mViSE: מנוע חיפוש חזותי לניתוח תמונות IHC מרובות-ערוצים של רקמת מוח (פרוטאומיקה מרחבית)

לראות דפוסים במוח

מיקרוסקופים מודרניים יכולים היום ללכוד תמונות מרהיבות ומפורטות של חתכי מוח שלמים, המראות עשרות חלבונים שונים בו-זמנית. תמונות "מרובות-ערוצים" אלה מבשרות רמזים על האופן שבו תאים מוחיים מסודרים, איך הם מתקשרים זה עם זה, וכיצד מחלות משבשות דפוסים אלה. אך התמונות כה עצומות ומורכבות עד שלמרות עוצמת המחשוב, קשה להבין אותן. המאמר מציג את mViSE, מנוע חיפוש חזותי שמאפשר לחוקרים לחקור את תמונות המוח הענקיות האלה על-ידי לחיצה פשוטה על תאים ושכונות עניין, במקום לכתוב קוד מותאם אישית.

מדוע תמונות מוח גדולות קשות לשימוש

כל תמונת מוח מרובת-ערוצים דומה למפת עיר ענקית שבה כל בניין, רחוב וקו שירות מסומנים בצבעים רבים בו-זמנית. חלבונים שונים מסמנים סוגי תאים שונים, מצבי תא, כלי דם ותבניות חיבורים. צינורות ניתוח מסורתיים מפצלים מפה זו לשרשרת ארוכה של שלבים מתוכנתים: ניקוי התמונה, גילוי תאים, סגמנטציה, תיוג סוגי התאים ואז סיכום תוצאות לפי אזור. למרות עוצמתם, גישה זו נוקשה וקשה להתאים אותה כשצצות שאלות חדשות — במיוחד עבור המוח, שבו התערובת של נוירונים, תאי גליה וכלי דם מייצרת מורכבות מולקולרית ומרחבית עצומה. מדענים זקוקים יותר ויותר לדרך גמישה ואינטראקטיבית לשאול שאלות חדשות על הנתונים האלה ללא צורך להפוך לתכנתים במשרה מלאה.

מנוע חיפוש לתאים מוחיים

mViSE מתייחס לתמונת מוח יותר כספריית תמונות מקוונת מאשר כמאגר סטטי. במקום להגדיר מראש כל שלב ניתוח, המשתמש לוחץ על תא או חתיכת רקמה קטנה שנראית מעניינת. המערכת לאחר מכן מחפשת בכל תמונת המוח תאים או שכונות שמראות דמיון "חזותי" ו"התנהגותי" בערוצי החלבון הרבים. ההתאמות מודגשות ישירות במבט על המוח השלם וניתנות לסיכום כפרופילים של ביטוי חלבוני. כך חוקרים יכולים במהירות לחשוף היכן מופיעים תאים או מיקרו-סביבות דומות, לתחום אזורי מוח ושכבות קורטיקליות ולהשוות דפוסים בחלקים שונים של המוח — כל זאת באמצעות שאילתות חזותיות, ללא קוד.

להדריך את המחשב להבין רקמה

כדי שזה יעבוד, mViSE עובר תחילה שלב למידה המתבצע כולו ברקע. המחברים מחלקים את ערוצי החלבון הרבים לפאנלים בעלי משמעות ביולוגית, כגון סמנים שמדגישים סוגי תאים, תאי גליה, סיבים עצביים או כלי דם. עבור כל פאנל, טרנספורמר חזותי חזק — מודל למידה עמוקה מודרני — בוחן המון חתיכות קטנות ברחבי המוח ולומד לייצג כל חתיכה כנקודה במרחב תכונות רב-ממדי. חתיכות שנראות ומתנהגות באופן דומה אמורות להסתדר קרוב זו לזו במרחב זה. שיטת גילוי קהילות מבוססת תיאוריה מידע-תיאורטית מקבצת אז נקודות סמוכות לקהילות שמשקפות דפוסים חוזרים של ארכיטקטורת רקמה. חשוב כי הלמידה היא עצמי-מפוקחת: אין צורך בתיוג אנושי, ועדיין מתקבלות מפות צבעוניות המאששות ויזואלית ששכבות ואזורי מוח ידועים נתפסים.

התמקדות בתאים ושכונות

לאחר האימון, mViSE יכול להגיב לסוגים שונים של שאילתות. עבור חתיכות קטנות מאוד שמכילות תאים בודדים, הוא משחזר את התאים הדומים ביותר ברחבי המוח ומציג את מקומם. המחברים מראים שהמערכת מוצאת באופן אמין סוגי תאים מוחיים עיקריים — כגון נוירונים, אסטרוציטים, אוליגודנדרוציטים, מיקרוגליה ותאי כלי דם — כמו גם תת-סוגים נוירונים ספציפיים יותר ואף זוגות תאים הנמצאים לצד כלי דם. עבור חתיכות גדולות יותר הכוללות מספר תאים וחיבורים מקומיים, mViSE מחזיר את כל קהילת השכונות הדומות, לעתים מסלל אזורים מוחיים או נתיבים ידועים. על-ידי שילוב מידע ממספר פאנלי סמנים בו-זמנית, ניתן גם להבחין בהבדלים עדינים בין שכבות קורטיקליות ותת-אזורים קטנים שקשה להבחין בהם בדרך אחרת.

עוקף מודלים כלליים של AI

החוקרים השוו את mViSE למספר מודלים "בסיסיים" חדישים שאומנו במקור על אוספים גדולים של תמונות טבע או תמונות פתולוגיות. מכיוון שמודלים אלה מצפים לתמונות פשוטות בתלת-צבע (RGB), ערוצי החלבון הרבים נאלצו להיות לדחוסים לאדום, ירוק וכחול, מה שגרם לאובדן מידע. גם לאחר התאמה זו, המודלים הכלליים הוציאו גבולות מטושטשים יותר בין שכבות ופיספסו תת-אזורים דקים. בניגוד לכך, mViSE, שתוכנן לטפל בערוצים רבים ישירות ומקודד כל ערוץ בנפרד לפני שילובם, השיג דיוק גבוה יותר בהתאמה לאזורים הידועים במפת אטלס המוח. הוא הפיק מפות חדות יותר של שכבות קורטיקליות וקהילות עקביות יותר של חתיכות דומות, מה שמעיד על כך שהייצוגים שלו משקפים טוב יותר את הארגון הביולוגי האמיתי.

דרך חדשה לחקור את המפה החיה

בעיקרו של דבר, mViSE הופך תמונות מוח ענקיות ורבות-צבעים למפה אינטראקטיבית שאותה חוקרים יכולים לחפש חזותית. במקום לתכנת כל ניתוח בעמל, מדענים יכולים ללחוץ על תאים או מיקרו-סביבות שתופסות את עיניהם ולראות מיד היכן מופיעות מבנים דומים ואיך פרופילי החלבון שלהם משווים. השיטה אינה דורשת סימון ידני במהלך האימון וניתנת להרחבה לסטים נתונים גדולים מאוד, מה שהופך אותה לתוספת פרקטית לארגז הכלים של פרוטאומיקה מרחבית. ככל שטכנולוגיות ההדמיה יוסיפו ערוצי מולקולות נוספים וככל שגישות דומות יורחבו למוחות חולים ולאיברים אחרים, כלים כמו mViSE יכולים לסייע בהמרת המורכבות הגולמית של תמונות לתצוגות אינטואיטיביות ונגישות של ארכיטקטורת הרקמה — קרבה שתחזיר אותנו לקריאת האטלס המולקולרי המורכב של המוח כמפה הניתנת לחיפוש.

ציטוט: Huang, L., Mills, R., Mandula, S. et al. mViSE: A visual search engine for analyzing multiplex IHC brain tissue images (spatial proteomics). Sci Rep 16, 10245 (2026). https://doi.org/10.1038/s41598-026-40620-5

מילות מפתח: פרוטאומיקה מרחבית, הדמיית מוח, מנוע חיפוש חזותי, מיקרוסקופיה מרובת-ערוצים, פתולוגיה חישובית