التعلّم العميق لتوقّع كفاءة الخلايا الجذعية لاستخدامها في تمايُز خلايا بيتا

لماذا تهمّ هذه الدراسة لرعاية السكري المستقبلية

بالنسبة للأشخاص المصابين بداء السكري من النمط الأول، يبرز حلم ناشئ باستبدال خلايا إنتاج الإنسولين المفقودة بدلاً من الاعتماد على الحقن مدى الحياة. أصبح بوسع العلماء الآن زراعة مثل هذه الخلايا من خلايا جذعية مأخوذة من المريض نفسه، لكن العملية بطيئة ومكلفة وغالباً ما تفشل. تُظهر هذه الدراسة كيف يمكن للذكاء الاصطناعي أن ينظر إلى صور ميكروسكوبية مبكرة للخلايا الجذعية ويتنبأ، خلال يومين فقط تقريباً، أي الدفعات من المرجح أن تتحول إلى خلايا منتجة للإنسولين وأيها محكوم عليها بالفشل — ما قد يوفر الوقت والمال والمواد البيولوجية الثمينة.

من خلايا الجلد إلى خلايا مصنّعة للإنسولين

في أبحاث العلاج بالخلايا الحديثة، يمكن إعادة برمجة خلايا بالغة مأخوذة من المريض إلى حالة شبيهة بالخلايا الجذعية تُسمى الخلايا الجذعية المحفّزة متعددة القدرات. يمكن بعد ذلك توجيه هذه الخلايا الجذعية عبر عملية تستمر شهراً لتحويلها إلى خلايا بيتا البنكرياسية، وهي الخلايا التي تُفرز الإنسولين. نظرياً، يوفر ذلك مصدراً شخصياً لا يرفضه الجهاز المناعي لاستبدال الخلايا لمرضى السكري من النمط الأول. عملياً، تتصرف كل «نسخة» من الخلايا الجذعية للمريض بشكل مختلف: فبعضها يولّد الكثير من خلايا بيتا الصحية، وبعضها القليل جداً. وبما أن الفروق تكون طفيفة في البداية، فلا يستطيع الخبراء المتمرسون عادةً التنبؤ بثقة أي النسخ ستؤدي أداءً جيداً مبكراً. تجبر هذه الشكوك الباحثين على متابعة النسخ الضعيفة طوال إجراء الـ34 يوماً، مما يهدر الجهد ويزيد التكاليف.

تدريب الحواسيب لقراءة الأنماط الخلوية الدقيقة

سعى الباحثون إلى معرفة ما إذا كان نظام تعلّم عميق — شبيه في المبدأ بتلك المستخدمة في تمييز الصور — يمكنه اكتشاف إشارات بصرية مبكرة في صور ميكروسكوبية بسيطة خالية من العلامات. عملوا مع ست نسخ من الخلايا الجذعية مشتقة من مرضى مختلفين، جميعها متجهة نحو نفس نوع الخلايا الهدف. وبدلاً من استخدام صبغات ملونة أو تقنيات تصوير معقّدة، اعتمدوا على صور طور التباين القياسية المأخوذة كل ساعة خلال الأيام الأربعة الأولى من التطور. لاحقاً، قيس نجاح كل نسخة باستخدام علامة معروفة في اليوم الرابع ترتبط بمدى قدرة الخلايا على التحول في النهاية إلى خلايا بيتا عاملة. جُمّعت النسخ إلى مجموعتين «جيدة» و«سيئة» استناداً إلى هذه العلامة، ودُرّب الشبكة العصبية على التمييز بين المجموعتين من الصور المبكرة فقط.

مدى قدرة النظام على التنبؤ بالنجاح

باستخدام نموذج تعلّم عميق قائم على EfficientNet، قطّع الباحثون الصور عالية الدقة إلى رقع أصغر ودَرّبوا الشبكة على العديد من هذه القطع من كل نسخة. قيّموا الأداء بطريقتين: مدى تكرار تصنيف الرقع الفردية بشكل صحيح، ومدى تكرار صحة التنبؤ الإجمالي للنسخة كاملة باستخدام آلية تصويت. بينما لم تكن الصور المأخوذة قبل بدء التمايز تحتوي على اختلافات بصرية مفيدة، بحلول اليوم الثاني تقريباً أصبحت توقعات الشبكة دقيقة بشكل لافت. عند حوالي 53 ساعة، حدّد النظام النتيجة النهائية بشكل صحيح لنسبة 96.7% من النسخ، مقدّماً إشارة إنذار مبكرة قوية حول أي دفعات الخلايا الجذعية تستحق الاستمرار وأيها يمكن إيقافها وإعادة البدء بخلايا جديدة.

ما الذي «ينظر» إليه الحاسوب داخل الخلايا

للتجاوز عن التنبؤ على هيئة صندوق أسود، استخدم الفريق أدوات ذكاء اصطناعي قابلة للتفسير وتحليلاً صوريّاً تقليدياً لفهم الميزات البصرية ذات الأهمية. أشارت خرائط الحرارة لاهتمام الشبكة إلى أنها لم تكن تركز على خلايا فردية، بل على أنماط أوسع عبر صف الخلايا. اتسمت النسخ الجيدة بتشكيل طبقات أكثر تواصلية وموحدة من الخلايا، بينما أظهرت النسخ السيئة بقعاً فارغة أو «ثقوباً» وسطوعاً غير متجانس عبر مناطق تمتد لعشرات إلى مئات الميكرومترات. دعمت تحليل رياضي منفصل لبنية الصورة هذا الاستنتاج: في النسخ السيئة كانت تغيرات الشدة أقوى على مقاييس طول متوسطة، متسقة مع تغطية متقطعة وحطام. توافقت تفسيرات النموذج مع مقاييس بسيطة مثل تباين السطوع، وأظهر المؤلفون كيف أثّرت استراتيجيات تطبيع الصورة المختلفة على الأداء اعتماداً على مدى صفاء الثقافة أو احتوائها على حطام.

خطوات نحو علاج خلوي أكثر كفاءة وتكلفة أقل

هذا العمل هو عرض مبكر لكنه واعد بأن التعلّم العميق، مقروناً بتصوير حي بسيط جداً للخلايا، يمكن أن يعمل كفاحص تلقائي مبكر للجودة في إنتاج الخلايا الجذعية. من خلال وسم النسخ الضعيفة بعد يومين فقط، يمكن لمثل هذه الأنظمة تقليل تجارب الزرع المهدورة وخفض تكلفة إنتاج خلايا بيتا المخصصة لكل مريض، مما يساعد على تقريب العلاج الخلوي لمرض السكري من النمط الأول من الاستخدام الروتيني في العيادات. وعلى الرغم من أن الدراسة شملت ست نسخ فقط وستحتاج إلى التحقق من صحتها على مجموعات بيانات أكبر وأكثر تنوعاً، فإنها توضح أن أنماط الخلايا على مستوى التجمعات تحمل معلومات غنية يمكن للحواسيب استغلالها قبل أن يتمكن البشر من رؤية اختلافات واضحة.

الاستشهاد: Schöb, F.J., Binder, A., Zamarian, V. et al. Deep learning for predicting stem cell efficiency for use in beta cell differentiation. Sci Rep 16, 12788 (2026). https://doi.org/10.1038/s41598-026-42830-3

الكلمات المفتاحية: علاج الخلايا لمرض السكري من النمط الأول, الخلايا الجذعية المحفّزة متعددة القدرات, التعلّم العميق في الميكروسكوب, تمايُز خلايا بيتا, مراقبة الجودة المعتمدة على الصور