تشهد مجالات العلوم الطبية ثورة حقيقية بفضل تقنيات الذكاء الاصطناعي (Artificial Intelligence)، التي تسهم بشكل كبير في معالجة التحديات الحيوية. في الأبعاد العالية التي تتصف بها البيانات البيولوجية، تواجه الشبكات العصبية مشكلة تعرف بالتداخل (Superposition)، حيث يتم ضغط المفاهيم المختلفة في أبعاد منخفضة، مما يجعل فهم النتائج وتحليلها أمرًا صعبًا.

دراسة جديدة استُخدمت فيها الشبكات العصبية الذاتية النادرة (Sparse Autoencoders - SAEs) على أكثر من 100,000 صورة من خلايا عصبية مأخوذة من مرضى باركنسون وأشخاص أصحاء، تهدف إلى حل مشكلة هذا التداخل. الخطوة الفريدة هنا كانت في التحول إلى تحليل التمثيلات اللاتينية القابلة للتفسير، مما يسمح بتحسين جودة النتائج دون أن تتأثر بإلغاء أو عدم وضوح الاتصالات.

وتظهر النتائج بشكل واضح كيف أن هذا التداخل يفسد الفضاءات المترابطة السابقة، بينما تنجح الشبكات العصبية الذاتية النادرة في استعادة الوفاء الهندسي لهذه التمثيلات. باستخدام هذه التمثيلات المنقحة هندسيًا ككوا vectors للحالة الخلوية الواحدة، تم تعديل منهجيات تحليل بيانات تسلسل RNA للخلايا الفردية (Single-cell RNA Sequencing - scRNA-seq) مباشرة في مجال الصور.

وأخيرًا، تم تقديم خريطة GW، التي تستخدم نقل جروموفسكي-واسرشتاين (Gromov-Wasserstein optimal transport) لتمكين ربط هذه التمثيلات البصرية مع بيانات scRNA-seq الأصلية. إن هذه المقاربة تُعيد بناء مسارات الأمراض العصبية مثل هيكل الكالسيوم-AIS دون الحاجة إلى بيانات ترانسكريبتوميك مكاني مرجعية، مما يضع أساسًا قابلًا للتطوير في علم الأحياء المكاني.