التحليل متعدد الأبعاد للبيانات والتصنيف باستخدام SMIAL

فك شفرة الصور العلمية المعقّدة

يمكن للمجاهر الحديثة أن تلتقط صوراً غنية للغاية للخلايا والأنسجة وحتى المواد الغذائية، مسجلةً كيف تتوهج أو تعكس أو تتغير مع مرور الوقت دون إضافة أصباغ أو علامات. تحتوي هذه الصور على دلائل عن الأمراض وتأثيرات الأدوية وجودة المنتجات، لكنها غالباً ما تكون معقّدة لدرجة أن الخبراء ذوي مهارات البرمجة المتقدمة فقط هم القادرون على تحليلها. يقدم هذا المقال SMIAL، أداة برمجية مجانية تساعد العلماء والأطباء على تحويل مجموعات الصور الكثيفة هذه إلى نتائج واضحة وموثوقة باستخدام تعلّم الآلة، وكل ذلك عبر واجهة سهلة الاستخدام.

مكان واحد لكل الرحلة

صُمم SMIAL كمساحة عمل شاملة توجه المستخدمين عبر الرحلة كاملة من الصور الخام إلى القرارات النهائية. بدلاً من التعامل مع عدة برامج، يتنقل المستخدمون عبر ست لوحات تعكس الطريقة التي يعمل بها العلماء عادةً: تحميل الصور، تحديد الأجسام ذات الاهتمام، تنظيف البيانات، قياس العديد من الخصائص وأخيراً بناء وفحص نماذج التنبؤ. يقبل البرنامج مجموعة واسعة من المدخلات، بما في ذلك صور الميكروسكوب الملونة عبر أطوال موجية متعددة، أفلام التقاط متتابع زمنيًا، جداول قياسات بسيطة وحتى نماذج جاهزة. في كل خطوة يحفظ الإعدادات المختارة ليتمكن الآخرون من تكرار العمل وفهم كيف أُنتجت النتائج بدقة.

تعليم الحاسوب تمييز خلايا الميلانوما

لإظهار قدرات SMIAL، استخدمه المؤلفون أولاً لتمييز نوعين من خلايا الميلانوما عن خلايا الجلد الطبيعية، مستخدمين فقط توهّجها الطبيعي تحت ألوان ضوئية مختلفة. حمّلوا مجموعات صور تحتوي على 29 قناة طيفية، ومواءموا حدود الخلايا المرسومة يدوياً، وحسّنوا جودة الصورة عبر تقليل الضوضاء وإزالة الخلفية ومعايرة السطوع بعناية. ثم قاس SMIAL أكثر من ألف خاصية لكل خلية، ملتقطاً مدى سطوع كل قناة، وتباين النسيج، وشكل الخلايا. خطوة تنظيف البيانات أزالت تلقائياً الخصائص الضعيفة أو المتداخلة، مما قلّص القائمة إلى بضعة عشرات من الخصائص المفيدة. باستخدام هذه الخصائص، فصل مصنِّف الانحدار اللوجستي البسيط الأنواع الثلاث بدقة عالية، كما أُكد ذلك عبر مقاييس أداء قوية وتجمعات واضحة للخلايا في مخططات الملخص.

مراقبة استجابة الخلايا لدواء عبر الزمن

في دراسة حالة ثانية، تتبعت SMIAL كيف استجابت خلايا شبكية العين لعدة أيام لمادة الروتينون، وهي مادة تُجهد الميتوكوندريا، صانعي طاقة الخلية. فحص الفريق التوهّج الميتوكوندري الطبيعي عند نقاط زمنية متعددة في الخلايا المعالجة وغير المعالجة. بعد اختبار مرشحات ضوضاء مختلفة، احتفظوا بالمرشح الذي حافظ على تفاصيل الشبكة الدقيقة. قاس SMIAL شدة الإشارة وشكل وملمس الشبكة الميتوكوندرية وحسب أيضاً كيف تغيرت هذه القياسات بين النقاط الزمنية. أصبحت الميتوكوندريا المعالجة أكثر إشراقاً وأكثر تفتتاً وأقل دائريّة خلال 72 ساعة. عندما أضيفت خصائص مبنية على الزمن إلى النموذج، استطاع البرنامج تمييز الخلايا المعالجة عن الضوابط بشكل أفضل من الاعتماد على لقطات ثابتة وحدها، مما يبرز قوة متابعة التغيرات بدلاً من الاعتماد على صورة واحدة.

تقييم نضج الفاكهة دون تقطيعها

المثال الثالث انتقل إلى جودة الغذاء، مستخدماً صوراً فوق طيفية عامة للفاكهة في مراحل غير ناضجة وناضجة وزائدة النضج، مسجلة كل منها عبر 224 طولاً موجياً. حدد SMIAL تلقائياً كل ثمرة اعتماداً على التباين مع الخلفية وحقق جودة فصل متقاربة مع الرسومات اليدوية الدقيقة. ثم استخرج آلاف الخصائص التي تصف السطوع والشكل والملمس عبر الأطوال الموجية. بينما لم تفرّق القياسات الفردية مستويات النضج بوضوح، جمع SMIAL بين اختيار الخصائص والتعامل الذكي مع أحجام الفئات غير المتكافئة ومصنّف آلة المتجهات الداعمة لتحسين التعرف، خصوصاً على الفاكهة الناضجة. يوضّح هذا أن نفس الأداة يمكنها التعامل مع مجموعات بيانات طبية وأنشطة مراقبة الجودة الصناعية على حد سواء.

خفض الحاجز أمام التحليل الذكي للصور

بشكل عام، تُظهر الدراسة أن SMIAL يمكنه تحويل مجموعات الصور الكبيرة والمعقّدة إلى نماذج تصنيف موثوقة لمشكلات مختلفة جداً، من كشف خلايا السرطان إلى استجابة الأدوية ونضج الفاكهة. من خلال تغليف العديد من خطوات التحليل المتقدمة في واجهة رسومية واضحة والحفاظ على سجلات كاملة للإعدادات المختارة، يسمح ذلك للباحثين غير المتخصصين في البرمجة ببناء ومشاركة وتكرار سير عمل تعلّم آلة معقد. عملياً، يعني هذا أن مزيداً من المختبرات يمكنها استخراج رؤى مفيدة من التصوير الخالي من العلامات، مما يساعد على تسريع التقدم في التشخيص، ومراقبة العلاج، والاختبارات غير الجراحية لجودة المنتجات.

الاستشهاد: Knab, A., Handley, S., Xu, X. et al. Multidimensional data analysis and classification using SMIAL. Commun Biol 9, 650 (2026). https://doi.org/10.1038/s42003-026-09630-x

الكلمات المفتاحية: التصوير الخالي من العلامات, الميكروسكوب متعدد الطيف, برمجيات تعلّم الآلة, التصنيف المستند إلى الصورة, التصوير فوق الطيفي