Scattering correction for infrared spectra of biological cells using computational infrared microspectroscopy and deep learning

ملخص تقني: تصحيح التشتت للأطياف تحت الحمراء للخلايا البيولوجية باستخدام المجهرية الطيفية بالأشعة تحت الحمراء الحسابية والتعلم العميق

بيان المشكلة
تعد المجهرية الطيفية بالأشعة تحت الحمراء (IR microspectroscopy) أداة قوية للتحليل غير المعتمد على الوسم (label-free) للعينات البيولوجية. ومع ذلك، عند تطبيق هذه التقنية على الخلايا المفردة، تواجه تحديات كبيرة بسبب التشتت القوي للضوء. نظرًا لأن أبعاد الخلايا البيولوجية تقارب الطول الموجي للإشعاع تحت الأحمر المتوسط، فإن التشتت يؤدي إلى تشوهات في خط الأساس (baseline distortions)، وإزاحات في القمم، وتأثيرات تذبذبية في الأطياف المسجلة، مما يحجب المعلومات الكيميائية الحقيقية (الامتصاص) الموجودة في الإشارة.

تعتمد طرق التصحيح الحالية عادةً على نظرية "مي" (Mie theory)، والتي تفترض أن العينة عبارة عن كرة مثالية. هذا الافتراض يحد من دقتها عند التعامل مع الخلايا الملتصقة، والتي غالبًا ما تظهر مورفولوجيا (شكلًا) مسطحة وغير منتظمة. علاوة على ذلك، تظل عملية فصل تأثيرات مورفولوجيا العينة (التشتت) عن الخصائص الجوهرية للمادة (الامتصاص) مشكلة عكسية صعبة، خاصة بالنظر إلى التكلفة الحسابية العالية للمحاكاة الكهرومغناطيسية الصارمة للأشكال الهندسية التعسفية.

المنهجية
يقترح المؤلفون إطار عمل يدمج المجهرية الطيفية بالأشعة تحت الحمراء الحسابية القائمة على طريقة الفروق المحدودة في المجال الزمني (FDTD) مع التعلم العميق (DL) لمعالجة هذه التحديات.

1. المجهرية الطيفية بالأشعة تحت الحمراء الحسابية (FDTD):

• طور المؤلفون نظام تصوير افتراضي باستخدام طريقة FDTD لمحاكاة تفاعل الضوء مع الخلايا البيولوجية.
• يحاكي النظام المسار البصري بأكمله، بما في ذلك تشتت الضوء، والجمع بواسطة عدسة شيئية (محددة بفتحة عددية)، وإعادة التركيز إلى الكاشف.
• على عكس النماذج التحليلية المقيدة بأشكال هندسية محددة (مثل الكرات أو الأسطوانات)، يمكن لنهج FDTD هذا نمذجة أجسام ذات مورفولوجيا ثلاثية الأبعاد تعسفية.
• تحسب المحاكاة كميتين رئيسيتين:
  • الامتصاص بالأشعة تحت الحمراء ($A(\nu)$): إجمالي فقدان الضوء المسجل بواسطة الكاشف، والذي يحتوي على كل من الامتصاص والتشتت.
  • الامتصاص الحقيقي ($\mathcal{A}_{true}(\nu)$): الطاقة المبددة كحرارة داخل العينة، والمستمدة من صافي تدفق القدرة البصرية عبر حجم مغلق حول الخلية. وهذا يعمل كمرجع حقيقي (ground truth) خالٍ من عيوب التشتت.
• تم إنشاء نماذج خلايا عددية (numerical cell phantoms) باستخدام بيانات مجهر إلكتروني ثلاثي الأبعاد عالية الدقة لخلايا "هيلا" (HeLa) السرطانية (سواء كانت معلقة/كروية أو ملتصقة/مسطحة). تم نمذجة الخلايا على أنها مملوءة بمادة "ماتريجيل" (Matrigel)، وهي مادة ذات خصائص معامل انكسار مشابهة للأنسجة البيولوجية.

2. إطار عمل التعلم العميق:

• توليد البيانات: استُخدمت طريقة FDTD لتوليد مكتبة اصطناعية مكونة من 11,000 طيف تدريبي. تضمنت هذه المجموعة أشكالاً بيضاوية ثلاثية الأبعاد بمتغيرات مختلفة في الحجم، ونسب الاستطالة (من متطاولة إلى مفلطحة)، وكثافة المادة (مقاسة بمعاملات الانكسار التخيلية).
• نموذج تصحيح التشتت (المشفر-المفكك - Encoder-Decoder): تم تدريب شبكة عصبية من نوع (encoder-decoder) للقيام بالرسم الخرائطي العكسي: التنبؤ بطيف الامتصاص الحقيقي ($\mathcal{A}_{true}$) مباشرة من طيف الامتصاص المشوه ($A$). يتجاوز هذا النموذج الحاجة إلى عمليات محاكاة FDTD المتكررة والمكلفة حسابيًا أثناء مرحلة الاستدلال.
• نماذج استنتاج المورفولوجيا: تم تدريب نموذجين إضافيين بديلين (surrogate models) للتعلم العميق للتنبؤ بالأطياف من المعايير الهندسية ($r_x, r_y, r_z$) وكثافة المادة ($k_m$). تعمل هذه النماذج كتقريبات سريعة لمحلل FDTD.
• الانعكاس متعدد الأهداف: لاستعادة أبعاد الخلية من الأطياف التجريبية، استخدم المؤلفون حلقة تحسين (optimization loop). تستخدم هذه الحلقة النماذج البديلة لملاءمة شكل بيضاوي مع البيانات، من خلال تقليل الخطأ بين الأطياف المتوقدة والأطياف المقاسة (والامتصاص الحقيقي المتوقع بواسطة DL).

النتائج الرئيسية

• التحقق من صحة FDTD: تم التحقق من صحة نظام المجهرية الطيفية بالأشعة تحت الحمراء الحسابية مقابل النماذج شبه التحليلية، حيث أظهر توافقًا ممتازًا (خطأ في القمة < 0.5%).
• الاعتماد على المورفولوجيا: أظهرت المحاكاة أن مورفولوجيا الخلايا تغير الأطياف تحت الحمراء بشكل جذري. أظهرت الخلايا الكروية (HeLa-1) تأثيرات تشتت "مي" رنينية قوية (قمم تشتتية، وتذبذبات في خط الأساس)، بينما أظهرت الخلايا المسطحة الملتصقة (HeLa-2, 3) تأثيرات تداخل الغشاء الرقيق مع مساهمات تشتت أضعف بكثير.
• تصحيح التشتت: نجح نموذج التعلم العميق في إعادة بناء أطياف الامتصاص الحقيقية من أطياف الامتصاص المشوهة لنماذج الخلايا العددية. كان جذر متوسط مربع الخطأ بين الامتصاص المتوقع والامتصاص المستمد من FDTD أقل من 0.018. نجح التصحيح في إزالة تشوهات خط الأساس وإزاحات القمم، لا سيما في المنطقة الطيفية "الصامتة" (2000–2500 سم⁻¹) ومنطقة البصمة (fingerprint region).
• استعادة المورفولوجيا: نجح إطار العمل في عكس الأطياف تحت الحمراء لاستعادة أبعاد نواة الخلية. بالنسبة للخلايا الكروية والمتوسطة التسطح، أظهرت المحاور شبه الطويلة ومعايير كثافة المادة المستعادة توافقًا جيدًا مع المورفولوجيا الأصلية. لوحظ وجود بعض الغموض في الخلايا شديدة الاستطالة (HeLa-2)، ويُعزى ذلك إلى التماثل في النموذج والاختلافات الطفيفة بين الشكل الحقيقي للخلية والبيانات التدريبية البيضاوية المثالية.

الأهمية والادعاءات
يدعي المؤلفون أن هذا العمل يوفر حلاً متعدد الاستخدامات وحلاً أحادي النموذج لتصحيح التشتت عبر مجموعة واسعة من الأشكال الهندسية للخلايا البيولوجية، متجاوزًا قيود نظرية "مي" القائمة على الكرات. من خلال الجمع بين الدقة الفيزيائية لـ FDTD (التي يمكنها نمذجة هياكل ثلاثية الأبعاد تعسفية) وسرعة التعلم العميق، يتيح إطار العمل ما يلي:

1. الانعكاس الطيفي السريع: القدرة على استخراج أطياف الامتصاص الحقيقية ومورفولوجيا العينة من البيانات تحت الحمراء في ثوانٍ، وهي مهمة قد تكون مستحيلة حسابيًا باستخدام FDTD وحدها.
2. استغلال التشتت: إثبات أن تشتت الضوء المتأصل، والذي يُنظر إليه غالبًا كعنصر مزعج، يحمل معلومات مورفولوجية يمكن استردادها جنبًا إلى جنب مع البيانات الكيميائية.
3. القابلية للتوسع: تشير مرونة طريقة FDTD إلى إمكانية توسيع هذا النهج ليشمل هياكل عينات أكثر تعقيدًا تتجاوز الأشكال البيضاوية، بشرتط توفر بيانات تدريب كافية.

يخلص البحث إلى أن نهج التعلم العميق هذا يقدم مسارًا واعدًا لتحقيق الإمكانات التحليلية الكاملة للمجهرية الطيفية بالأشعة تحت الحمراء للخلايا البيولوجية، مما قد يقلل من الحاجة إلى دراسات معايرة تجريبية مكثفة من خلال الاعتماد على بيانات تدريب اصطناعية عالية الجودة.