التعلّم بالقليل من العينات لتصنيف صور المجهر الإلكتروني الماسح من جزيئات مُخَلَّقة خضريًا من Momordica cymbalaria

نباتات، جسيمات صغيرة، وأجهزة ذكية

ماذا لو كانت النباتات اليومية قادرة على إنتاج جسيمات دقيقة لأدوية المستقبل، ويمكن لبرامج حاسوبية ذكية أن تصنف تلك الجسيمات تقريبًا كما يفعل خبير بشري؟ تجمع هذه الدراسة الكيمياء الخضراء والذكاء الاصطناعي باستخدام مستخلصات من نبات متسلق طبّي، Momordica cymbalaria، لصنع جسيمات نانوية ثم تدريب نموذج تعرف على الصور مضغوط لتمييز العينات المختلفة باستخدام مجموعة صغيرة جدًا من صور الميكروسكوب.

استخدام نبات طبي لصنع جسيمات دقيقة

بدلًا من الاعتماد على مواد كيميائية قاسية، لجأ الباحثون إلى نبات معروف في الطب التقليدي بدوره في ضبط سكر الدم. استخدموا جذوره وثمارها كمصانع طبيعية مصغرة لصنع نوعين من الجسيمات النانوية: الفضة وكربونات الكالسيوم. ساعدت مركبات النبات على دفع هذه التفاعلات وتثبيتها، مما قد يوفر مسارًا أنظف وأكثر أمانًا مقارنة بالطرق الصناعية القياسية. فُحصت المساحيق الناتجة بدقة باستخدام عدة أدوات للتحقق من حجمها وشكلها وتركيبها الكيميائي.

إلقاء نظرة على الجسيمات بالضوء والإلكترونات

لفهم ما صنعوه، عرض الفريق الضوء عبر العينات وسجل كيفية امتصاصها للألوان المختلفة، وهو مؤشر على تشكل البُنى الدقيقة كما هو متوقع. كما استخدموا مجهرًا إلكترونيًا قويًا لالتقاط صورٍ تفصيلية بالأبيض والأسود، أظهرت أن جسيمات كربونات الكالسيوم كانت دائرية ومجتمعة في أغلبها، بينما تكتلت جسيمات الفضة إلى أشكال أكبر وغير منتظمة. أكدت اختبارات إضافية أن العينات الغنية بالكالسيوم تحتوي بالأساس على الكالسيوم والأكسجين والكربون، بينما أظهرت عينات الفضة إشارات فضة قوية إلى جانب مادة عضوية من مستخلص النبات. أظهرت هذه القياسات معًا أن العملية الخضراء نجحت جيدًا مع كربونات الكالسيوم، بينما يحتاج مسار الفضة إلى مزيد من الضبط.

تعليم الحاسوب قراءة صور الميكروسكوب

جمع آلاف صور الميكروسكوب أمر صعب ويستغرق وقتًا، لا سيما في المختبرات الصغيرة. للتعامل مع ذلك، لجأ المؤلفون إلى نمط من الذكاء الاصطناعي يُسمى التعلّم بقليل العينات، المصمم للعمل مع مجموعات تدريب صغيرة جدًا. ركزوا على صور المجهر الإلكتروني الماسح لأربع مجموعات: الفضة من الجذور، الفضة من الثمار، كربونات الكالسيوم من الجذور، وكربونات الكالسيوم من الثمار. قبل التدريب، نظفوا وغيروا حجم الصور وخلقوا تنويعات إضافية بتدويرها وقلبها لتمديد مجموعة البيانات الضئيلة. تم تعديل شبكتين معروفتين لتحليل الصور، MobileNetV2 وResNet50، لتحويل كل صورة إلى بصمة رقمية مضغوطة.

كيف يتخذ نموذج قليل العينات القرارات

بدلًا من إدخال كل الصور مباشرة إلى مصنف تقليدي، تعلّم النظام في مهام صغيرة تحاكي مواقف العالم الحقيقي ذات البيانات المحدودة. في كل مهمة، رآى فقط عددًا قليلاً من الأمثلة لكل فئة، استخدمها لإيجاد "مركز" نموذجي لتلك الفئة، ثم قرر أين تناسب الصور الجديدة أفضل. قيسَت المسافات بين الصور وهذه المراكز بطريقة تأخذ بعين الاعتبار مدى انتشار كل فئة، مما يجعل اكتشاف الفروقات الدقيقة أسهل. من خلال تكرار العديد من هذه الحلقات، تعلّم النموذج تدريجيًا ميزات تفصل بين المجموعات الأربع من الجسيمات، رغم أن مجموعة البيانات الإجمالية كانت ضئيلة.

نموذج مضغوط بأداء قوي

عند مقارنة الباحثين لإعدادات تدريب مختلفة، كان نهج قليل العينات الأكثر تقدمًا باستخدام MobileNetV2 الأفضل أداءً. جمعت هذه النسخة بين التدريب الحلقاتي، ومراكز الفئات المُصقولة بالتجميع، ومقياس مسافة حساس للأنماط في البيانات. بلغت دقته نحو 95 بالمئة مع حفاظه على حجم صغير بما يكفي للتشغيل على حواسيب متواضعة أو حتى أجهزة الحافة. طرقت أبسط اعتمادات مثل النقل التعلمي العادي أو مقاييس المسافة الأساسية أداءً أضعف بشكل ملحوظ، مما يبرز فائدة تكييف استراتيجية التدريب لظروف البيانات القليلة.

ماذا يعني هذا لعمل المختبرات في المستقبل

بالنسبة لغير الأخصائيين، الرسالة الأساسية أن إنتاج الجسيمات النانوية الصديق للبيئة يمكن أن يُقرَن بتحليل صور ذكي وفعال من حيث البيانات لتسريع سير عمل المختبرات. بينما تبدو الطريقة النباتية لكربونات الكالسيوم واعدة ومسار الفضة لا يزال بحاجة إلى تحسين، يظهر إطار التعلّم بقليل العينات أن تصنيف الجسيمات بشكل موثوق لا يتطلّب مكتبات صور ضخمة. يمكن أن تساعد نهج مثل هذا يومًا ما مجموعات بحث صغيرة أو عيادات على فحص نوعية ونوع المواد الجسيمية بسرعة، داعمةً استخدامًا أكثر أمانًا واتساقًا في الطب وتقنيات أخرى.

الاستشهاد: Venkatappa, U., Bhat, S., Dixit, M. et al. Few-shot learning for classification of SEM images from green-synthesized nanoparticles of Momordica cymbalaria. Sci Rep 16, 16185 (2026). https://doi.org/10.1038/s41598-026-46307-1

الكلمات المفتاحية: تقنية النانو الخضراء, التعلّم بقليل العينات, تصنيف صور المجهر الإلكتروني الماسح, Momordica cymbalaria, تخليق الجسيمات النانوية