גילוי ומיון כרומוזומים עם ליקויים בהיצמדות אחיות הכרומטידות באמצעות מודלים לזיהוי עצמים

מדוע סיבובים זעירים ב-DNA חשובים

בכל פעם שתא מחלק את עצמו הוא חייב להעביר העתק מדויק של החומר הגנטי שלו. כדי לשמור על ההעתקים הללו מחוברים עד הרגע המתאים, התאים מסתמכים על "דבק" מולקולרי שמחזיק את הכרומוזומים הזוגיים זה לצד זה. כאשר דבק זה נכשל, הכרומוזומים עלולים להיפרד מוקדם מדי, מה שעלול לגרום לשברים בגנום, להפרעות בהתפתחות ולסרטן. המחקר המתואר כאן מתמודד עם בעיה מעשית מאוד: כיצד לזהות אוטומטית בכשלים עדינים בדבק הזה בתמונות מיקרוסקופיות, באמצעות בינה מלאכותית מודרנית במקום באמצעות עיניים עייפות של בני אדם.

כיצד הכרומוזומים נשארים ביחד

לפני שהתא מתחלק כל כרומוזום מועתק כך שיש שתי צלעות זהות, המכונות כרומטידות אחיות. מכונה חלבונית בשם cohesin מסייעת לשמור על הזוגיות של האחיות עד שהתא מוכן למשוך אותן זה מזה. אם cohesin או חלבוני העזר שלו מתקלקלים, האחיות עלולות להתרחק זו מזו מוקדם מדי. אחד מחלבוני העזר הוא DDX11, אנזים שמפרם DNA שלפגמים בו מקושרים לתסמונת נדירה בבני אדם הנקראת Warsaw Breakage syndrome. תחת מיקרוסקופ, תאים עם בעיות היצמדות לרוב מציגים כרומוזומים ששתי הצלעות שלהם פתוחות או מופרדות במרכז, אך להבחין בין צורות נורמליות ללא חריגות דורש סבלנות ושיפוט מקצועי.

מדוע בדיקות ידניות אינן מספיקות

באופן מסורתי, חוקרים מפזרים כרומוזומים על פרוסה, מצביעים אותם ואז מסווגים באופן ידני לפחות 50–100 כרומוזומים לדוגמה. כל כרומוזום נשפט לפי צורתו וכמה רחוק נראות הצלעות האחיות זו מזו. עבודה זו איטית, סובייקטיבית וקלה לעייפות, מה שמגדיל את הסיכון לטעויות ותוצאות לא עקביות בין מדענים. מאמצים קודמים של אותה קבוצת מחקר השתמשו בלמידה עמוקה כדי לסווג תמונות של כרומוזום בודד, אך מערכות אלה דרשו שלבים נפרדים של חיתוך מתוך תמונות מיקרוסקופ עמוסות ושל הסרת חפיפות מבלבלות. טיפול נוסף בתמונה זה עדיין נשען במידה רבה על כיוונון וניקוי ידני, וחוסם אוטומציה אמיתית בלחיצת כפתור.

להשאיר למחשב למצוא את הכרומוזומים בעצמו

בעבודה החדשה פנו החוקרים לזיהוי עצמים, ענף בראייה ממוחשבת שיכול גם למצוא וגם לסווג פריטים רבים בתוך תמונה אחת. הם התמקדים במשפחה של מודלים מהירים ונפוצים בשם YOLO (קיצור של "You Only Look Once") לצד כמה שיטות מתחרות. קודם כל ייצרו מערכת בדיקה על ידי מהנדסים תאים אנושיים חסרי DDX11 ולכן מציגים בעיות היצמדות חזקות, ואז הכינו תמונות מיקרוסקופ של הכרומוזומים שלהם לצד אלה של תאים תקינים. כל כרומוזום נראה בתמונות אלו סומן בתוך תיבה ותוייג לאחת משלוש צורות: מחוברים היטב, מופרדים חלקית לאורך הזרועות, או מופרדים בבירור במרכז. התוויות הללו שנעשו ביד שימשו כחומר ההדרכה לאלגוריתמים.

לימוד ה-AI להבחין בהבדלים עדינים בצורות

החוקרים כיווננו מספר מודלי זיהוי עצמים שאומנו מראש על קצת יותר מאלף כרומוזומים מתוייגים, כשהם שומרים תמונות נוספות לבדיקת הביצועים. הם השוו עד כמה כל מודל יכול קודם כל למצוא כרומוזומים והלאה לשייך אותם לקטגוריה הנכונה מתוך שלוש הצורות. בין המערכות שנבדקו, גרסה בשם YOLOv8 הציגה את הביצועים הטובים ביותר. היא התאימה נכון את התוויות האנושיות לכמעט תשעה מתוך עשרה כרומוזומים, אף על פי שההבדלים בין הקטגוריות לעתים קרובות היו עדינים מאוד. חשוב לציין כי כאשר הוחל על תמונות מתאים תקינים ומתאים חסרי DDX11, YOLOv8 שחזרה את הדפוס הביולוגי המרכזי שמומחי אדם רואים: לתאים הפגומים היו הרבה פחות כרומוזומים מחוברים היטב והרבה יותר כרומוזומים עם צלעות אחיות מופרדות בבירור.

מה זה אומר לעבודה מעבדתית בעתיד

המחקר מראה שמודל AI יכול לסרוק פריסות כרומוזומים שלמות ולסמן אוטומטית ליקויי היצמדות ללא שלבי חיתוך נוספים או ניקוי ידני. אמנם עדיין יש מקום לשפר את הביצועים — במיוחד עבור כרומוזומים חופפים וצורות בסף — אך הגישה כבר מתחרה בשיטות קודמות שדרשו יותר מעורבות אנושית. מכיוון שהמודלים נבנו על ידי התאמת כלים פתוחים קיימים וניתן לאמן אותם מחדש עם מערכי תמונות צנועים, מעבדות ללא מומחיות חישובית עמוקה יכולות לפתח מערכות מותאמות משלהן. בטווח הארוך אסטרטגיות דומות עשויות לזרז סריקות לתרופות, לסייע בהשוואת מטענים גנטיים רבים ולהרחיב את השימוש מעבר להיצמדות לשינויים עדינים אחרים בכרומוזומים החשובים לבריאות האדם.

ציטוט: Matsumoto, S., Sojo, M., Oshima, K. et al. Detection and classification of chromosomes with sister chromatid cohesion defects using object detection models. Sci Rep 16, 13719 (2026). https://doi.org/10.1038/s41598-026-43009-6

מילות מפתח: הדמיית כרומוזומים, למידת מכונה, זיהוי עצמים, ליקויים בהיצמדות, YOLOv8