اجتذب الذكاء الاصطناعي (AI) الكثير من الاهتمام في السنوات الأخيرة بفضل قدرته على معالجة البيانات الضخمة وتعزيز أبحاث العلوم الحيوية. من بين الابتكارات المثيرة في هذا المجال، يظهر نظام BRAINCELL-AID كتحول في طريقة تصنيف خلايا الدماغ. يعد BRAINCELL-AID نظامًا متعدد الوكلاء (multi-agent AI system) يتيح لمجتمعات البحث التفاعل بشكل أفضل مع البيانات الجينية المتنوعة.

تعتبر تقنيات تسلسل الحمض النووي الريبي (RNA sequencing) للخلايا الفردية أداة قوية لكشف الأنواع الخلوية المختلفة وتوقيعاتها الجينية. ومع ذلك، تبقى عملية تصنيف هذه التوقيعات، خصوصًا تلك المتعلقة بالجينات التي لم يتم تسميتها بشكل جيد، تحديًا كبيرًا. تعتمد الأساليب التقليدية، مثل تحليل إثراء مجموعة الجينات (Gene Set Enrichment Analysis - GSEA)، على الملاحظات الدقيقة وغالبًا ما تكون غير فعالة في مثل هذه السياقات.

هنا يبرز دور نماذج اللغات الضخمة (Large Language Models) كبديل واعد، على الرغم من التحديات التي تواجهها في تمثيل المعرفة البيولوجية المعقدة. لذا، تمثل BRAINCELL-AID حلاً مبتكرًا من خلال دمج النصوص الحرة (free-text descriptions) مع علامات التسميات (ontology labels)، مما يمكّن من تصنيف جيني أكثر دقة وموثوقية.

باستخدام طريقة الاسترجاع المعززة بالتوليد (Retrieval-Augmented Generation - RAG)، تم تطوير سير عمل قوي يقوم بتحسين التنبؤات استنادًا إلى الأدبيات ذات الصلة من PubMed، مما يقلل من الأخطاء ويساهم في تعزيز فهم النتائج. وقد ساعدت هذه الطريقة في تحقيق تصنيف صحيح لـ 77% من مجموعات الجينات الفأرية بين أفضل التنبؤات.

استخدمنا هذا النهج لتصنيف 5,322 تجمعًا خلوياً في الدماغ من أطلس خلايا الدماغ الشامل الذي أنتجته شبكة BRAIN Initiative Cell Census. وقد أتاح ذلك الحصول على رؤى جديدة حول وظيفة خلايا الدماغ من خلال تحديد أنماط التعبير الجيني المرتبطة بالمناطق واستخراج الأدوار الوظيفية ensembles الجينية.

المثير في الأمر، أن BRAINCELL-AID تمكن أيضًا من تحديد أنواع الخلايا المرتبطة بالعقد القاعدية (Basal Ganglia) بوصفات ذات معنى عصبي. لذا، يُعتبر BRAINCELL-AID موردًا قيمًا لدعم عمليات تصنيف أنواع الخلايا التي يقودها المجتمع، مما يفتح آفاقًا جديدة للبحث العلمي والإكتشافات المستقبلية في علم الأعصاب.