דיוק משופר באנליטיקה של תרביות תאים: ניצול בינה מלאכותית לה評価 בלתי מוטה וללא פגיעה בצמיחה ובחיות התאים

מדוע חשוב לבדוק את התאים

מאחורי כל ניסוי תרופות חדש או ניסוי ביולוגי בסיסי ישנם תאים חיים הגדלים בכלים מפלסטיק. החוקרים צריכים לדעת כמה תאים יש להם, כמה מהר הם גדלים וכמה מהם עדיין חיים. כיום זה נעשה לעתים קרובות בעין, בעבודה ידנית או בעזרת צבעים כימיים — תהליכים איטיים, יקרים ורגישים לשגיאות אנושיות. מחקר זה מציג את SnapCyte, כלי בינה מלאכותית שקורא תמונות מיקרוסקופ פשוטות כדי להעריך במהירות את צמיחת התאים ובריאותם, ללא תגובות נוספות או מכונות יקרות.

דרך חדשה לצפות בתאים גדלים

המחברים התכוונו להחליף בדיקות סובייקטיביות וידניות בגישה אובייקטיבית יותר. הם בנו את SnapCyte לניתוח תמונות שגרתיות של תאים שצולמו במיקרוסקופים סטנדרטיים ואפילו בסמארטפונים. המערכת מתמקדת בשלוש שאלות בסיסיות: כמה מהכלי מכוסה בתאים (קונפלואנס), כמה תאים קיימים (ספירת תאים) ומה החלק היחסי של תאים חיים מול מתים (חיות). כדי לאמן את התוכנה הם ריכזו אוסף תמונות גדול ומסומן בקפידה ממגוון סוגי תאים, כלי תרבית ותנאי הדמיה. מומחים אנושיים שרטטו אזורי תאים וספרו תאים, ודוגמאות אלה שימשו ללימוד מודלי למידה עמוקה לזהות דפוסים הקשורים לכיסוי, לכמות ולבריאות התאים.

להדריך את המחשב לראות כמו מומחה תאים

להערכת כמה משטח מכוסה בתאים השתמשה הקבוצה בסוג של רשת ניתוח תמונה שיכולה להחליט עבור כל פיקסל האם זה "תא" או "לא תא". הם אימנו ותיקנו את המודל באופן חוזר עד שהגיע לדיוק של מעל 90 אחוז בתמונות מבחן בלתי תלויות. הערכות הכיסוי של SnapCyte היו כמעט זהות לאלו של מומחים אנושיים והעלו על כמה כלים פופולריים אחרים. המערכת נשמרה מדויקת גם כשאיכות התמונה והרזולוציה השתנו, מה שמרמז שהיא יכולה להתמודד עם תאורת לא אחידה, מוקד וקונטרסט שאופייניים לעבודה שגרתית במעבדה.

מכיסוי לספירות ולבריאות התאים

ספירת תאים בודדים והחלטה אילו מהם חיים קשה יותר, במיוחד כאשר תאים חופפים או משתנים בגודל. כדי להתמודד עם אתגר זה, החוקרים התאמנו רשת סגמנטציה קיימת על תמונות של סוגי תאים רבים, תאי דם ואפילו חרוזי פלסטיק בגודל ידוע. הם השתמשו בתהליך "אדם-במעגל" — תיקון שגיאות והוספת דוגמאות קשות שוב ושוב — עד שהמודל הצליח לזהות מעל 95 אחוז מהתאים תוך כדי טעות נדירה של זיהוי פסולת כתבנית של תא. מודל משלים למד להעריך גודל תאים ולהבחין בין תאים חיים למתים בצבועים נפוצים. בבדיקות עם דגימות מעורבות של חיים ומתים, התוצאות של SnapCyte סטו מאחורי ספירות מומחים בפחות מחמישה אחוזים, בעוד גישות קודמות של למידת מכונה הראו שגיאות גדולות יותר בהרבה.

הצבת הבינה המלאכותית למבחן מול שיטות מעבדה קלאסיות

הקבוצה בדקה האם SnapCyte יכול להחליף או להתאים לשיטות סטנדרטיות למדידת צמיחה ורעילות המשמשות במחקר ופיתוח תרופות. הם השוו את מדידות כיסוי התאים שלו לספירות תאים ישירות, לבדיקות צבע המתייחסות למטבוליזם ולמכשיר מסחרי להדמיה של תאים חיים. במגוון קווי תאים וניסויי טיפול בתרופות, הקריאות של SnapCyte עקבו מקרוב אחרי שיטות מבוססות אלה ולעתים הפגינו פחות שונות בין משתמשים. הכלי גם יכל להעריך את זמן הכפלת התאים וסיפק ערכי רגישות לתרופה שתואמים לנתונים מפורסמים תוך שימוש בפחות צלחות, פחות תגובות וכמות עבודה ידנית מועטה בהרבה.

מה משמעות הדבר לעבודה היומיומית במעבדה

בסך הכל המחקר מראה כי תמונות פשוטות של תרביות תאים מכילות מספיק מידע חזותי כדי שמערכת בינה מלאכותית מאומנת תוכל להעריך כמה תאים קיימים ומה מצב בריאותם, בלי לגעת בתאים או להוסיף כימיקלים. SnapCyte מספק מדידות מהירות ועקביות שתלויות במידה רבה פחות במי המשתמש ובאיזה מיקרוסקופ יש לו. עבור מדענים בעבודה שוטפת, זה יכול להפוך בדיקות שגרתיות של צמיחת תאים ליותר אמינות ופחות ממושכות, תוך שמירה על אותם תאים לניסויים עתידיים.

ציטוט: Wong, C.P., Khazamipour, N., Aalibagi, S. et al. Enhanced precision in cell culture analytics: leveraging artificial intelligence for unbiased and non-destructive assessment of cell growth and viability. Cell Death Discov. 12, 234 (2026). https://doi.org/10.1038/s41420-026-03116-9

מילות מפתח: תרבית תאים, בינה מלאכותית, ספירת תאים, חיות תאים, ניתוח תמונה