الكشف وتصنيف الكروموسومات التي تعاني عيوب التلاصق بين الكروماتيدات الشقيقتين باستخدام نماذج اكتشاف الكائنات

لماذا تهم هذه الانحناءات الدقيقة في الحمض النووي

في كل مرة تنقسم فيها خلية، يجب أن تنقل نسخة مطابقة من مادتها الوراثية. للحفاظ على هذه النسخ معًا حتى اللحظة المناسبة، تعتمد الخلايا على «غراء» جزيئي يثبت الكروموسومات المزدوجة جنبًا إلى جنب. عندما يفشل هذا الغراء، قد تنفصل الكروموسومات مبكرًا جدًا، مما يؤدي إلى تحطّم الجينوم، واضطرابات في التطور، والسرطان. تبحث الدراسة الموضحة هنا مشكلة عملية للغاية: كيف نكتشف هذه حالات فشل «الغراء» الدقيقة تلقائيًا في صور الميكروسكوب، مستخدمين ذكاءً اصطناعيًا حديثًا بدلًا من العيون البشرية المتعبة.

كيف تبقى الكروموسومات معًا

قبل انقسام الخلية، يُنسخ كل كروموسوم بحيث تتكون سلسلتان متطابقتان تُعرفان بالكروماتيدات الشقيقتين. تساعد آلة بروتينية تسمى الكوهيسين (cohesin) في إبقاء هاتين الشقيقتين متقاربتين حتى تكون الخلية مستعدة لفصلهما. إذا تعطلت الكوهيسين أو بروتينات المساعدة التابعة لها، قد تنجرف الشقيقتان بعيدًا عن بعضهما مبكرًا. من بين هؤلاء المساعدين إنزيم فك الحمض النووي DDX11، وترتبط عيوبه بحالة نادرة لدى البشر تُدعى متلازمة وارسو للكسور. تحت الميكروسكوب، تظهر الخلايا التي تعاني مشكلات التلاصق غالبًا كروموسومات شقيقتاها مفتوحتان أو منقسمتان في المركز، لكن التمييز بين الأشكال الطبيعية والنمطية يتطلب الصبر والحكم البشري.

لماذا الفحوص اليدوية ليست كافية

تقليديًا، يفرد الباحثون الكروموسومات على شريحة، يصبغونها، ثم يصنفون ما لا يقل عن 50 إلى 100 منها لكل عينة يدويًا. يُحكم على كل كروموسوم من خلال شكله ومدى تباعد شقيقتيه. هذه المهمة بطيئة وذاتية وسهلة الإجهاد، مما يزيد من مخاطر الأخطاء والنتائج غير المتسقة بين العلماء. استخدم الفريق نفسه في محاولات سابقة التعلم العميق لتصنيف صور كروموسومات فردية، لكن تلك الأنظمة تطلّبت خطوات برمجية منفصلة لقص كروموسومات مفردة من صور ميكروسكوب مزدحمة ولإسقاط التداخلات المربكة. ظلت معالجة الصور الإضافية تلك تعتمد اعتمادًا كبيرًا على ضبط وإصلاح يدوي، مما أعاق تحقيق أتمتة حقيقية بضغطة زر.

ترك الحاسوب ليجد الكروموسومات بنفسه

في الدراسة الجديدة، لجأ الفريق إلى اكتشاف الكائنات، وهو فرع من رؤية الحاسوب يمكنه العثور على عناصر متعددة داخل صورة واحدة وتصنيفها في آن واحد. ركزوا على عائلة من النماذج السريعة والمستخدمة على نطاق واسع تُدعى YOLO (اختصارًا لـ «أنت تنظر مرة واحدة») إلى جانب عدة طرق متنافسة. أولًا، أنشأوا نظام اختبار عن طريق تعديل خلايا بشرية تفتقر إلى DDX11 وبالتالي تظهر مشكلات تلاصق واضحة، ثم أعدوا صور ميكروسكوبية لكروموسوماتها إلى جانب تلك الخاصة بالخلايا الطبيعية. تم تحديد كل كروموسوم مرئي في هذه الصور بمربع وتوسيمه كأحد ثلاثة أنواع شكلية: متلاصق بإحكام، منفصل جزئيًا على طول الأذرع، أو منقسم بوضوح عند المركز. خدمت هذه الوسوم اليدوية كمادة تدريب للخوارزميات.

تعليم الذكاء الاصطناعي تمييز فروق الشكل الدقيقة

دقن الباحثون عدة نماذج اكتشاف كائنات مُدرَّبة مسبقًا على ما يزيد قليلًا عن ألف كروموسوم موسوم، مع تخصيص صور أخرى لاختبار الأداء. قارنوا مدى نجاح كل نموذج أولًا في العثور على الكروموسومات على الإطلاق ثم في وضعها في الفئة الصحيحة من بين الفئات الثلاث. من بين الأنظمة المختبرة، أدت نسخة تُسمى YOLOv8 الأداء الأفضل. طابقت الوسوم البشرية لما يقارب تسعة من كل عشرة كروموسومات، رغم أن الفروق بين الفئات كانت غالبًا دقيقة جدًا. والأهم من ذلك، عندما طُبّق النموذج على صور من خلايا طبيعية وخلايا ناقصة DDX11، أعاد YOLOv8 النمط البيولوجي الرئيسي الذي يراه الخبراء البشريون: كانت الخلايا المعيبة تحتوي على عدد أقل بكثير من الكروموسومات المتلاصقة بإحكام والعديد من الكروموسومات ذات الشقيقتين المنفصلتين بوضوح.

ماذا يعني هذا لعمل المختبر في المستقبل

تُظهر الدراسة أن نموذجًا ذكاءً اصطناعيًا يمكنه مسح امتدادات كاملة للكروموسومات ووضع علامة تلقائية على عيوب التلاصق دون خطوات قص إضافية أو تنظيف يدوي. رغم وجود مجال لتحسين الأداء—وخاصة بالنسبة للكروموسومات المتداخلة والأشكال الحدية—فإن النهج يضاهي بالفعل الطرق السابقة التي كانت تتطلب تدخلًا بشريًا أكبر. وبما أن النماذج بُنيت عبر تكييف أدوات مفتوحة المصدر متاحة ويمكن إعادة تدريبها بمجموعات صور متواضعة، فيمكن للمختبرات التي تفتقر إلى خبرة حوسبية عميقة تطوير أنظمتها المخصّصة. وعلى المدى البعيد، قد تسرع استراتيجيات مماثلة من فحص العقاقير، وتساعد في مقارنة العديد من الطفرات الجينية، وتمتد لتشمل تغيّرات كروموسومية دقيقة أخرى تهم الصحة البشرية.

الاستشهاد: Matsumoto, S., Sojo, M., Oshima, K. et al. Detection and classification of chromosomes with sister chromatid cohesion defects using object detection models. Sci Rep 16, 13719 (2026). https://doi.org/10.1038/s41598-026-43009-6

الكلمات المفتاحية: تصوير الكروموسومات, التعلّم الآلي, اكتشاف الكائنات, عيوب التلاصق, YOLOv8