دقة محسّنة في تحليلات زراعة الخلايا: استغلال الذكاء الاصطناعي للتقييم الغير متحيز وغير المدمر لنمو الخلايا وقابليتها للبقاء

لماذا يعد التحقق من حالة الخلايا مهماً

خلف كل اختبار دواء جديد أو تجربة بيولوجية أساسية توجد خلايا حية تنمو في أطباق بلاستيكية. يحتاج الباحثون إلى معرفة عدد الخلايا لديهم، وسرعة نموها، وعدد الخلايا الحية المتبقية. اليوم يتم ذلك غالباً بعين المراقب أو باليد أو باستخدام أصباغ كيميائية، وهو بطيء ومكلف ومعرض لأخطاء بشرية. تقدم هذه الدراسة SnapCyte، أداة ذكاء اصطناعي تقرأ صور المجهر البسيطة لتقدير نمو الخلايا وصحتها بسرعة، دون كواشف إضافية أو آلات باهظة الثمن.

طريقة جديدة لمراقبة نمو الخلايا

سعى المؤلفون لاستبدال الفحوصات الذاتية واليدوية بنهج أكثر موضوعية. بنوا SnapCyte لتحليل صور عادية للخلايا مأخوذة عبر مجاهر قياسية أو حتى عبر هواتف ذكية. يركز النظام على ثلاثة أسئلة أساسية: ما مدى تغطية الطبق بالخلايا (التماس)، كم عدد الخلايا الموجودة (عدّ الخلايا)، وما النسبة الحية مقابل الميتة (قابلية البقاء). لتدريب البرنامج، جمعوا مجموعة صور كبيرة وموسومة بعناية من أنواع خلايا مختلفة وأواني زراعة وظروف تصوير متنوعة. تتبّع خبراء البشر مناطق الخلايا وعدّوا الخلايا، ثم استُخدمت هذه الأمثلة لتعليم نماذج التعلم العميق التعرف على الأنماط المرتبطة بتغطية الخلايا وعددها وحالتها.

تعليم الحاسوب أن يرى كخبير خلايا

لتقييم مدى تغطية السطح بالخلايا، استخدم الفريق نوعاً من شبكات تحليل الصور التي تحول كل بكسل إلى قرار بسيط «خلية» أو «ليست خلية». دربوا هذا النموذج وصححوه بشكل تكراري حتى بلغ دقة تزيد عن 90 بالمئة على صور اختبار مستقلة. كانت تقديرات SnapCyte لتغطية الخلايا متطابقة تقريباً مع خبراء البشر وتفوّقت بوضوح على عدة أدوات برمجية شائعة أخرى. كما ظل النظام دقيقاً عند تغير جودة الصورة والدقة، مما يشير إلى قدرته على التعامل مع الإضاءة غير المتجانسة والتركيز والتباين النموذجيين في العمل المخابري اليومي.

من التغطية إلى العدّ وصحة الخلايا

عدّ الخلايا الفردية وتحديد أيها حي أصعب، خاصةً عندما تتداخل الخلايا أو تختلف في الحجم. لمواجهة ذلك، عدّل الباحثون شبكة فصل الخلايا الموجودة وأعادوا تدريبها على صور لأنواع خلايا متعددة، وخلايا الدم، وحتى خرّزات بلاستيكية ذات أحجام معروفة. استخدموا عملية «الإنسان في الحلقة» بتصحيح الأخطاء مراراً وإضافة أمثلة أصعب حتى تمكن النموذج من العثور على أكثر من 95 بالمئة من الخلايا مع نادراً ما يخلط بين الحطام والخلايا. تعلم نموذج مرافق تقدير حجم الخلايا وفصل الحية عن الميتة المصبوغة بالأصباغ الشائعة. عبر اختبارات على عينات مختلطة من الخلايا الحية والميتة، اختلفت نتائج SnapCyte عن عدّ الخبراء البشريين بأقل من خمسة في المئة، بينما كانت الأخطاء أكبر بكثير في مناهج التعلم الآلي السابقة.

اختبار الذكاء الاصطناعي مقابل طرق المختبر التقليدية

سأل الفريق بعد ذلك ما إذا كان بإمكان SnapCyte استبدال أو مطابقة اختبارات النمو والسمّية القياسية المستخدمة في البحث وتطوير الأدوية. قارنوا قياسات التغطية الخاصة به بالعدّ المباشر للخلايا، وبالاختبارات القائمة على الألوان التي تتتبع الأيض، وبجهاز تصوير خلايا حيّة تجاري. في عدة خطوط خلوية وتجارب معالجة بأدوية، تابعت قراءات SnapCyte عن كثب هذه الطرق المعمول بها وغالباً ما أظهرت تبايناً أقل بين المستخدمين. كما استطاع الأداة تقدير زمن تضاعف الخلايا وأعطت قيم حساسية دوائية مطابقة للبيانات المنشورة مع استخدام أقل للأطباق، وكواشف أقل، ووقت عمل عملي أقل بكثير.

ماذا يعني هذا لعمل المختبر اليومي

بشكل عام، توضح الدراسة أن صوراً بسيطة لمزارع الخلايا تحتوي على معلومات بصرية كافية لنظام ذكاء اصطناعي مدرّب ليقدر عدد الخلايا وحالتها الصحية، دون لمس الخلايا أو إضافة مواد كيميائية. توفر SnapCyte قياسات سريعة ومتسقة إلى حد كبير مستقلة عمن يستخدمها أو أي مجهر يمتلكونه. بالنسبة للعلماء العاملين، قد يجعل هذا الفحوص الروتينية لنمو الخلايا أكثر موثوقية وأقل مجهوداً، مع الاحتفاظ بنفس الخلايا لتجارب لاحقة.

الاستشهاد: Wong, C.P., Khazamipour, N., Aalibagi, S. et al. Enhanced precision in cell culture analytics: leveraging artificial intelligence for unbiased and non-destructive assessment of cell growth and viability. Cell Death Discov. 12, 234 (2026). https://doi.org/10.1038/s41420-026-03116-9

الكلمات المفتاحية: زراعة الخلايا, الذكاء الاصطناعي, عدّ الخلايا, قابلية بقاء الخلايا, تحليل الصور