Data-Efficient and Interpretable Classification of Circulating Tumor Cell Phenotypes in Microfluidic Devices via Deep Learning
تقترح هذه الورقة إطار عمل للتعلم العميق يتسم بكفاءة البيانات وقابلية التفسير، يستخدم استراتيجية تعزيز فرعية مستهدفة وتصوراً قائماً على التدرج لتصنيف الأنماط الظاهرية للخلايا الورمية المنتشرة بدقة من بيانات المسارات الموائع الدقيقة، مما يتغلب على ندرة البيانات ويكشف عن الآليات الفيزيائية الحيوية المشفرة بواسطة هندسة الجهاز.
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
لا يبقى السرطان دائماً في مكان واحد. فأحياناً، تنفصل الخلايا الخبيثة عن الورم وتنجرف إلى مجرى الدم، لتنتقل إلى أجزاء أخرى من الجسم مكونةً نموات جديدة. هذه الخلايا المتجولة، المعروفة باسم الخلايا الورمية المنتشرة، تُعد أدلة حاسمة للأطباء؛ فإذا استطاع العلماء تحديدها وفهم طبيعتها، يمكنهم التنبؤ بشكل أفضل بمدى عدوانية السرطان وكيفية استجابته للعلاج. ومع ذلك، فإن رصد هذه الخلايا أمر صعب لأنها نادرة وتشبه إلى حد كبير مليارات خلايا الدم السليمة المحيطة بها. تعتمد الطرق التقليدية غالباً على الوسوم الكيميائية، ولكن هذه الوسوم قد تفشل إذا تغير مظهر الخلايا مع تقدم المرض. ولحل هذه المشكلة، توجه الباحثون إلى الفيزياء؛ حيث يستخدمون قنوات متخصصة دقيقة مليئة بأعمدة مجهرية تعمل كمسار عقبات. وبينما تتحرك الخلية عبر هذا المتاهة، يحدد حجمها وصلابتها كيفية تحركها؛ فالخلية اللينة والطرية ستنساب بشكل مختلف عن الخلية الصلبة والمتيبسة، تاركةً وراءها أثراً فريداً من الحركة. وتكمن المعضلة دائماً في أن هذه الآثار معقدة ويصعب قراءتها، مما يتطلب حواسيب قوية لفهم هذه الأنماط.
لقما طور فريق من الباحثين في جامعة تكساس تيك طريقة جديدة لقراءة آثار الحركة هذه باستخدام الذكاء الاصطناعي، ولكن مع لمسة مبتكرة مصممة للعمل مع كمية ضئيلة جداً من البيانات. في دراستهم، ركزوا على نوع محدد من الأجهزة حيث تتنقل الخلايا عبر مجال غير منتظم ولكنه موحد من الأعمدة المجهرية. وقد قاموا بمحاكاة حركة نوعين متميزين من الخلايا السرطانية — بعضها لينة وبعضها صلبة — عبر هذه البيئة. ولأن تشغيل هذه المحاكاة الفيزيائية التفصيلية بطيء ومكلف، فقد امتلك الباحثون عدداً محدوداً فقط من سجلات الحركة، وهو ما يزيد قليلاً عن خمسمائة سجل في المجمل. وعادة ما يجعل هذا النقص من الصعب على البرامج الحاسوبية التعلم بفعالية، حيث تميل إلى حفظ الأمثلة القليلة التي تراها بدلاً من تعلم القواعد الأساسية. ولإصلاح ذلك، ابتكر الفريق طريقة تدريب ذكية أطلقوا عليها اسم "أخذ عينات المتتالية الفرعية" (subsequence sampling). فبدلاً من عرض الرحلة الكاملة للخلية من البداية إلى النهاية على الحاسوب، قاموا بتغذيته عشوائياً بقطع قصمت ومستمرة من المسار، مما أجبر الذكاء الاصطناعي على التركيز على التفاصيل المحلية الأكثر دلالة للحركة بدلاً من الاعتماد على التاريخ الكامل للرحلة.
أظهرت النتائج أن هذا النهج حقق نجاحاً ملحوظاً. فمن خلال التدريب على هذه المقاطع العشوائية، تعلم الحاسوب التمييز بين الخلايا اللينة والصلبة بدقة أكبر مما كان عليه عند تدريبه على المسارات الكاملة. ثم طرح الباحثون سؤالاً ثانياً لا يقل أهمية: كيف يتخذ الحاسوب قراره فعلياً؟ غالباً ما تُوصف نماذج الذكاء الاصطناعي بأنها "صناديق سوداء" لأن منطقها الداخلي مخفي، لكن الفريق استخدم أداة تصور لتسليط الضوء على هذه العملية. ووجدوا أن الحاسوب لم يكن بحاجة إلى الرحلة بأكملها لاتخاذ قرار صحيح؛ بل ركز بكثافة على لحظات قصيرة ومحددة حيث تتفاعل الخلية مع الأعمدة أو السائل. وقد أكد هذا أن المعلومات الأكثر أهمية كانت مخبأة في هذه التفاعلات المحلية، وليس في الشكل العام للمسار بأكمله.
كما كشفت الدراسة عن تفصيل مفاجئ حول ما كان الحاسوب يبحث عنه بالفعل؛ إذ اعتمد النموذج بشكل أساسي على تغيرات السرعة والاتجاه — أي سرعة المتجه — بدلاً من مجرد الموقع. وبينما ساعد معرفة موقع الخلية، فإن معرفة مدى سرعتها وكيفية تسارعها أو دورانها قدمت أقوى الأدلة. وعندما دمج الباحثون بيانات الموقع والسرعة معاً، حقق الحاسوب أعلى مستوى من الدقة. وأظهرت الخرائط البصرية التي أنشؤوها أن الحاسوب أولى اهتماماً لمناطق محددة داخل الجهاز حيث تكون حركات الخلايا أكثر تميزاً. فبالنسبة للخلايا اللينة، كانت هذه المناطق الحرجة هي تلك التي تبدو فيها الخلايا وكأنها تنحني وتتدفق حول العوائق، بينما أظهرت الخلايا الصلبة انحرافات حادة ومتيبسة في مناطق مختلفة. وهذا يشير إلى أن الجهاز نفسه يعمل كمترجم فيزيائي، يحول الخصائص الميكانيكية غير المرئية للخلية إلى نمط حركة مرئي يمكن للحاسوب قراءته.
وعلى الرغم من أن هذه النتائج تستند إلى محاكاة حاسوبية وليس تجارب حية، إلا أنها توفر مساراً واضحاً للمضي قدماً. إذ تشير الأبحاث إلى أن الأجهزة المستقبلية قد لا تحتاج إلى تتبع الخلية طوال رحلتها لتحديد هويتها؛ إذ قد يكون التقاط بضع ثوانٍ فقط من حركتها الأكثر نشاطاً كافياً. وهذا من شأنه أن يقلل بشكل كبير من الوقت وقوة الحوسبة المطلوبة للتحليل. علاوة على ذلك، ومن خلال فهم الأجزاء التي تولد أكثر المعلومات فائدة، يمكن للمهندسين تصميم أدوات مائعية دقيقة أفضل في المستقبل. إن هذا العمل يثبت أنه من خلال الجمع بين طريقة ذكية لتدريب الحواسيب وطريقة لرؤية ما يدور في عقلها، يمكن للعلماء فتح الأسرار المخفية في الطريقة التي تتحرك بها الخلايا عبر طرق الجسم السريعة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.