعكس حالات التنشيط العابرة (مثل CD123/HLA-DR/CD14) ارتباطاً أقل (r=0.339)، مما يشير إلى أن المورفولوجيا التي لا تعتمد على العلامات لا يمكنها استبدال المقايسات الجزيئية بالكامل للحالات الوظيفية الديناميكية.
• دراسات الاستئصال (Ablation Studies): أدى إزالة فرع ViT إلى تقليل الدقة بنسبة 1.58% وتقليل ارتباط الانحدار بمقدار 0.0335. وأدى إزالة فرع CNN إلى تدهور أكبر، مما يؤكد ضرورة استخراج النسيج المحلي. كما كان أداء النماذج أحادية المهمة أسوأ من النموذج متعدد المهام، مما يثبت أن التحسين المشترك يعمل كمنظم ويصقل تمثيلات الميزات.

المساهمات الرئيسية

1. إطار عمل موحد متعدد المهام: نهج جديد يتنبأ بشكل مشترك بفئة خلايا الدم البيضاء ومستويات التعبير البروتيني من صور DPC التي لا تعتمد على العلامات، مما يلغي الحاجة إلى الصبغ الكيميائي.
2. بنية هجينة: مشفر ثنائي الفروع يجمع بين ميزات النسيج متعددة المقاييس الالتفافية والتمثيلات العالمية القائمة على المحولات عبر طبقة دمج قابلة للتعلم.
3. بوابة تكيفية مع المهام: آلية توازن بين المعلومات المشتركة والخاصة بالمهمة، مما يحسن دقة التصنيف والانحدار من خلال إدارة ديناميكيات التدرج.
4. تكامل التفسير: دمج وحدة LLM مقيدة لتوليد ملخصات مبنية على أسس بيولوجية، مما يعزز شفافية النموذج بما يتجاوز تصور الانتباه القياسي.

الأهمية والادعاءات
يزعم البحث أنه من أوائل الأعمال التي تقوم مجتمعة بانحدار مستويات التعبير البروتيني وتصنيف النمط الظاهري لخلايا الدم البيضاء من صور DPC التي لا تعتمد على العلامات. تؤكد النتائج على الوعد الذي يقدمه التصوير المجهري أحادي الخلية بدون علامات للتحليل الدموي منخفض التكلفة، مما يتيح تحديد النمط الظاهري وتدقيق المؤشرات الحيوية الكمية في آن واحد دون الحاجة إلى صبغ فلوري. يؤكد المؤلفون أن نهجهم يثبت جدوى استعادة الأنماط الظاهرية الوظيفية من المورفولوجيا غير المصبوغة. ومع ذلك، فقد أشاروا بتواضع إلى القيود: حيث يقترب النموذج من سقف الأداء لأنواع الخلايا ذات الغموض المورفولوجي العالي (مثل الخلايا الوحيدة مقابل الخلايا اللمفاوية)، ولا يمكنه استبدال المقايسات الجزيئية بالكامل للتنبؤ بحالات التنشيط الديناميكية التي تفتقر إلى إشارات مورفولوجية مستقرة. يسلط هذا العمل الضوء على إمكانية الجمع بين التنبؤ المهيكل وتوليد اللغة المنضبطة لتحقيق علم الدم الحسابي القابل للتفسير.