SpineTool 2.0: A Deep Learning Platform with an Interactive User Interface for Dendritic Spine Segmentation and Morphological Analysis

يعتبر الدماغ شبكة واسعة ومعقدة من الخلايا التي تتواصل مع بعضها البعض لتكوين الفكر والذاكرة والحركة. تحدث هذه الاتصالات عند نقاط التقاء دقيقة حيث يلتقي الطرف المتفرع الطويل لخلية عصبية بنهاية الاستقبال في خلية أخرى. وعلى جانب الاستقبال، غالبًا ما تنبت الخلية العصبية نتوءات صغيرة تشبه الفطر تسمى "الأشواك التغصنية". هذه الأشواك ليست مجرد نتوءات خاملة؛ بل هي المقاعد المادية للتعلم والذاكرة. ويتغير حجمها وشكلها وعددها مع تعلمنا لأشياء جديدة، وعندما تصبح مشوهة أو تختفي، فغالباً ما يكون ذلك علامة على مرض عصبي، مثل مرض ألزهايمر. ولكي يفهم العلماء كيف يعمل الدماغ أو كيف يفشل، يجب أن يكونوا قادرين على عد وقياس هذه الهياكل المجهرية بدقة متناهية. ومع ذلك، فإن هذه الأشواك صغيرة للغاية، حيث يبلغ عرضها غالباً بضعة ميكرومترات فقط، وهي مدفونة في أعماق صور ثلاثية الأبعاد معقدة لأنسجة الدماغ. ولعقود من الزمن، كانت الطريقة الوحيدة لدراستها هي قيام إنسان بالنظر إلى الشاشة وتتبع كل شوكة يدوياً، وهي عملية بطيئة ومرهقة وعرضة للخطأ البشري والتعب.

لقد طور فريق من الباحثين في جامعة سانت بطرسبرغ المتعددة التقنيات "بيتر الأكبر" أداة رقمية جديدة صُممت لحل هذه المشكلة. فقد أنشأوا منصة برمجية تسمى "SpineTool 2.0"، والتي تعمل كجسر بين صور المجهر الخام والبيانات العلمية الدقيقة. يستخدم النظام الذكاء الاصطناत्मक للعثور تلقائياً على هذه الأشواك الصغيرة وتحديد حدودها، لكنه لا يحل محل الخبير البشري ببساطة؛ بل يعمل إلى جانبه، موفراً مسحة أولية سريعة ومؤتمتة يمكن للعالم بعد ذلك مراجعتها وتصحيحها ببضع نقرات. يتيح هذا النهج للباحثين معالجة كميات كبيرة من البيانات بسرعة مع الحفاظ على المستوى العالي من الدقة الذي لا يمكن ضمانه إلا من خلال الإشراف البشري. والنتيجة هي طريقة أسرع وأكثر موثوقية من التقنيات السابقة، وقادرة على رؤية التفاصيل التي كانت الأدوات القديمة تفقدها غالباً.

كان التحدي الجوهري الذي واجهه الباحثون هو أن الأشواك التغصنية يصعب رؤيتها بوضوح في صور المجهر. فهي متصلة بليف العصب الرئيسي عبر "عنق" رفيع جداً، والذي غالباً ما يظهر باهتاً أو مقطوعاً في الصور. وكانت أدوات البرمجيات القديمة تفشل كثيراً في ربط هذه الأعناق، مما يجعل الأشواك تبدو وكأنها تطفو في فضاء فارغ أو تختفي تماماً. وعندما ينفصل الشوكة عن ليفها العصبي الأم، لا يمكن قياسها بشكل صحيح، وتصبح البيانات بلا فائدة. تعالج المنصة الجديدة هذه المشكلة من خلال تقسيم المهمة إلى سلسلة من الخطوات. أولاً، تحدد ليف العصب الرئيسي. ثم تبحث خصيصاً عن تلك الأعناق الرفيعة والباهتة وتعيد بناءها، مما يضمن اتصال كل شوكة بشكل صحيح. وأخيراً، ترسم حدود الشكل الكامل للشوكة. هذه العملية التدريجية، المدعومة بنماذج التعلم العميق، تسمح للبرنامج بالتعامل مع الصور من أنواع مختلفة من المجاهر ومن ظروف تجريبية مختلفة دون الحاجة إلى إعادة تدريبه لكل مجموعة جديدة من الصور.

ما يجعل هذه الأداة فريدة هو طبيعتها التفاعلية. فبينما يقوم الذكاء الاصطناعي بالعمل الشاق المتمثل في العثور على الهياكل، يوفر البرنامج واجهة سهلة الاستخدام حيث يمكن للعالم رؤية النتائج بسهولة في ثلاثة أبعاد. وإذا فات الكمبيوتر وجود شوكة أو رسم خطاً في مكان خاطئ، يمكن للمستخدم تصحيحه فوراً باستخدام فرش رقمية وممحاة بسيطة. يضمن تصميم "الإنسان في الحلقة" (human-in-the-loop) هذا أن تكون البيانات النهائية مثالية، حيث يجمع بين سرعة الآلة وحكم الخبير. وقد اختبر الباحثون هذا النظام على صور لخلايا عصبية من مزارع مخبرية، بما في ذلك تلك المعرضة لجرعات منخفضة من "أميلويد بيتا"، وهو جزء بروتيني مرتبط بمرض ألزهايمر. وقارنوا نتائج أداة جديدة مع النسخة السابقة من برنامجهم ومع الطرق الموجودة الأخرى.

كانت النتائج هامة. فقد اكتشفت المنصة الجديدة عدداً أكبر وأكثر اكتمالاً من الأشواك مقارنة بالأدوات القديمة. وفي دراسة الخلايا العصبية المعرضة للبروتين المرتبط بألزهايمر، كشف البرنامج الجديد عن تغيرات في شكل وحجم الأشواك لم تلاحظها الطريقة السابقة تماماً. وبشكل محدد، أظهر أن الأشواك أصبحت أكبر وأطول تحت تأثير البروتين، وهو تغير ذو دلالة إحصائية ولكنه كان غير مرئي للتحليل القديم. وجد الباحثون أن الأداة الجديدة قللت من عدد الأشواف المفقودة بسبب الأعناق المكسورة ومنعت اندماج الأشواك المتقاربة في شكل واحد غير صحيح. هذا المستوى من الدقة أمر بالغ الأهمية لأن الاستنتاجات البيولوجية المستخلصة من مثل هذه الدراسات تعتمد كلياً على جودة القياسات؛ فإذا لم تستطع الأداة رؤية الشوكة، فلن يعرف العالم أنها قد تغيرت.

كما أثبت الباحثون أن برنامجهم يعمل عبر مجموعة واسعة من مصادر البيانات. فقد قاموا بتدريب النظام على مزيج من الصور المأخوذة من شرائح دماغ حية، وخلايا عصبية مستزرعة، وحتى مجموعات بيانات عامة من مختبرات أخرى. ورغم هذه الاختلافات في كيفية التقاط الصور ودقة المعدات المستخدمة، فقد عمل البرنامج باستمرار وبشكل جيد دون الحاجة إلى تعديلات لكل حالة خاصة. ويعد هذا التعميم خطوة كبيرة للأمام، إذ يعني أن العلماء يمكنهم استخدام نفس الأداة لتجارب مختلفة دون القلق بشأن مشكلات التوافق. وقد جعل الفريق البرنامج، جنباً إلى جنب مع البيانات المستخدمة لتدريبه، متاحاً للجمهور ككود مفتوح المصالم. وهذا يسمح للباحثين الآخرين باستخدام الأداة فوراً والمساهمة بتصحيحاتهم الخاصة لمساعدة النظام على التعلم والتحسن بمرور الوقت.

من خلال الجمع بين الذكاء الاصطناعي المتقدم والواجهة التفاعلية العملية، يقدم "SpineTool 2.0" معياراً جديداً لدراسة البنية المجهرية للدماغ. وهو لا يدعي أنه حل مثالي وتلقائي بالكامل، بل يقر بأن بعض الأشواك تظل صعبة الكشف وأن المراجعة البشرية لا تزال ضرورية. ومع ذلك، فإنه يمثل تحسناً جوهرياً في القدرة على رؤية وقياس الهياكل التي تقوم عليها الذاكرة والتعلم. وتظهر الدراسة أن الأدوات الأفضل لرؤية الدماغ يمكن أن تغير مباشرة ما يفهمه العلماء عن المرض، حيث تكشف عن تغيرات دقيقة ولكنها مهمة كانت مخفية سابقاً. ومع استمرار الباحثين في تحسين النظام وتوسيع نطاق البيانات التي يمكنه التعامل معها، تعد هذه المنصة بأن تصبح مورداً أساسياً لكل من يدرس الأساس الفيزيائي للعقل.