Path2ST: Hierarchical Cell-Tissue Grounded Cross-Modal Translation for Spatial Transcriptomics
يُعد Path2ST إطار عمل هرمي مبتكر يعمل على تحسين التنبؤ بالتعبير الجيني المكاني من الصور المصبوغة بصبغة الهيماتوكسيلين والإيوسين (H&E) عبر الاستفادة من التسلسلات الهرمية البيولوجية المتأصلة بين الخلايا والأنسجة من خلال نهج ترجمة دلالية متعدد الوسائط، محققاً أداءً هو الأفضل في حالته في توليد ملفات تعريف ترانسكريبتومية دقيقة ومتماسكة مكانياً.
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
في دراسة البيولوجيا البشرية، واجه العلماء لفترة طويلة خياراً صعباً بين رؤية شكل النسيج وقراءة تعليماته الكيميائية. لعقود من الزمن، كانت الطريقة القياسية لفحص عينة نسيج تحت المجهر هي صبغها بصبغات وردية وأرجوانية، مما يخلق خريطة مفصلة لبنيتها الفيزيائية. هذه الطريقة رخيصة وسريعة وتُستخدم في المستشفيات يومياً، لكنها تظهر فقط اللبنات الأساسية للجسم، وليس الرسائل الكيميائية النشطة التي ترسلها. وللقراءة تلك الرسائل، يتعين على الباحثين اللجوء إلى تقنية أحدث تسمى "علم النسخ المكاني" (spatial transcriptomics). تقيس هذه التقنية أي الجينات نشطة في مواقع محددة داخل النسيج، مما يكشف عن المحادثات الجزيئية التي تحدث داخل الجسم. ومع ذلك، فإن هذه الأداة القوية مكلفة، وتتطلب معدات متخصصة، وهي بطيئة جداً للاستخدام الطبي الروتيني. وقد تمثل التحدي المركزي للعلماء في إيجاد طريقة للتنبؤ بهذه الخرائط الجزيئية المعقدة باستخدام الصور الملونة البسيطة التي يلتقطها أطباء المسالك البولية بالفعل.
لقد طور فريق من الباحثين نهجاً جديداً يتعامل مع هذه المشكلة ليس كترجمة بسيطة، بل كعملية فهم لطبقات بيولوجية عميقة. لقد أنشأوا نظاماً يسمى "Path2ST"، والذي يتعلم توليد خرائط نشاط جيني مفصلة من صور المجهر القياسية. الفكرة الجوهرية وراء عملهم هي أن عينة النسيج ليست مجرد مجموعة عشوائية من الخلايا، بل هي بيئة منظمة حيث يحدد نوع الخلية وجيرانها ما إذا كانت الجينات ستعمل أم لا. غالباً ما كانت المحاولات السابقة لحل هذه المشكلة تعامل صورة المجهر كصورة عامة، تبحث عن الأنماط دون فهم الأدوار البيولوجية المحددة للخلايا داخلها. ويرفض النهج الجديد هذه الرؤية الواسعة، مجادلاً بدلاً من ذلك بأنه لكي يتنبأ الحاسوب بنشاط الجينات بدقة، يجب عليه أولاً فهم المزيج المحدد لأنواع الخلايا والبيئة النسيجية المحيطة بها، تماماً كما يتطلب فهم جملة ما معرفة معنى الكلمات والقواعد التي تربط بينها.
بنى الباحثون نظامهم من خلال تعليم الحاسوب التعرف على التسلسل الهرمي للحياة داخل النسيج. أولاً، يقوم النظام بتحليل صورة المجهر لتحديد الخلايا الفردية وتصنيفها إلى فئات، مثل الخلايا المناعية، أو الخلايا السرطانية، أو خلايا الأنسجة السليمة. بعد ذلك، يحسب نسبة كل نوع من الخلايا في منطقة معينة. تُدمج هذه المعلومات مع رؤية أوسع لبنية النسيج لإنشاء سياق بيولوجي غني. وبدلاً من تخمين النشاط الجيني مباشرة من ألوان البكسل، يستخدم النظام هذا السياق البيولوجي كدليل. ثم يقوم بتوليد خريطة النشاط الجيني في عملية خطوة بخطوة، بدءاً من نظرة عامة واسعة على حالة النسيج وتدرجاً في تنقيح التفاصيل للتنبؤ بنشاط الجينات الفردية. تضمن هذه الطة أن يكون التنبؤ النهائي متسقاً مع الواقع البيولوجي للنسيج، مما يمنع نوع الأخطاء التي تحدث عندما يحاول النموذج التنبؤ بآلاف الأرقام المعقدة دفعة واحدة دون دليل.
ولضمان ألا تكون التنبؤات قريبة رياضياً فحسب بل حقيقية بيولوجياً، صمم الفريق طريقة تدريب خاصة تتحقق من النتائج بثلاث طرق مختلفة. يتم اختبار النظام بناءً على قدرته على مطابقة الأعداد الدقيقة لجزيئات الجينات، وقدرته على إعادة إنتاج الأنماط الإحصائية لكيفية سلوك الجينات في الطبيعة، وقدرته على إبقاء النشاط الجيني متماشياً مع أنواع الخلايا الموجودة. وعند اختباره على عينات نسيج حقيقية من سرطان البروستاتا البشري، وسرطان الثدي البشري، وأدمغة الفئران السليمة، تفوق النظام على جميع الطرق الموجودة. فقد أنتج خرائط جينية كانت أكثر دقة واتساقاً مع بنية النسيج الفعلية من أي محاولة سابقة. وفي مجموعة من الاختبارات على نسيج سرطان البروستاتا، حسّن النظام الجديد دقة التنبؤ بأهم الجينات بهامش كبير مقارم بأفضل الأدوات السابقة، مع تقليل متوسط الخطأ في تنبؤاته أيضاً.
تكمن قيمة هذا العمل في قدرته على جعل البيولوجيا الجزيئية المتقدمة متاحة من خلال الأدوات الطبية الروتينية. ومن خلال النجاح في ترجمة صورة مجهر قياسية إلى خريطة مفصلة للنشاط الجيني، أظهر الباحثون أنه من الممكن استنتاج معلومات جزيئية معقدة دون الحاجة إلى اختبارات مختبرية مكلفة ومستهلكة للوقت. لقد أثبت النظام قدرته على تحديد مكان نشاط جينات معينة مرتبطة بالسرطان بدقة، ومطابقة تلك التنبؤات مع العناقيد الفعلية للخلايا السرطانية الموجودة في النسيج. وهذا يشير إلى أنه في المستقبل، قد يتمكن الأطباء من الحصول على رؤى جزيئية عميقة من الصور القياسية التي يلتقطونها بالفعل، مما قد يجعل التشخيص المتقدم أسرع وأكثر قدرة على التحمل من الناحية المادية. وقد أتاح الباحثون الكود الخاص بهم للآخرين، مما يسمح للمجتمع العلمي بالبناء على هذه الطريقة لربط البنية المرئية للجسم بلغته الكيميائية غير المرئية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.