MorphoCLIP: Text-Supervised Contrastive Learning for Perturbation Matching in Cell Painting Images
يقدم البحث نموذج MorphoCLIP، وهو نموذج تعلم تبايني خاضع للإشراف النصي يربط بكفاءة بين صور مجهرية من نوع "Cell Painting" وأوصاف اضطراباتها الكيميائية أو الجينية، مما يظهر تحسناً في أداء الاسترجاع ثنائي الاتجاه مع تسليط الضوء على أن المطابقة الموثوقة بين المركبات والاضطرابات الجينية لا تزال تشكل تحدياً غير محلول.
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 عالم البيولوجيا الخلوية الهادئ، سعى العلماء طويلاً لإيجاد طريقة لقراءة قصة حياة الخلية بمجرد النظر إلى شكلها. فعندما تتعرض الخلية لعقار كيميائي أو تعديل جيني، فهي لا تختفي ببساطة أو تنفجر، بل تتغير؛ حيث تتبدل هياكلها الداخلية، ويتورم نواتها أو ينكمش، وتتموج حدودها الخارجية. هذه التغييرات الفيزيائية الدقيقة، المعروفة باسم الملامح المورفولوجية (الظاهرية)، تعمل كبصمة لما يحدث في الداخل. ولعقود من الزمن، استخدم الباحثون تقنية تسمى "تلوين الخلايا" (Cell Painting) لالتقاط هذه البصمات. ومن خلال صبغ الخلايا بخمسة أصباغ فلورية مختلفة تضيء أجزاءً محددة مثل النواة، والهيكل الخلوي، ومصانع الطاقة، يمكنهم التقاط صور عالية الدộة لآلاف الخلايا في وقت واحد. والهدف هو ربط هذه الصور بالمعالجات المحددة التي تسببت فيها، لإنشاء مكتبة ضخمة يمكن للعالم من خلالها البحث عن تأثير عقار ما أو وظيفة جين معين بمجرد النظر إلى الصورة. ومع ذلك، فإن هذه المهمة صعبة للغاية؛ فالصور مليئة بالضجيج، والتغيرات البيولوجية غالباً ما تكون ضئيلة، كما أن التجربة نفسها قد تبدو مختلفة بناءً على اليوم الذي أُجريت فيه أو الطبق المحدد الذي يحمل الخلايا.
قدم فريق من الباحثين في جامعة نورث إيسترن نهجاً جديداً لحل هذا اللغز، يسمى "مورفو كليب" (MorphoCLIP). فبدلاً من محاولة إجبار الكمبيوتر على حفظ كل بكسل في كل صورة، علموا النظام فهم العلاقة بين صورة الخلية والوصف الإنجليزي البسيط لما حدث لها. تخيل مكتبة ضخمة لا تُنظم الكتب فيها حسب العنوان أو المؤلف، بل حسب القصة التي ترويها. في هذا النظام، يتعلم الكمبيوتر وضع صورة خلية بجانب الجملة التي تصف معالجتها، سواء كانت تلك المعالجة مركباً كيميائياً، أو جيناً تم إيقافه، أو جيناً تم تفعيله. وقد بنى الباحثون هذا النظام باستخدام "عقلين" قويين موجودين مسبقاً، وهما بارعان جداً في التعرف على الأنماط: أحدهما للصور والآخر للنصوص. وقد أبقوا هذين العقلين "مجمدين"، مما يعني أنهم لم يغيروهما، وبدلاً من ذلك قاموا بتدريب "موصل" صغير وفعال في المنتصف لتعلم كيفية الربط بينهما. وقد سمح ذلك للنظام بالعمل على جهاز كمبيوتر قياسي واحد، بدلاً من الحاجć إلى حاسوب خارق.
تظهر النتائج أن هذه الطريقة تعمل بشكل رائع في إيجاد الروابط التي كانت مخفية سابقاً. فعندما طلب الباحثون من النظام إيجاد الصورة التي تطابق وصفاً نصياً معيناً، أو إيج find النص الذي يطابق صورة معينة، ظهرت الإجابة الصحيحة ضمن أول عشر نتائج في كثير من الأحيان، بل وفي حالات عديدة، تم العثหา المطابقة الصحيحة في المحاولات القليلة الأولى. وقد ظل هذا النجاح قائماً حتى عندما تم اختبار النظام على بيانات جديدة لم يسبق له رؤيتها، مما يشير إلى أنه تعلم قاعدة حقيقية حول كيفية مظهر الخلايا عندما تتعرض للاضطراب، بدلاً من مجرد حفظ أمثلة التدريب. كما أثبت النظام قدرته على التعامل مع ثلاثة أنواع مختلفة تماماً من البيانات: العقاقير الكيميائية، والجينات التي تم تعطيلها (knockout)، والجينات التي تم التعبير عنها بشكل مفرط (overexpressed)، حيث تعامل معها جميعاً ضمن إطار موحد واحد.
ومع ذلك، كشفت الدراسة أيضاً عن حدود ما يمكن أن تحققه الأوصاف النصية حالياً. فبينما أصبح النظام جيداً جداً في مطابقة تجربة معينة مع نسخها المكررة — مما يضمن أن تبدو صورتان لنفس المعالجة متشابهتين — إلا أنه واجه صعوبة في ربط الأنواع المختلفة من البيولوجيا. وتحديداً، وجد الباحثون أن النظام لم يستطع الربط بشكل موثوق بين عقار كيميائي وتغيير جيني يستهدف نفس الجزء من الخلية. وهذه فجوة حاسمة، لأن أحد الآمال الرئيسية في هذا المجال هو استخدام هذه الصور لاكتشاف أدوية جديدة عبر إيجاد مواد كيميائية تعمل مثل الإصلاحات الجينية المعروفة. وقد اختبر الباحثون عدة أفكار لإصلاح ذلك، مثل إعطاء الكمبيوتر تسميات أكثر مرونة وليونة لمراعاة التعقيد البيولوجي، أو التصحيح من الاختلافات التقنية بين أطباق التجارب. وبينما ساعدت بعض هذه التعديلات النظام على الاتفاق بشكل أفضل مع نفسه، إلا أن أي منها لم يحل المشكلة الجوهرية المتمثلة في ربط الجينات بالعقاقير. وتشير الدراسة إلى أنه بينما يعد الإشراف النصي أداة قوية لتنظيم والبحث في صور الخلايا، فإن القفزة نحو فهم الآليات البيولوجية المشتركة والعميقة بين أنواع المعالجات المختلفة لا تزال تحدياً مفتوحاً.
وقد لاحظ الباحثون بعناية أن نجاحهم في مطابقة التجارب المكررة لا يعني تلقائياً أنهم قد فكوا شفرة فهم بيولوجي أعمق. فقد تم تدريب النظام صراحةً لجعل الصور المكررة تبدو متشابهة، لذا أصبح بطبيعة الحال جيداً جداً في تلك المهمة المحددة. والحقيقة أن عدم تحسنه في مطابقة الجينات مع العقاقير تشير إلى أن الأوصاف النصية الحالية، والتي تسرد هدف العقار أو الجين، ليست غنية بما يكفي بعد لتعليم الكمبيوتر القصة الكاملة لكيفية تفاعل تلك الأهداف. وخلص الفريق إلى أنه بينما يعد نموذجهم خطوة مهمة للأمام في استرجاع وتنظيم بيانات الخلايا، فإن الحلم باستخدام هذه الصور للتنبؤ بآليات بيولوجية جديدة من النص وحده ليس حقيقة واقعة بعد. وسيتطلب المسار المستقبلي على الأرجح طرقاً أفضل لوصف البيولوجيا في النصوص وبيانات أكثر تنوعاً لاختبار ما إذا كانت هذه الأنماذ المتعلمة تظل صالحة عبر أنواع الخلايا والظروف المختلفة. وفي الوقت الحالي، يقف "مورفو كليب" كدليل على أن الكمبيوتر يمكنه تعلم قراءة اللغة المرئية للخلايا وربطها بالكلمات التي نستخدمها لوصفها، حتى وإن كان القاموس الكامل للحياة لا يزال قيد الكتابة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.