في عالم الأحياء، يبقى فهم كيفية تأثير شكل الخلايا وتعابير الجينات والسياق المكاني على وظيفة الأنسجة تحديًا كبيرًا. ومع التقدم في تكنولوجيا النسخ العددي المكاني المعتمد على الصور (Image-based spatial transcriptomics)، أصبح لدينا الآن قياسات دقيقة لصور الخلايا وملفات التعبير الجيني. لكن، غالبية الأساليب الحالية تعتمد على تحليل هذه المعطيات بشكل منعزل أو بدقة محدودة.

هنا يأتي دور النموذج الثوري SPATIA، الذي يمثل خطوة متقدمة في هذا المجال. هذا النموذج المولّد والتنبئي متعدد المستويات يتميز بقدرته على تعلم تمثيلات موحدة تدرك السياق المكاني من مستوى الخلية إلى مستوى النسيج، من خلال دمج المعطيات المتعلقة بالشكل، التعبير الجيني، والسياق المكاني.

SPATIA يستخدم إطارًا مولّدًا مشروطاً مكانيًا يتضمن إعادة وزن معتمدة على الثقة (confidence-aware OT reweighting) وتوافق ملفات الشكل من أجل نمذجة توزيعات التراكيب المتعلقة بالحالة المستهدفة. ولتحقيق ذلك، قدمنا هدف مطابق لمتطلبات الثقة، الذي يعيد وزنة أزواج النقل الأمثل الضعيفة بناءً على مستوى عدم اليقين.

كما قمنا بتطبيق توافق ملفات الشكل (morphology-profile alignment) لتشجيع توليد صور ذات مغزى بيولوجي، مما يتيح نمذجة الانتقالات النمطية المعتمدة على البيئة الدقيقة. لنكون دقيقين، قمنا بتجميع مجموعة بيانات متعددة المقاييس تضم 25.9 مليون زوج من الخلايا والجينات عبر 17 نسيجًا.

من خلال المقارنة بين SPATIA و 18 نموذجًا آخر عبر 12 مهمة، والتي تشمل توليد الأنماط، التوصيف، التجميع، واحتساب الجينات، حقق SPATIA تحسينًا في الأداء على النماذج الرائجة، حيث زادت دقة التوليد بنسبة 8%، ودقة التنبؤ بنسبة تصل إلى 3%.

تقدم SPATIA بارقة أمل جديدة في علم الأحياء، مما يفتح آفاقًا جديدة لفهم الأنماط الخلوية في السياقات البيئية المختلفة. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.