vIR-OLO: an open-source YOLO-based interface for functional- group detection and localization in infrared spectra
تقدم الورقة البحثية vIR-OLO، وهو إطار عمل مفتوح المصدر يعتمد على YOLO، يعيد صياغة تحديد المجموعات الوظيفية في أطياف الأشعة تحت الحمراء كمسألة كشف عن الكائنات للتنبؤ في آن واحد بوجود المجموعة وتحديد المواقع المناطق الطيفية المميزة، مما يعزز القابلية للتفسير ويدعم سير العمل القائم على تدخل العنصر البشري.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
لطالما اعتمد الكيميائيون على تقنية تُسمى مطيافية الأشعة تحت الحمراء لفهم مكونات الجزيئات. فعندما يمر شعاع من الضوء غير المرئي للأشعة تحت الحمراء عبر عينة، تمتص الجزيئات ألواناً محددة من هذا الضوء، مما ينشئ نمطاً فريداً من القمم والوديان على رسم بياني. يعمل هذا النمط بمثابة بصمة، تكشف عن وجود مجموعات ذرية معينة تُعرف بالمجموعات الوظيفية. ويعد تحديد هذه المجموعات أمراً ضرورياً لكل شيء، بدءاً من اكتشاف أدوية جديدة وصولاً إلى تحليل القطع الأثرية القديمة. ومع ذلك، فإن قراءة هذه البصمات كانت تقليدياً مهمة بطيئة وتتطلب جهداً يدوياً؛ إذ يجب على الخبير النظر إلى الرسم البياني، والتعرف على شكل وموقع كل قمة، وتحديد المجموعة الكيميائية التي تمثلها. تتطلب هذه العملية سنوات من التدريب والرجوع المستمر إلى قواعد البيانات، وحتى الخبراء قد يرتكبون أخطاء عندما تكون الأنماط غير واضحة أو الجزيئات غير مألوفة.
مؤخراً، حاول العلماء استخدام برامج الكمبيوتر لأتمتة هذه القراءة. تعمل معظم هذه البرامج كمصنف بسيط: فهي تنظر إلى الرسم البياني بأكمله وتخرج قائمة بالمجموعات التي تعتقد أنها موجودة. ورغم أن هذه الطريقة أسرع من القيام بالأمر يدوياً، إلا أنها تعاني من خلل كبير؛ فالكمبيوتر يعطي إجابة لكنه لا يقدم دليلاً مرئياً على مكان العثور على الدليل. يشبه الأمر معلماً يصحح اختباراً ويضع الدرجة النهائية دون أن يوضح أي الأسئلة تمت الإجابة عليها بشكل صحيح. فبدون رؤية الجزء المحدد من الرسم البياني الذي استخدمه الكمبيوتر لاتخاذ قراره، لا يستطيع العالم البشري التحقق من النتيجة بسهولة أو تصحيحها إذا أخطأ الكمبيوتر. وهذا النقص في الشفافية يجعل من الصعب بناء الثقة في حكم الآلة أو استخدام عمل الكمبيوتر لتحسين النماذج المستقبلية.
لقد عالج فريق من الباحثين في جامعة ماكماستر هذه الفجوة من خلال إنشاء أداة جديدة تسمى vIR-OLO. فبدلاً من معاملة المشكلة كعملية بسيطة لإنشاء القوائم، أعادوا صياغتها كمهام للبحث عن أشياء محددة وتحديدها داخل صورة. وقد قاموا بتكييف نوع من الذكاء الاصطناعي صُمم أصلاً لرصد السيارات أو الأشخاص في الصور الفوتوغرافية، وعلموه كيفية رصد القمم الكيميائية في رسوم الأشعة تحت الحمراء البيانية. وبدلاً من الاكتفاء بالقول إن "الكحول موجود"، يقوم البرنامج برسم مربع حول القسم المحدد من الرسم البياني حيث تظهر قمة الكحول. وهذا يسمح للمستخدم البشري برؤية ما ينظر إليه الكمبيوتر بالضبط، والتحقق من الموقع، وحتى تعديل المربع إذا أخطأ الكمبيوتر في تحديد الهدف. لقد صُمم النظام ليكون شريكاً في المختبر، وليس بديلاً للخبرة البشرية، مما يتيح سير عمل يمكن فيه للعالم مراجعة وتصحيح وتحسين مقترحات الكمبيوتر بسرعة.
لبناء هذا النظام، جمع الباحثون آلاف الرسوم البيانية للأشعة تحت الحمراء من قاعدة بيانات عامة، ورسموا يدوياً مربعات حول القمم المقابلة لاثني عشر نوعاً مختلفاً من المجموعات الوظيفية، مثل الكحول والأحماض والعطريات. ثم قاموا بتدريب ثلاث نسخ مختلفة من برنامجهم، لكل منها مجموعة قواعد مختلفة قليلاً لكيفية تجميع هذه المواد الكيميائية. احتفظت إحدى النسخ بالـاثنتي عشرة مجموعة منفصلة، ودمجت نسخة أخرى المجموعات المتشابهة مثل الكيتونات والألدهيدات في فئة واحدة تسمى "كربونيل" لتقليل الارتباك، بينما قسمت نسخة ثالثة بعض المجموعات إلى أقسام يمنى ويسرى للتعامل مع الأنماط المعقدة. وبعد التدريب، اختبروا البرنامج على مئات الرسوم البيانية غير المرئية سابقاً. وأظهرت النتائج أن النظام كان فعالاً للغاية في تحديد المجموعات الموجودة، حيث اكتشفها بشكل صحيح في أكثر من 84 بالمائة من الحالات عبر جميع النسخ.
والأهم من ذلك، أثبت النظام قدرته على تحديد موقع هذه المجموعات بدقة عالية. فعندما يرسم الكمبيوتر مربعاً حول قمة ما، يتداخل هذا المربع مع المنطقة الصحيحة من الرسم البياني في أكثر من 80 بالمائة من الحالات. ويعني هذا المستوى من الدقة أن البرنامج لا يخمن فحداً، بل يحدد بدقة الميزات التي تحدد المجموعة الكيميائية. ووجد الباحثون أن دمج المجموعات المتشابهة في فئة واحدة جعل النظام أحياناً أكثر اتساقاً في إيجاد الإجابة الصحيحة، بينما توفير المجموعات منفصلة قدم معلومات كيميائية أكثر تفصيلاً ولكنه تطلب بيانات أكثر لتجنب الارتباك. كما تعلم البرنامج كيفية التعرف على كيفية ظهور مجموعات معينة معاً، مثل الفينولات والعطريات، مما يحاكي العلاقات الكيميائية الموجودة في الطبيعة.
لقد أطلق الباحثون برنامجهم كأداة مفتوحة المصدر، مما يعني أن أي شخص يمكنه تحميلها واستخدامها دون دفع رسوم. يتضمن البرنامج واجهة سهلة الاستخدام تتيح للعلماء تحميل بياناتهم الخاصة، وتشغيل عملية الكشف، وتعديل النتائج يدوياً. وإذا قام المستخدم بتصحيح خطأ ما، يمكن للنظام التعلم من هذا التصحيح وتحسين توقعاته المستقبلية. وهذا يخلق دورة من التحسين المستمر حيث تصبح الأداة أكثر دقة مع استخدام المزيد من الناس لها وتدقيق بياناتهم الخاصة. ومن خلال جعل عملية الكشف مرئية وقابلة للتعديل، قدم الباحثون طريقة عملية لعمل الكيميائيين جنباً إلى جنب مع الذكاء الاصطناعي، محولين التنبؤ الذي يشبه "الصندوق الأسود" إلى عملية تعاونية شفافة يمكنها تسريع اكتشاف وتحليل المواد الجديدة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.