← أحدث الأبحاث
⚛️ quantum physics

Hybrid quantum-classical attention for histopathology-based molecular profiling in data-limited cancers

تقدم هذه الورقة استراتيجية هجينة كمومية-كلاسيكية تستبدل آلية الانتباه "softmax" القياسية بمصفوفة ثنائية العشوائية مشتقة كمومياً في نماذج المحولات الخاصة بعلم أمراض الأنسجة، مما يظهر تحسينات انتقائية في التنبؤ بالتعبير الجيني لأنواع السرطان ذات البيانات المحدودة والأهداف ذات الصلة بيولوجياً، مع التحقق من الآلية الكامنة على معالجات IBM الكمومية.

المؤلفون الأصليون: Kahn Rhrissorrakrai, Aritra Bose, Aldo Guzman-Saenz, Filippo Utro, Laxmi Pardia

نُشر 2026-09-21
📖 4 دقيقة قراءة🧠 قراءة متعمّقة
CC BY 4.0

المؤلفون الأصليون: Kahn Rhrissorrakrai, Aritra Bose, Aldo Guzman-Saenz, Filippo Utro, Laxmi Pardia

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 المعركة ضد السرطان، يعتمد الأطباء غالباً على نوعين متميزين من المعلومات لفهم الورم. يأتي النوع الأول من فحص الأنسجة تحت المجهر، وهي عملية روتينية حيث يفحص عالم الأمراض شريحة رقيقة من خزعة لرؤية كيفية ترتيب الخلااء وما تبدو عليه. أما النوع الآخر فيأتي من قراءة التعليمات الكيميائية داخل تلك الخلايا، والمعروفة بالتنميط الجيني أو الجزيئي، والتي تكشف عن الجينات النشطة وكيف يمكن للسرطان أن يتصرف. وبينما تُعد الرؤية المجهرية معياراً عالمياً في المستشات حول العالم، فإن القراءة الجينية تتطلب معدات باهظة الثمن وكمية كبيرة من الأنسجة، مما يجعل من الصعب إجراءها للعينات الصغيرة، أو أنواع السرطان النادرة، أو للمرضى في الأماكن التي تفتقر إلى المختبرات المتقدمة. وتترك هذه الفجوة العديد من المرضى دون صورة كاملة لمرضهم. وقد حاول العلماء سد هذا الانقسام عبر تعليم الحواسيب النظر إلى صور المجهر الروتينية والتنبؤ بالنشاط الجيني الخفي بداخلها، آملين في استخراج الرؤى الجزيئية من الأنماط البصرية للأنسجة وحدها.

لقد اتخذ فريق من الباحثين في "آي بي إم ريسيرش" (IBM Research) نهجاً جديداً لمواجهة هذا التحدي من خلال إدخال أداة من المجال الناشئ للحوسبة الكمومية في البرمجيات التي تحلل هذه الصور الطبية. فقد طوروا نظاماً هجيناً يجمع بين المعالجة الحاسوبية القياسية ونوع محدد من الحسابات الكمومية المصممة لمساعدة البرنامج على الانتباه إلى الأجزاء الصحيحة من الصورة. وفي دراستهم، اختبروا هذا النظام على صور رقمية لعينات من الأنسجة من 29 نوعاً مختلفاً من السرطان، تتراوح من الأنواع الشائعة مثل سرطان الثدي والرئة إلى الأنواع النادرة والصعبة الدراسة. وكان الهدف هو معرفة ما إذا كان هذا النهج المستوحى من الكم يمكن أن يساعد الحاسوب في تقديم تخمينات أكثر دقة حول التركيبة الجينية للورم عندما تكون البيانات الجينية الفعلية مفقودة أو عندما تتوفر عينات قليلة جداً من المرضى للتعلم منها.

وجد الباحثون أن النظام الهجين لم يكتفِ بمجرد جعل الحاسوب أفضل في تخمين كل جين على حدة، بل عمل أشبه بمرشح انتقائي، حيث حسن الدقة لبعض الجينات المحددة بينما جعل التنبؤات لغيرها أسوأ قليلاً. ولم يكن هذا التبادل عشوائياً؛ فالجينات التي أصبحت أسهل في التنبؤ كانت تنتمي إلى مجموعات بيولوجية معروفة بأهميتها لهذا النوع المحدد من السرطان. فعلى سبيل المثال، في نوع نادر وعدواني من سرطان الغدة الكظرية يسمى سرطان القشرة الكظرية، حسن النظام الهجين بشكل كبير التنبؤ بالجينات المشاركة في انقسام الخلايا وإصلاح الحمض النووي (DNA). والأهم من ذلك، أن الجينات التي شهدت أكبر تحسن كانت هي نفسها المرتبطة بآفاق طبية سيئة للمرضى. وهذا يشير إلى أن الطريقة الجديدة كانت تنجح في التقاط العلامات البصرية لأكثر الجوانب خطورة في المرض، حتى في ظل ندرة البيانات.

استكشفت الدراسة أيضاً ما إذا كان هذا الأسلوب يمكن أن يعمل عبر مجموعات مختلفة من المرضى. فعندما درب الباحثون النظام على مجموعة كبيرة من بيانات سرطان البنكرياس ثم اختبروه على مجموعة أخرى مستقلة تماماً، كانت النتائج مختلطة. فقد حسن النظام التنبؤات لمجموعة محددة من الجينات المتعلقة بالتمثيل الغذائي وسلالة الخلايا، لكنه واجه صعوبة مع العديد من الجينات الأخرى. ويشير هذا إلى أن التكنولوجيا ليست حلاً عالمياً يعمل بشكل مثالي لكل جين في كل موقف، بل تبدو كأداة متخصصة يمكن ضبطها للتركيز على مسارات بيولوجية معينة. كما اختبر الباحثون الجزء الكمومي من نظامهم على معالجات كمومية فعلية، وهي الأجهزة المتخصصة المصممة لهذه الحسابات. وقد أكدوا أن العملية الرياضية الأساسية المستخدمة في نظامهم يمكن تنفيذها بنجاح على هذه الآلات، على الرغم من أن تحليل الصورة الكاملة لا يزال يتم على حواسيب قياسية.

كانت إحدى أهم النتائج هي أن النظام الهجين بدا يعمل بشكل أفضل عندما كانت البيانات قليلة جداً في البداية. ففي المجموعات الأصغر من المرضى، حيث تعاني النماذج الحاسوبية التقليدية غالباً في التعلم، قدمت آلية "الانتباه" المستوحاة من الكم أكبر المكاسب الملحوظة. وهذا يعد إشارة واعدة لأنواع السرطان النادرة، حيث يكون جمع أعداد كبيرة من العينات أمراً مستحيلاً تقرياً. كما اكتشف الباحثون أنهم ليسوا بحاجة لاستخدام الحساب الكمومي لعملية التدريب بأكملها للحصول على فوائد؛ إذ كان استخدامها فقط في الخطوات الأولى من عملية التعلم كافياً لتوجيه النظام نحو أداء أفضل، مما قد يجعل هذه التكنولوجيا أكثر عملية للاستخدام في المستقبل.

في نهاية المطاف، يشير هذا العمل إلى طريقة جديدة للتفكير في استخدام الحوسبة المتقدمة في الطب. فبدلاً من محاولة استبدال الأساليب القياسية بالكامل، يوفر النهج الهجين وسيلة لتعزيز أجزاء محددة من التحليل. وهو يوضح أنه من خلال تغيير كيفية تحديد الحاسوب للأجزاء التي يجب التركيز عليها في الصورة، باستخدام هيكل مشتق من الفيزياء الكمومية، فإنه من الممكن الكشف عن الإشارات الجزيئية الخفية في شرائح الأنسجة الروتينية. ورغم أن هذه التكنولوجيا لا تزال في مراحلها الأولى وتتطلب المزيد من الاختبارات لاستخدامها في المستشفيات، إلا أنها تقدم مساراً محتملاً لمنح المرضى المصابين بأنواع نادرة أو محدودة البيانات فهماً أكثر اكتمالاً لمرضهم، باستخدام الصور المتاحة بالفعل في سجلاتهم الطبية.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف ⚛️ quant-ph →