ثورة في تصوير الخلايا المفردة: تصنيف بدون تسميات باستخدام تعلم متعدد المهام

في تطور علمي جديد، يقدم الباحثون تقنية تصوير الخلايا المفردة بدون تسميات (Label-Free Single-Cell Imaging) والتي تُعتبر بديلاً غير تدخلي لاستراتيجيات التصوير التقليدية المعتمدة على الفلورسنت. رغم التقدم الكبير في هذا المجال، لا يزال فهم الأنماط الجزيئية المُستندة إلى بنية الخلية باستخدام تصوير Bright-Field يمثل تحدياً.

قدم فريق البحث إطار عمل موحد للتعلم العميق (Deep Learning) يقوم بعملية تصنيف خلايا الدم البيضاء (White Blood Cells - WBC) وعمليات تقدير تعبير البروتينات بصورة مستمرة باستخدام صور Differential Phase Contrast (DPC) بدون تسميات. يعتمد النموذج على بنية هجينة تدمج بين ميزات الأنسجة الدقيقة من الشبكات التلافيفية (Convolutional Neural Networks) وتمثيلات عالمية قائمة على المحولات (Transformers) من خلال وحدة تحكم بينية قابلة للتعلم، مما يعزز إمكانية استنتاج المعلومات الجزيئية من صور DPC بشكل موثوق.

لزيادة قابلية الفهم وتحليل النتائج، تم دمج نموذج لغوي كبير (Large Language Model - LLM) الذي يوفر ملخصات بيولوجية دقيقة لحالات الخلايا المتوقعة.

أظهرت التجارب التي تمت على مجموعة بيانات Berkeley Single Cell Computational Microscopy (BSCCM) ومقياس خلايا الدم نتائج رائعة، حيث تم تحقيق دقة تصنيف خلايا الدم البيضاء بنسبة 91.3% وارتباط بيرسون يصل إلى 0.72 لتقدير تعبير CD16. هذه النتائج تُبرز إمكانية استخدام تصوير الخلايا المفردة بدون تسميات كأداة فعالة لتحليل الدم، مما يتيح تحديد الأنماط وتقديرات العلامات الحيوية دون الحاجة للصبغات الفلورية.

إذا كنت مهتماً بمزيد من المعلومات، يمكنك استعراض الكود المصدر لهذا البحث على GitHub في [رابط الكود]!