An Ensemble Deep Learning Framework for Single-Cell Phenotypic Profiling of Escherichia coli under Antibiotic Stress

البكتيريا ليست مجرد ذرات ساكنة؛ بل هي آلات حية تغير شكلها وبنيتها الداخلية عندما تشعر بالتهديد. فعندما تواجه البكتيريا مضاداً حيوياً، لا تكتفي بمجرد الجلوس وانتظار القتل، بل تتفاعل بدلاً من ذلك. فبعض الخلايا تتمدد، وأخرى تنكمش، وقد تتكتل خيوط الحمض النووي (DNA) المتشابكة داخلها أو تتفكك. هذه التغيرات الفيزيائية هي وسيلة الخلية للإشارة إلى الضيق، أو في بعض الحالات، لشن دفاع. لعقود من الزمن، اعتمد العلماء على انتظار نمو البكتيريا في طبق مخبري لمعرفة ما إذا كان الدواء فعالاً، وهي عملية قد تستغرق يوماً كاملاً أو أكثر. هذا التأخير خطير في عالم تتزايد فيه حالات العدوى المقاومة للأدوية، مما يحول الأمراض التي كانت تُعالج يوماً ما إلى أزمات تهدد الحياة. ولتسريع وتيرة المعركة، يبحث الباحثون الآن عن طرق لقراءة هذه التغيرات الفيزيائية الدقيقة فوراً، باستخدام مظهر الخلية كخريطة لفهم ما يحدث بداخلها.

لقد طور فريق من الباحثين طريقة جديدة للقيام بذلك بالضبط، حيث أنشأوا نظاماً يمكنه النظر إلى بكتيريا واحدة وإخبارك بالضبط أي مضاد حيوي يهاجمها. لقد ركزوا على بكتيريا "إيشيريشيا كولاي" (Escherichia coli)، وهي بكتيريا شائعة تُستخدم غالباً لدراسة كيفية عمل الأدوية. في مختبرهم، عرضوا هذه البكتيريا لأربعة أنواع مختلفة من المضادات الحيوية، كل منها مصمم لمهاجمة الخلية بطريقة فريدة. فأحد الأدوية منع الخلية من صنع البروتينات، وآخر منعها من بناء جدار خارجي قوي، وثالث عطل السقالات الداخلية التي تحافظ على شكل الخلية العصوي، ورابع منع نسخ مادتها الوراثية. ولمشاهدة النتائج، التقطوا صوراً عالية الدقة للبكتيريا، مستخدمين صبغات خاصة جعلت غشاء الخلية الخارجي يتوهج باللون الأحمر والحمض النووي الداخلي يتوهج باللون الأزرق.

كان التحدي يكمن في أن هذه التغيرات دقيقة وتحدث بمقياس أصغر من أن تتمكن العين البشرية من فرزها بسرعة. ولحل هذه المشكلة، بنى الباحثون نظاماً حاسوبياً يعتمد على التعلم العميق، وهو نوع من الذكاء الاصطناعي الذي يتعلم من خلال النظر في آلاف الأمثلة. أولاً، علموا الكمبيوتر كيفية العثور على البكتيريا الفردية في صور المجهر المزدحمة وقصها، مثل عزل شخص واحد من صورة مزدحمة. ثم أدخلوا هذه الصور المعزولة في مجموعة مكونة من ثلاثة عشر نموذجاً حاسوبياً مختلفاً. تم تصميم بعض هذه النماذج للتعرف على الأنماط في الأشكال، بينما بُنيت نمابذ أخرى لفهم العلاقات بين الأجزاء المختلفة من الصورة، تماماً كما ينظر الإنسان إلى وجه ما ويتعرف على العلاقة بين العينين والفم.

وجد الباحثون أنه بينما كانت بعض هذه النماذج الحاسوبية جيدة جداً في تخمين المضاد الحيوي الصحيح، لم يكن أي منها مثالياً بمفرده. كان أفضل نموذج منفرد، والذي استخدم بنية متطورة تسمى "Swin Transformer"، قد حدد الدواء بشكل صحيح بنسبة 91 في المئة تقريباً. ومع ذلك، أدرك الفريق أنه من خلال الجمع بين آراء عدة نماذج مختلفة، يمكنهم تحقيق نتيجة أفضل. فقد أنشأوا "مجموعة" (Ensemble)، وهي نظام يطلب فيه الكمبيوتر رأي ثلاثة خبراء مختلفين — وهما Swin Transformer، ونموذج يسمى CoT، ونموذج كلاسيكي يسمى ResNet18 — للتصويت على الإجابة. ومن خلال وزن هذه الأصوات بعناية، وصل النظام إلى مستوى جديد من الدقة، حيث حدد المضاد الحيوي بشكل صحيح في 94 في المئة من الحالات. أثبت هذا النهج أن الاستماع إلى مجموعة من نماذج الذكاء الاصطناعي المتنوعة هو أكثر موثوقية من الاعتماد على نموذج واحد فقط.

وبعيداً عن مجرد تخمين الدواء، تعلم النظام أيضاً وصف كيفية تغير البكتيريا بدقة. فقد استطاع التمييز بين خلية أصبحت كروية بسبب فشل جدارها، وخلية تمددت لأن هيكلها الداخلي تضرر. على سبيل المثال، تعلم النظام أنه عندما يمنع دواء معين نسخ الحمض النووي، تحافظ البكتيريا على شكلها العصوي ولكن خيوط الحمض النووي بداخلها تصبح طويلة وممتدة. وعندما يوقف دواء آخر إنتاج البروتين، تظل البكتيريا في شكل عصوي ولكن الحمض النووي بداخلها يصبح متكتلاً بإحكام. هذه العلامات البصرية المحددة سمحت للكمبيوتر ليس فقط بتسمية الدواء، بل وأيضاً بفهم آلية كيفية إيذائه للخلية.

تشير الدراسة إلى أن هذا النوع من التحليل الآلي القائم على الصور يمكن أن يصبح أداة قوية لمحاربة مقاومة المضادات الحيوية. فبدلاً من الانتظار لأيام حتى تنمو البكتيريا، يمكن للأطباء أو الباحثين نظرياً أخذ عينة، والتقاط صورة، واستخدام هذا النظام لرؤية كيفية تفاعل البكتيريا فوراً. وأشار الباحثون إلى أنه على الرغم من أن نظامهم يعمل بشكل جيد، إلا أنه ليس منتجاً نهائياً للمستشفيات بعد. وأوضحوا أنه لجعل النظام قوياً حقاً، سيحتاجون إلى تدريبه على المزيد من الصور ورباً اختباره باستخدام فيديوهات "الفاصل الزمني" (time-lapse) لرؤية كيف تتغير البكتيريا بمرور الوقت. ومع ذلك، فإن هذا العمل يثبت أنه من خلال تعليم الحواسيب رؤية اللغة الدقيقة لأشكال البكتيريا، يمكن للعلم أن يتحرك بشكل أسرع نحو فهم وإيقاف انتشار العدوى المقاومة للأدوية.