4D self-supervised learning of cross-dimensional representation enables high-performance denoising of volumetric fluorescence imaging
تقدم الورقة البحثية SDT-4D، وهو إطار عمل جديد لإزالة الضجيج ذاتي الإشراف رباعي الأبعاد يستخدم بنية محول موحدة وتقديرًا للكميات الفيزيائية لعدم اليقين لتحقيق استعادة متطورة لبيانات المجهر الفلوري الحجمي عبر الزمن دون الحاجة إلى صور تدريب نظيفة.
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
لفهم العالم الحي، يلجأ العلماء غالباً إلى أداة قوية: مجهر يمكنه النظر في أعماق حيوان حي دون إلحاق الضرر به. وباستخدام حزم من الضوء، يستطيع الباحثون مراقبة حركة الخلايا، وانطلاق الأعصاب، وتغير أشكال الأنسجة في الوقت الفعلي. هذه التقنية، المعروفة باسم المجهر الفلوري الحجمي للزمن المتتابع (volumetric time-lapse fluorescence microscopy)، تلتقط فيلماً رباعي الأبعاد للحياة: ثلاثة أبعاد للمكان وبُعد واحد للزمن. ومع ذلك، هناك مقايضة جوهرية؛ فلكي يحافظوا على الخلايا الدقيقة حية ويمنعوا الضوء من حرقها، يجب على العلماء استخدام إضاءة خافتة جداً. وهذا النقص في الضوء يعني أن الصور التي يلتقطونها غالباً ما تكون محببة ومليئة بالتشويش، تماماً مثل راديو مضبوط بين المحطات. هذا الضجيج يحجب التفاصيل الدقيقة للبنى البيولوجية ويجعل من الصعب تتبع كيفية تحرك الخلايا أو تواصلها. لسنوات، حاولت برامج الكمبيوتر تنظيف هذه الصور، لكن معظم الطرق الموجودة كانت تعامل الحجم ثلاثي الأبعاد كمجموعة من الصور المسطحة والمنفصلة، أو تركز فقط على كيفية تغير شريحة واحدة بمرور الوقت. لقد فاتتها الروابط الحاسمة الموجودة بين طبقات المجموعة وبين اللحظات الزمنية، وفشلت في رؤية الصورة الكاملة والمتصلة للكائن الحي.
لقد طور فريق من الباحثين الآن نهجاً جديداً يعامل هذه التسجيلات المشوشة ككتلة واحدة موحدة من المعلومات رباعية الأبعاد. لقد أنشأوا نظاماً يسمى SDT-4D، والذي يتعلم كيفية إزالة التشويش الحبيبي من خلال فهم كيفية اتصال البنى البيولوجية طبيعياً عبر العمق والزمن. وبدلاً من الحاجة إلى صورة مثالية ونظيفة لتعليم الكمبيوتر ما يبحث عنه — وهو ترف مستحيل الحصول عليه من الحيوانات الحية — يقوم النظام بتعليم نفسه. يفعل ذلك من خلال النظر إلى نفس الصورة المشوشة من زوايا ومواقع مختلفة قليلاً، ويتعلم التنبؤ بما يجب أن يكون عليه الهيكل الأساسي بناءً على الأنماط التي يراها تتكرر داخل الضجيج. تم بناء النظام ليدرك أن غشاء الخلية أو ليف العصب لا يوجد فقط في طبقة مسطحة واحدة؛ بل يتدفق باستمرار عبر عمق النسيج ويتطور بسلاسة بمرور الوقت. ومن خلال نمذجة هذه الروابط في آن واحد، يمكن للنظام فصل الإشارة البيولوجية الحقيقية عن التقلبات العشوائية للضوء.
اختبر الباحثون هذه الطريقة الجديدة باستخدام كل من المحاكاة الحاسوبية والتجارب الحقيقية على فئران حية. وفي عمليات المحاكاة، حيث كانوا يعرفون بالضبط كيف ينبغي أن تبدو الصورة النظيفة، تفوق النظام الجديد على جميع الطرق السابقة. فقد نجح في استعادة حدود الخلايا الباهتة والإشارات الضعيفة التي كانت غير مرئية تماماً في البيانات الخام المشوشة. والأهم من ذلك، أنه حافظ على سرعة وتوقيت الأحداث البيولوجية، مما ضمن أن الفيلم الذي تم تنظيفه لم يشوه الإيقاع الطبيعي للخلايا. وعند تطبيقه على بيانات حقيقية، كشف النظام عن تفاصيل كانت مخفية سابقاً. في إحدى التجارب، راقب الفريق الخلايا المناعية، وتحديداً الخلايا المتعادلة (neutrophils)، أثناء حركتها عبر أنسجة الدماغ خلال استجابة التهابية. في اللقطات الخام، كان من الصعب تمييز هذه الخلايا عن ضجيج الخلفية، وكانت مساراتها متقطعة ومجزأة. وبعد معالجة البيانات بواسطة النظام، برزت الخلايا بوضوح، وأمكن تتبع حركاتها بشكل مستمر عبر كامل حجم النسيج. سمح هذا للباحثين برؤية كيفية تفاعل هذه الخلايا وهجرتها في ثلاثة أبعاد، وهي مهمة كانت شبه مستحيلة باستخدام الصور غير المعالجة.
كما أثبت النظام فعاليته في تصور الامتدادات الدقيقة الشبيهة بالخيوط للخلايا الدبقية، والتي تدعم الخلايا العصبية في الدماغ. هذه البنى دقيقة للغاية وخافتة، وغالباً ما تختفي تماماً في التسجيلات المشوشة. لقد أعادت الطريقة الجديدة هذه العمليات الدقيقة إلى التركيز الحاد، مما سمح للعلماء بمراقبة كيفية تغير شكلها وحركتها بمرور الوقت. وإلى جانب مجرد جعل الصور تبدو أفضل، أضاف الباحثون طبقة من الأمان إلى العملية؛ فقد بنوا طريقة تجعل النظام يخبر المستخدم بمدى ثقته في كل بكسل من الصورة المستعادة. ولأن عملية إزالة الضجيج معقدة بطبيعتها، فقد يخطئ النظام أحياناً في التخمين. لذا، ينتج النظام خريطة تسلط الضوء على المناطق التي تكون فيها عملية الاستعادة موثوقة والمناطق التي تكون فيها الإشارة ضعيفة جداً بحيث لا يمكن الوثوق بها بيقين. وهذا يمنح العلماء وسيلة لمعرفة الأجزاء من ملاحظاتهم التي تعد صلبة وتلك التي تتطلب الحذر، مما يمنعهم من استخلاص استنتاجات بناءً على عيوب ناتجة عن عملية التنظيف نفسها.
يعتمد نجاح هذه الطريقة على حقيقة أن الأنسجة الحية ليست عشوائية، بل لها بنية واستمرارية. ومن خلال الاستفادة من حقيقة أن الخلية في طبقة واحدة من الصورة من المرجح أن تكون متصلة بخلية في الطبقة التي فوقها أو تحتها، وأن حركتها في الثانية التالية مرتبطة بموقعها في الثانية الحالية، يمكن للنظام ملء الفجوات التي تركها نقص الضوء. وجد الباحثون أن النظر في نطاق محدد من العمق، حوالي 20 ميكرومتر، وفترة زمنية متوسطة وفر أفضل النتائج، مما سمح للنظام بجمع قدر كافٍ من السياق لتقديم تخمينات دقيقة دون الارتباك بسبب المعلومات غير ذات الصلة. لا يتطلب هذا النهج أي أجهزة خاصة أو تغييرات في كيفية استخدام المجهر؛ فهو حل برمجي يمكن تطبيقه على البيانات التي تم جمعها بالفعل.
في النهاية، يقدم هذا العمل طريقة جديدة لرؤية غير المرئي. فهو يحول التسجيلات المحببة وغير المؤكدة إلى أفلام واضحة وموثوقة للحياة في حالة حركة، مما يسمح للعلماء بدراسة الرقصة المعقدة للخلايا والأعصاب بمستوى من التفصيل كان بعيد المنال سابقاً. ومن خلال الجمع بين قوة خوارزميات التعلم الذاتي والفهم العميق لكيفية سلوك الضوء والضجيج، قدم الباحثون أداة لا تكتفي بتنظيف الصور فحسب، بل تقيس أيضاً مدى موثوقية ما يُرى. وهذا يضمن أن الاكتشافات التي تُجرى من هذه الصور تستند إلى الواقع، مما يمنح العلماء الثقة لاستكشاف أعمق العمليات وأكثرها ديناميكية في الأنظمة الحية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.