mViSE: محرك بحث بصري لتحليل صور أنسجة الدماغ بتلوين مناعي متعدد القنوات (بروتيوميات مكانية)

رصد الأنماط في الدماغ

يمكن للمجاهر الحديثة الآن التقاط صور مفصلة بشكل مذهل لشرائح الدماغ بأكملها، تعرض عشرات البروتينات المختلفة في آن واحد. تعد هذه الصور «المتعددة» بمفاتيح لفهم كيفية تنظيم خلايا الدماغ، وكيف تتواصل مع بعضها، وكيف تعطل الأمراض هذه الأنماط. لكن الصور ضخمة ومعقدة لدرجة أن حتى الحواسيب القوية تكافح لفك شيفرتها. يقدم هذا البحث mViSE، محرك بحث بصري يمكّن الباحثين من استكشاف هذه الصور الدماغية الهائلة بمجرد النقر على الخلايا والمناطق المحيطة ذات الاهتمام، بدلاً من كتابة شفرات مخصصة.

لماذا من الصعب استخدام صور الدماغ الكبيرة

كل صورة دماغ متعددة القنوات تشبه خريطة مدينة ضخمة حيث كل مبنى وشارع وخط مرافق مُعلّم بألوان متعددة في آن واحد. تشير بروتينات مختلفة إلى أنواع خلايا مختلفة، حالات خلوية، الأوعية الدموية، وأنماط التوصيل. تقليدياً، تقسم خطوط أنابيب التحليل هذه الخريطة إلى سلسلة خطوات مبرمجة: تنظيف الصورة، اكتشاف الخلايا، تجزئتها، تصنيف أنواع الخلايا، ثم تلخيص النتائج حسب المنطقة. رغم قوتها، فإن هذه المنهجية جامدة ويصعب تكييفها عند ظهور أسئلة جديدة—خاصة في الدماغ، حيث مزيج العصبونات والدبق والخلايا الوعائية يحتوي على تعقيد جزيئي ومكاني هائل. بات الباحثون بحاجة متزايدة إلى طريقة تفاعلية وأكثر مرونة لطرح أسئلة جديدة على هذه البيانات دون أن يصبحوا مبرمجين بدوام كامل.

محرك بحث لخلايا الدماغ

يتعامل mViSE مع صورة الدماغ كألبوم صور على الإنترنت أكثر من كبيانات ثابتة. بدلاً من تحديد كل خطوة تحليلية مسبقاً، ينقر المستخدم على خلية أو بقعة نسيجية صغيرة تبدو مثيرة للاهتمام. ثم يبحث النظام في الصورة الدماغية بأكملها عن خلايا أو مناطق محيطة تبدو وتتصرف بشكل مشابه عبر قنوات البروتين المتعددة. يتم تمييز المطابقات مباشرة على عرض الدماغ الكامل ويمكن تلخيصها كملفات تعريف تعبير البروتين. هذا يمكّن الباحثين من كشف أماكن وجود خلايا أو بيئات ميكروية متشابهة بسرعة، تحديد مناطق الدماغ وطبقات القشرة، ومقارنة الأنماط عبر أجزاء مختلفة من الدماغ—كل ذلك مدفوع باستعلامات بصرية، لا بشفرات.

تعليم الحاسوب فهم النسيج

لجعل هذا العمل قابلاً للتطبيق، يمر mViSE أولاً بمرحلة تعلم تعمل بالكامل في الخلفية. يقسم المؤلفون قنوات البروتين المتعددة إلى لوحات ذات معنى بيولوجي، مثل العلامات التي تبرز أنواع الخلايا، الخلايا الدبقية، الألياف العصبية، أو الأوعية الدموية. لكل لوحة، ينظر محول رؤية قوي—وهو نموذج تعلم عميق حديث—إلى العديد من الرقع الصغيرة عبر الدماغ ويتعلم تمثيل كل رقعة كنقطة في «فضاء ميزات» عالي البعد. يجب أن تنتهي الرقع التي تبدو وتتصرف بشكل مشابه قريبة من بعضها في هذا الفضاء. ثم يقوم أسلوب كشف المجتمعات المستند إلى نظرية المعلومات بتجميع النقاط القريبة في مجتمعات تعكس أنماط تكرارية في بنية النسيج. والأهم أن هذا التعلم ذاتي الإشراف: لا يحتاج إلى وسم بشري، ومع ذلك ينتج خرائط ملونة تؤكد بصرياً أن الطبقات والمناطق المعروفة يتم التقاطها.

التكبير على الخلايا والمحيط

بمجرد التدريب، يمكن لـ mViSE الاستجابة لأنواع مختلفة من الاستعلامات. بالنسبة للرقع الصغيرة جدًا التي تحتوي على خلايا مفردة، يسترجع الخلايا الأكثر شبهًا عبر الدماغ ويعرض مواقعها. يوضح المؤلفون أن النظام يكتشف بشكل موثوق أنواع الخلايا الدماغية الرئيسية—مثل العصبونات، الخلايا النجمية، الخلايا قليلة التغصن، الخلايا الدبقية الصغيرة، والخلايا الوعائية—وكذلك أنواع فرعية عصبية أكثر تحديدًا، وحتى أزواج خلايا تقع بجانب الأوعية الدموية. بالنسبة للرقع الأكبر التي تشمل خلايا متعددة والتوصيلات المحلية، يعيد mViSE المجتمع الكامل من الأحياء الميكروية المماثلة، وغالبًا ما يتتبع مناطق أو حزم عصبية معروفة. من خلال الجمع بين معلومات من عدة لوحات علامات في آن واحد، يمكنه أيضاً تمييز الفروق الطفيفة بين طبقات القشرة وتحت مناطق صغيرة يصعب تمييزها بطرق أخرى.

تفوقه على نماذج الذكاء الاصطناعي العامة

قارن الباحثون mViSE بعدة نماذج «أساسية» متقدمة تم تدريبها أصلاً على مجموعات كبيرة من الصور الطبيعية أو صور علم الأمراض. لأن تلك النماذج تتوقع صورًا بسيطة بثلاثة ألوان، اضطُرَ لضغط العديد من قنوات البروتين إلى الأحمر والأخضر والأزرق، مما أدى إلى فقدان معلومات. حتى بعد هذا التكييف، أنتجت هذه النماذج العامة حدودًا أضَمحَل بين الطبقات وفشلت في التقاط التحت مناطق الدقيقة. في المقابل، حقق mViSE، المصمم للتعامل مباشرة مع العديد من القنوات ويمثل كل قناة بشكل منفصل قبل دمجها، دقة أعلى في مطابقة مناطق أطلس الدماغ المعروفة. أنتج خرائط أوضح لطبقات القشرة ومجتمعات أكثر تماسكًا من الرقع المماثلة، مما يشير إلى أن تمثيلاته تعكس بشكل أفضل التنظيم البيولوجي الحقيقي.

طريقة جديدة لاستكشاف الخريطة الحية

في جوهره، يحول mViSE صور الدماغ الضخمة متعددة الألوان إلى خريطة تفاعلية يمكن للباحثين البحث فيها بصريًا. بدلاً من كتابة نصوص لكل تحليل بعناء، يمكن للعلماء النقر على خلايا أو بيئات ميكروية تلفت انتباههم ورؤية فورًا أماكن ظهور بنى مماثلة وكيفية مقارنة ملفاتها البروتينية. لا تتطلب الطريقة وسمًا يدويًا أثناء التدريب وتتكيف مع مجموعات بيانات ضخمة، مما يجعلها إضافة عملية لأدوات البروتيوميات المكانية. مع إضافة تقنيات التصوير مزيدًا من القنوات الجزيئية، ومع امتداد مقاربات مماثلة إلى أدمغة مريضة وأعضاء أخرى، قد تساعد أدوات مثل mViSE في تحويل تعقيد الصور الخام إلى تصورات بديهية قابلة للتنقل لبنية النسيج—مقرّبةً إيانا من قراءة أطلس الدماغ الجزيئي المعقد كما لو كان خريطة قابلة للبحث.

الاستشهاد: Huang, L., Mills, R., Mandula, S. et al. mViSE: A visual search engine for analyzing multiplex IHC brain tissue images (spatial proteomics). Sci Rep 16, 10245 (2026). https://doi.org/10.1038/s41598-026-40620-5

الكلمات المفتاحية: البروتيوميات المكانية, تصوير الدماغ, محرك بحث بصري, الميكروسكوب متعدد القنوات, علم الأمراض الحاسوبي