استكشاف آفاق جديدة في التعلم الآلي المعزز بالمعرفة لتحليل صور البيولوجيا الدقيقة!

تتزايد استخدامات نماذج التعلم الآلي (Machine Learning) بشكل ملحوظ في استخلاص الميزات بشكل آلي من بيانات التصوير البيولوجي ذات التوسيم الضعيف، مثل صور المجهر والخلط الخلوي. ومع الاعتماد الكلي على الاستخراج الآلي للميزات، فإن الطرق الحالية تؤدي إلى أداء تصنيفي متباين عبر مجموعات البيانات ذات التوسيم الضعيف. في هذه الدراسة، نقترح طريقة لزيادة المعرفة غير مرتبطة بالنموذج (Model-agnostic Knowledge Augmentation) تمكّن نماذج التعلم الآلي من استغلال المعرفة الدومينية التي تتجاوز ما يمكن أن تلتقطه التقنيات الآلية للاستخراج.

تساهم الطريقة المقترحة في تحسين أداء التصنيف عبر سبعة نماذج من التعلم الآلي. وعند دمجها مع التعلم الذاتي (Self-Supervised Learning) المبني على مشفرات ذاتية محجوبة، تحقق طريقتنا أداءً قويًا بشكل عام، بزيادة دقة تبلغ 2.9% مقارنةً بأفضل طريقة أخرى مستخدمة على ثلاث مجموعات بيانات مجهر خاصة، بمتوسط زيادة يصل إلى 6.8% عبر ثلاثة معايير عامة.

نقوم بإجراء تصنيف على مستوى النواة بناءً على عدم تحديد مكان بروتين TAR الذي يرتبط بالحمض النووي (TDP-43) من النواة إلى السيتوبلازم، وهو نمط مرتبط بمرض التصلب الجانبي الضموري (ALS). يظل تقدير هذا النمط بدقة على نطاق واسع تحدياً وقد يسهم في ظهور عدم التناسق في الدراسات.

تطبيق النموذج الأفضل أداءً على هذه المجموعات من بيانات المجهر يكشف تفسيرات بيولوجية متعلقة بمرض ALS، بما في ذلك التأثيرات المعتمدة على الجرعة لمؤثر الإجهاد البروتوزومي (MG132) ومؤثر الإجهاد التأكسدي (Sodium Arsenite)، على عدم تحديد مكان TDP-43، بالإضافة إلى متغيرات المرض في الخلايا العصبية الحركية من متبرعين بمرض ALS المتقطع والعائلي، وعدم حماية المركبات الدوائية مثل (Edaravone) و(Niclosamide) ضد عدم تحديد مكان TDP-43 المستحث بواسطة Sodium Arsenite.

معًا، تمكّن هذه المنهجية من تحليل الصور الخلوية في المختبر لتطوير فهم أعمق لفيروسات القضايا المرتبطة بـ ALS والعلاجات المحتملة.