نهج التعلم العميق لتقييم أداء عبور الخلايا عبر البطانة الوعائية

مراقبة الخلايا المناعية وهي تعبر الحدود

تعتمد أجسامنا على خلايا مناعية متجولة قادرة على مغادرة مجرى الدم، والضغط بين خلايا بطانة الأوعية، والدخول إلى الأنسجة لمكافحة العدوى والسرطان. هذه العملية العابرة للحدود صعبة التصوير في المختبر، لا سيما تحت ظروف تدفق دم واقعية. تعرض المقالة طريقة جديدة لمتابعة هذه الرحلة بتفصيل ثم تستخدم الذكاء الاصطناعي لتقييم سريع لمدى نجاح الخلايا المناعية في العبور، بهدف فهم أمراض مثل سرطان البنكرياس وتراجع المناعة المرتبط بالعمر.

كيف تنسل الخلايا من الأوعية الدموية

الخلايا المناعية لا تخرج من الأوعية الدموية بشكل عشوائي. تتبع سلسلة من الخطوات المنسقة بعناية: أولاً تُلتقط بواسطة جدار الوعاء، ثم تتدحرج عليه، تتوقف، تزحف، وفي النهاية تدفع عبر أو بين خلايا البطانة لتصل إلى النسيج خارجها. تعتمد هذه الرحلة متعددة الخطوات، المسماة الهجرة عبر البطانة الوعائية، على شبكة من الموصلات السطحية وجزيئات الإشارة على كل من الخلايا المناعية وخلايا بطانة الأوعية. عندما يتعطل هذا التسلسل، قد تضعف الدفاعات المناعية، وقد تتمكن الأورام من التهرب من الهجوم، أو قد يؤدي دخول الخلايا المفرط إلى التهاب مزمن وأمراض مناعية ذاتية.

لماذا تختزل الاختبارات المخبرية التقليدية الصورة

نادراً ما تعيد اختبارات الهجرة المعيارية في المختبر القوى والهياكل التي تواجهها الخلايا داخل الأوعية الدموية الحقيقية. تتيح الأنظمة البسيطة المعتمدة على المرشحات للباحثين عدّ عدد الخلايا التي تتحرك عبر غشاء، لكنها تعتمد في الغالب على الجاذبية ولا تستطيع تقليد القص المستمر لتدفق الدم أو كشف كل خطوة من سلسلة العبور. تلتقط النماذج الحيوانية مزيداً من التعقيد لكنها تختلف عن بيولوجيا الإنسان وتكون مكلفة وبطيئة. طريقة أكثر واقعية، تعرف باختبار الالتصاق القائم على التدفق، تسمح للباحثين بزراعة خلايا بطانة بشرية داخل قنوات ضيقة وضخ خلايا مناعية فوقها تحت تدفق مسيطر عليه. حتى الآن، حُبست هذه الطريقة بسبب الاعتماد الكبير على تسجيل النتائج يدوياً من قِبل المشغل، حيث يتم تدقيق آلاف الخلايا إطاراً بإطار.

تحويل أفلام الخلايا إلى بيانات باستخدام الذكاء الاصطناعي

طور المؤلفون اختبار التدفق وأقرنوه بنموذج تعلم عميق لأتمتة التحليل. نما الباحثون خلايا بطانة بشرية داخل شرائح ميكروفلويدية، وحفزوها لعرض الموصلات السطحية المناسبة، ثم مرّروا خلايا T معنونة بمؤشرات فلورية فوق هذا الحاجز الحي أثناء تسجيل صور عالية الدقة بمجهر طولي المقطع. أزالت خطوات معالجة الصور الضوضاء الخلفية وفصلت الخلايا T الفردية، مما أتاح قياس خواص شكلية بسيطة مثل مساحة الخلية، درجة استطالتها، ومدى استدارة محيطها. بدلاً من مطالبة الذكاء الاصطناعي بتمييز كل مرحلة دقيقة من الرحلة، جمع الفريق الخلايا في حالتين رئيسيتين: تلك التي لا تزال على أو داخل جدار الوعاء وتلك التي عبرت بالكامل إلى الجانب البعيد.

ما الذي تعلمته الشبكة العصبية

باستخدام إطار Keras/TensorFlow، درب الباحثون نموذج تعلم عميق لتصنيف كل خلية مقطعة على أنها "عبرت" أو "لم تعبر بعد" بناءً على تلك الخصائص الشكلية. تعلم النموذج أن الخلايا المستطيلة ذات نسبة البُعد العالية كانت أكثر احتمالاً أن تكون في خضم العبور أو قد أنهته، بينما كانت الخلايا الدائرية أكثر ميلاً لأن تظل ملتصقة على جانب الدم. عند اختباره على صور جديدة غير مرئية سابقاً، تعرف النظام بدقة على الخلايا العابرة بأكثر من 93٪ وعلى الخلايا غير العابرة بحوالي 88٪، متجاوزاً معايير الاعتماد المعتادة للتصنيف الآلي الموثوق. ما كان يستغرق نحو عشر ساعات من التدقيق اليدوي الدقيق بواسطة خبيرين معميين يمكن الآن إتمامه في دقائق، مع تناسق محسّن وانعدام شبه كامل لتحيز المشغل.

اختبار خلايا مناعية من أشخاص أصحاء ومرضى بالسرطان

لإظهار أن الطريقة تعمل عبر التنوع الواقعي، طبّق الفريق الاختبار المدعوم بالذكاء الاصطناعي على خلايا T من متبرعين أصحاء من أعمار وجنسين مختلفين، وكذلك من مرضى سرطان القناة البنكرياسية الغُدِّي، وهو سرطان معروف ببيئته الورمية العدائية وضعف تسلل الخلايا المناعية. لم يظهر لدى المتبرعين الأصحاء اختلافات كبيرة في أداء العبور حسب العمر أو الجنس. على النقيض، كانت خلايا T من مرضى سرطان البنكرياس أسوأ بكثير في إكمال الرحلة عبر خلايا بطانة الأوعية مقارنة بخلايا T من الأشخاص الأصحاء، بغض النظر عما إذا كان الورم يحمل طفرة KRAS شائعة أو ما إذا كان المريض قد تلقى علاجاً كيميائياً. تشير هذه النتائج الاستكشافية إلى أن بيئة الورم قد تترك أثراً دائماً على الخلايا المناعية يضعف قدرتها على التنقل بفعالية.

أداة جديدة لدراسة وتفصيل حركة الخلايا المناعية

بدمج اختبار تدفق واقعي مع التعلم العميق، أنشأ المؤلفون منصة عملية تحول تسلسلات الصور المعقدة إلى قياسات سريعة وموحدة لمدى عبور الخلايا لجدران الأوعية. النهج مرن بما يكفي لإعادة تدريبه لأنواع مناعية أخرى أو خلايا ورمية أو طبقات بطانية خاصة بأعضاء معينة، ويمكن توسيعه مستقبلاً إلى نماذج أوعية ثلاثية الأبعاد أكثر تعقيداً. للقراء غير المتخصصين، تكمن الرسالة الأساسية في أن مراقبة وتقييم حركة الخلايا المناعية لم يعد عملاً يدوياً بطيئاً: باستخدام الذكاء الاصطناعي، يمكن أن يصبح أداة قوية وسريعة الإنتاج تساعد العلماء في استكشاف أسباب فشل بعض الاستجابات المناعية وكيفية استعادة قدرة الخلايا على الوصول إلى الأنسجة التي تحتاجها بشدة.

الاستشهاد: Schumacher, T.M., Gottloeber, E.M., Koziel, E. et al. A deep learning approach to assess transendothelial cell trafficking performance. Sci Rep 16, 11602 (2026). https://doi.org/10.1038/s41598-026-46045-4

الكلمات المفتاحية: تنقل الخلايا المناعية, الهجرة عبر البطانة الوعائية, علم المجهر بالتعلم العميق, اختبار الالتصاق القائم على التدفق, مناعة سرطان البنكرياس