Mapping bioimage-analysis software adoption in microscopy
تحلل هذه الدراسة 1.7 مليون ورقة بحثية في مجال المجهرية من عام 2010 إلى عام 2025 للكشف عن اعتماد متزايد على برمجيات تحليل الصور —بقيادة ImageJ/Fiji مع زيادة تبني أدوات متخصصة في المجال مثل QuPath وnapari— بينما تسلط الضوء على أن أعداد الاستشهادات غالبًا ما تقلل من الاستخدام الفعلي وتحث الباحثين على الاستشهاد الصريح بطرق البرمجيات المستخدمة والإبلاغ عنها لتحسين قابلية التكرار.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
لا تكتفي المجاهر الحديثة بالتقاط الصور فحسب، بل تُنتج ملفات رقمية ضخمة ومتعددة الطبقات تحمل أسرار كيفية تحرك الخلايا، وانقسامها، وتفاعلها. ومع ذلك، فإن الصورة الخام ليست سوى بداية القصة؛ فمن أجل تحويل تلك البكسلات إلى معرفة بيولوجية — مثل عدّ عدد الخلايا الموجودة، أو قياس حجمها، أو تتبع حركتها — يجب على العلماء استخدام برامج حاسوبية لتحليل البيانات. هذه البرامج هي الأدوات التي تترجم المعلومات المرئية إلى أرقام. إن اختيار الأداة التي سيتم استخدامها أمر بالغ الأهمية، لأن البرامج المختلفة قد تنتج أحياناً قياسات مختلفة من الصورة ذاتها تماماً. فإذا درست مختبرات مختلفة نفس الحدث البيولوجي ولكن باستخدام برمجيات مختلفة، فقد يتوصلون إلى استنتاجات متباينة حول حجم الخلية أو عدد مرات انقسامها. وهذا يخلق تحدياً أمام العلم: فإذا لم يتم تسمية هذه الأدوات ووصفها بوضوح، فلن يتمكن الباحثون الآخرون من تكرار التجربة للتحقق من النتائج.
لسنوات طويلة، كانت الجماعة العلمية تدرك أن أدوات البرمجيات هذه حاسمة، ومع ذلك لم يكن لدى أحد خريطة واضحة توضح أي منها يُستخدم بالفعل في الواقع. كانت المعلومات مبعثرة، ومخبأة داخل أقسام المنهجية في ملايين الأوراق البحثية، وغالباً ما تُذكر مرور الكرام دون إشارة مرجعية رسمية. ولحل هذه المعضلة، وضع فريق من الباحثين هدفاً لعدّ وتصنيف البرمجيات المذكورة في أدبيات المجهرية العالمية. لقد قاموا بمسح 1.7 مليون ورقة بحثية كاملة النص نُشرت بين عامي 2010 و2025، بحثاً عن ذكر ثلاثين حزمة برمجية محددة. وكان هدفهم هو معرفة كيف تغير مشهد هذه الأدوات بمرور الوقت، وأيها أصبح معياراً قياسياً، وكيف يبلغ الباحثون عن استخدامها.
وجد الباحثون أن استخدام برامج تحليل الصور قد نما بسرعة أكبر بكثير من نمو عدد أوراق المجهرية نفسها. ففي عام 2010، ذكرت 12 بالمائة فقط من أوراق المجهرية أداة واحدة على الأقل من أدوات التحليل التي كانوا يتتبعونها. وبحلول عام 2025، ارتفع هذا الرقم إلى 30 بالمائة. ورغم هذا الانفجار في الاستخدام، لم يتحول المجال إلى مزيج فوضوي من مئات الأدوات المختلفة؛ بل ظل ذكرها متركزاً بشدة على عدد قليل من المنصات متعددة الأغراض. حيث يهيمن برنامج واحد، يُعرف باسم ImageJ/Fiji، على المشهد؛ ففي عام 2025، ذُكر هذا البرنامج في 28 بالمائة من إجمالي أوراق المجهرية كاملة النص، وهو ما يمثل 82 بالمائة من إجمالي الإشارات إلى حزم التحليل التي تتبعوها. يشير هذا إلى أنه بينما تظهر أدوات جديدة، لا يزال المجتمع العلمي يعتمد على مجموعة صغيرة من المنصات الراسخة والمتعددة الاستخدامات لمعظم أعماله الروتينية.
ومع ذلك، كشفت الدراسة أيضاً أن هيمنة هذه المنصات القديمة تتغير ببطء مع اكتساب الأدوات المتخصصة أرضية في مجالات محددة. فعلى سبيل المثال، شهد برنامج يُدعى QuPath نمواً سريعاً، لا سيما في مجال علم الأمراض، حيث يدرس العلماء عينات الأنسجة لتشخيص الأمراض. وبالمثل، يُذكر برنامج napari بشكل متكرر في الأوراق التي تتناول المجهر الإلكتروني، والذي يستخدم حزم الإلكترونات لرؤية هياكل أصغر بكثير مما يمكن للضوء كشفه. كما أصبحت الأساليب الجديدة القائمة على التعلم العميق، والتي تسمح للحواسيب بتعلم كيفية التعرف على الأنماط مثل حدود الخلايا، شائعة أيضاً. ومع ذلك، غالباً ما تُستخدم هذه الأساليب المتقدمة جنباً إلى جنب مع المنصات الراسخة. فقد وجد الباحثون أن الأوراق التي تذكر أداة التعلم العميق Cellpose غالباً ما تذكر أيضاً ImageJ/Fiji، وأن الأوراق التي تستخدم StarDist غالباً ما تقوم بتشغيلها داخل بيئة ImageJ. وهذا يشير إلى أن العلماء يدمجون خوارزميات جديدة وقوية في تدفقات العمل المألوفة لديهم، بدلاً من التخلي عن أدواتهم القديمة تماماً.
ركز جزء كبير من الدراسة على مدى جودة إبلاغ الباحثين عن مناهجهم، وهو عامل رئيسي في الموثوقية العلمية. اكتشف الفريق أن العديد من الأوراق تذكر حزمة برمجية دون الاستشهاد بالفعل بالورقة البحثية التي قدمتها. وبالنسبة للأداة الأكثر شعبية، ImageJ/Fiji، فإن 86 بالمائة من الأوراق التي ذكرتها في عام 2025 لم تتضمن استشهاداً بمنشورها الأصلي. وهذه الفجوة تزداد اتساعاً بالنسبة للأدوات الأحدث مثل QuPath وCellpose، حيث ارتفعت حصة الأوراق التي تذكر البرنامج دون الاستشهاد به بشكل حاد. وهذا يعني أن مجرد عدّ عدد المرات التي يتم فيها الاستشهاد بالبرنامج في قائمة المراجع يقلل من تقدير عدد الأشخاص الذين يستخدمونه بالفعل. علاوة على ذلك، قام الباحثون بمراجعة الجمل التي ذُكرت فيها البرمجيات ووجدوا أن عدداً كبيراً من الأوراق فشل في تقديم تفاصيل أساسية. ففي عام 2025، لم تحدد 61 بالمائة من الأوراق التي ذكرت ImageJ/Fiji، و52 بالمائة من تلك التي ذكرت StarDist، و36 بالمائة من تلك التي ذكرت Cellpose، إصدار البرنامج، أو الوظيفة المحددة المستخدمة، أو الإعدادات المطبقة. وبدون هذه التفاصيل، يستحيل على عالم آخر معرفة كيفية إجراء التحليل بالضبط، مما يجعل من الصعب إعادة إنتاج النتائج.
تخلص الدراسة إلى أنه بينما ينمو عدد الأوراق التي تستخدم تحليل الصور، يظل المجال مرتكزاً على منصات أساسية قليلة يثق بها الباحثون لتعدد استخداماتها. وقد أضاف صعود التعلم العميق قدرات قوية جديدة، ولكن هذه القدرات غالباً ما تُنسج في تدفقات العمل الحالية بدلاً من استبدالها. إن القضية الأكثر إلحاحاً التي حددتها الدراسة ليست نقص الأدوات، بل نقص الشفافية في كيفية استخدامها. ويرى المؤلفون أنه لكي يظل العلم قابلاً للتكرار، يجب على الباحثين فعل أكثر من مجرد تسمية البرنامج الذي استخدموه؛ إذ يجب عليهم الاستشهاد بالأوراق الأصلية، وتحديد أرقام الإصدارات، ووصف الإعدادات والمعايير. ومن خلال جعل هذه التفاصيل مرئية، يمكن للمجتمع العلمي ضمان أن تكون الأدوات الرقمية التي تقود المجهرية الحديثة موثوقة وشفافة مثل المجاهر نفسها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.