$${\bf{Micro}}{{\mathbb{S}}}{\bf{plit}}$$ : فصل دلالي لبيانات التصوير المجهري الوميضي

رؤية أكثر بضوء أقل

تمكّن الميكروسكوبات الحديثة العلماء من مشاهدة الخلايا الحية وهي تعمل، لكن كل صورة لها ثمن. كل ومضة ضوء يمكن أن تضر الخلايا الحساسة، واستخدام علامات متوهجة متعددة يصطدم بسرعة بحدود فيزيائية. تقدم هذه الورقة MicroSplit، حيلة حسابية تسمح للباحثين بالتقاط عدة هياكل خلوية في صورة واحدة أبسط ثم فصلها لاحقًا على الحاسوب، مما يخفف الضغط على الميكروسكوب والخلايا نفسها.

لماذا تصطدم الخلايا المتوهجة بحاجز

لتتبع أجزاء مختلفة من الخلية، يربط علماء الأحياء أصباغًا فلورية مميزة بهياكل مثل النواة أو الهيكل الخلوي أو مصانع الطاقة. في تجربة نموذجية، يسجل الميكروسكوب قناة صور منفصلة لكل صبغة. ومع ذلك، غالبًا ما تستجيب الأصباغ لألوان ضوئية متشابهة، فتتداخل إشاراتها. هذا التداخل يحدّ من عدد الهياكل التي يمكن تتبعها في وقت واحد. علاوة على ذلك، كل قناة إضافية تعني جولة أخرى من الإضاءة، ما يستهلك "ميزانية الفوتونات" المحدودة وقد يبطئ الأفلام، يطمس التفاصيل أو يضر العينات الحية.

تحويل صورة مزدحمة إلى عدة صور واضحة

يتعامل MicroSplit مع هذا المقايضة عن طريق تغيير كيفية جمع المعلومات ومعالجتها. بدلًا من التقاط عدة صور منفصلة، يمكن للعلماء وسم هياكل متعددة كالمعتاد لكن تسجيلها معًا في قناة فلورية واحدة. تُغذى هذه الصورة المزدحمة الواحدة بعد ذلك إلى نموذج تعلم عميق تم تدريبه على "فصل" الأنماط التي يراها. تنتج الشبكة عدة صور مُنقّاة، كل واحدة تبرز هيكلًا مختلفًا كما لو أنه تم تصويره في قناته الخاصة منذ البداية.

التعلم من الواقع المملوء بالضوضاء

لا يتطلّب تدريب MicroSplit صور مرجعية مثالية. يبين المؤلفون أن النموذج يمكنه التعلم من بيانات ميكروسكوبية عادية وصاخبة، وهي أسهل بكثير في الحصول عليها. أثناء التدريب، تُعرض للنظام أمثلة تتوفر فيها القنوات المنفصلة ومجموعها المدمج. يتعلم شيئين في آن واحد: كيفية فصل الهياكل المتداخلة وكيفية إزالة الضوضاء. باستخدام نوع خاص من الشبكات العصبية التي تولّد حلولًا محتملة متعددة، يمكن لـ MicroSplit أيضًا تقدير مدى يقين توقعاته، مميّزًا المناطق التي يجب التعامل معها بحذر أو فحصها بواسطة خبير.

العمل عبر مجموعات بيانات واستخدامات متعددة

اختبر الباحثون MicroSplit على عشر مجموعات بيانات ميكروسكوبية مختلفة، شملت أبعادًا ثنائية وثلاثية واشتملت على ما يصل إلى أربعة هياكل خلوية متداخلة. عبر 30 مهمة رئيسية، كانت الصور المفصولة دقيقة بما يكفي لدعم التحليلات اللاحقة القياسية مثل تقسيم أجزاء الخلايا. في اختبارات دقيقة، أنتج المحللون البشريون تقسيمات متسقة بالمثل على مخرجات MicroSplit وعلى الصور متعددة القنوات التقليدية. كما يمكن قلب الطريقة لإزالة ميزات غير مرغوب فيها: بتعليم MicroSplit التمييز بين الإشارة الحقيقية والبقع المتكررة أو الشوائب، يمكن للنموذج طرح هذه العيوب التصويرية مع الحفاظ على الهياكل الحقيقية.

معرفة الحدود

MicroSplit ليس سحريًا، ويستكشف المؤلفون بصراحة الحالات التي يواجه فيها صعوبات. تنخفض الأداء إذا كانت الصور الأصلية شديدة الضوضاء، أو إذا كان أحد الهياكل أضعف بكثير من الآخر، أو إذا كان هيكلان متشابهان تقريبًا. في مثل هذه الحالات، يميل النموذج إلى تنعيم التفاصيل الدقيقة بدلًا من اختلاق حدّة كاذبة. ومع ذلك، حتى مع أوقات تعرض قصيرة، غالبًا ما يقدم MicroSplit صورًا مفصولة جيدة بما يكفي للعمل الكمي، بينما يستخدم فوتونات أقل بكثير من الطرق التقليدية.

ماذا يعني هذا لتصوير المستقبل

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن MicroSplit يسمح للميكروسكوبات "برؤية" مزيد من الهياكل في وقت أقل وبضوء أقل عن طريق نقل جزء من العمل من العتاد إلى البرمجيات. بدلاً من أن يكون الباحثون محدودين بعدد الألوان التي يمكن للميكروسكوب فصلها بصريًا، يمكنهم دمج الإشارات في قناة واحدة وترك MicroSplit يتولى الفرز. يتيح ذلك استخدام الضوء لصنع أفلام أسرع، أو التقاط هياكل خافتة بلطف أكبر، أو إضافة علامات إضافية كانت غير عملية سابقًا. من خلال نشر الشيفرة والبيانات والنماذج المدربة بشكل مفتوح، يهدف المؤلفون إلى جعل هذا النوع من التعددية الحسابية جزءًا روتينيًا من التصوير البيولوجي.

الاستشهاد: Ashesh, A., Carrara, F., Zubarev, I. et al. \({\bf{Micro}}{{\mathbb{S}}}{\bf{plit}}\): semantic unmixing of fluorescent microscopy data. Nat Methods 23, 1047–1057 (2026). https://doi.org/10.1038/s41592-026-03082-1

الكلمات المفتاحية: التصوير المجهري الفلوري, التعلم العميق, فصل الصور, تعددية حسابية, تحليل الصور الحيوية