Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

גישה של למידה עמוקה להערכת ביצועי מעבר תאים דרך האנדותל

· חזרה לאינדקס

צפייה בתאי חיסון חוצים את הגבול

גופנו נשען על תאי חיסון נודדים היכולים לצאת ממערכת הדם, להיצמד ולהסתנף בין תאי השכבה המקיפה את כלי הדם ולהיכנס לרקמות כדי להילחם בזיהומים ובסרטנים. המעשה הזה של מעבר הגבול קשה לתפיסה במעבדה, במיוחד בתנאי זרימת דם ריאליסטיים. המאמר מציג שיטה חדשה לצפות במסע זה בפירוט ולאחר מכן לאפשר לבינה מלאכותית (AI) לדרג במהירות עד כמה התאים מצליחים לעבור, במטרה להבין מחלות כמו סרטן הלבלב ודעיכה חיסונית הקשורה לגיל.

Figure 1
Figure 1.

כיצד תאים מתגנבים החוצה מכלי הדם

תאי החיסון אינם יוצאים מכלי הדם באקראי. הם עוברים סדרת שלבים מתואמת: קודם הם נתפסים על דופן הכלי, ואז מתגלגלים עליה, עוצרים, זוחלים ולבסוף נדחפים בין או דרך תאי האנדותל כדי להגיע לרקמה שמעבר. המסע הרב‑שלבי הזה, שנקרא היגרציה טרנסאנדותליאלית, נשען על רשת של מולקולות צמודות ומסרים על פני השטח של תאי החיסון ושל תאי השכבה. כשהרצף הזה מופר, ההגנה החיסונית עלולה להיכשל, גידולים עלולים להימנע מתגובה חיסונית או שכניסה מוגזמת של תאים עלולה להניע דלקת כרונית ומחלות אוטואימוניות.

מדוע בדיקות מעבדה מסורתיות קצרות מלהשיג

מבחני מעבדה סטנדרטיים של נדידת תאים כמעט אף פעם אינם משחזרים את הכוחות והמבנים שהתאים נתקלים בהם בתוך כלי דם אמיתיים. מערכות פשוטות המבוססות על מסננים מאפשרות למדוד כמה תאים עוברים דרך ממברנה, אך הן תלויות בעיקר בכוח המשיכה ואינן יכולות לחקות את הגזירה הקבועה של דם זורם או לחשוף כל שלב בסדרת המעבר. מודלים בעלי חיים לוכדים מורכבות רבה יותר אך שונים מהביולוגיה האנושית והם יקרים ואיטיים. שיטה ריאליסטית יותר, המכונה מבחן הידבקות מבוסס זרימה, מאפשרת לחוקרים לגדל תאי אנדותל אנושיים בתעלות צרות ולזרים מעליהם תאי חיסון בזרימה מבוקרת. עד עכשיו, השיטה הזו מוגבלת על ידי ציון ידני תובעני ותלוי מפעיל של אלפי תאים מסגרת אחר מסגרת.

הפיכת סרטוני תאים לנתונים בעזרת AI

המחברים שדרגו את מבחן הזרימה וצירפו אליו מודל למידה עמוקה לאוטומציה של הניתוח. הם גידלו תאי אנדותל אנושיים בתוך מיקרו‑שקופיות, גרו אותם להציג את המולקולות המתאימות על פני השטח, ואז זרמו עליהם תאי T המסומנים בפלואורסצנציה בעוד מצלמה קונפוקאלית הקליטה תמונות ברזולוציה גבוהה. שלבי עיבוד תמונה הורידו רעשי רקע והפרידו תאי T בודדים, מה שאיפשר מדידת תכונות צורה פשוטות כגון שטח התא, מידת ההארכה ועיגול קווי המתאר. במקום לבקש מה‑AI לזהות כל שלב דק במסע, הצוות קיבץ את התאים לשתי מצבים מרכזיים: כאלה שעדיין על או בתוך דופן הכלי ואלו שחדרו במלואם לצד הרחוק.

Figure 2
Figure 2.

מה שלמד הרשת העצבית

באמצעות מסגרת Keras/TensorFlow, החוקרים אימנו מודל למידה עמוקה לסווג כל תא מופרד כ"חדר" או "עדיין לא חדר" בהתבסס על תכונות הצורה הללו. המודל למד שתאים מוארכים עם יחס ממדים גבוה נוטים יותר להיות באמצע המעבר או כבר לאחריו, בעוד שתאים עגולים יותר נוטים עדיין להיצמד לצד הדם. כשנבדק על תמונות חדשות שלא נראו קודם, המערכת זיהתה נכון תאים שחדרו עם דיוק של למעלה מ‑93% ותאים שלא חדרו עם דיוק של כ‑88%, מעל לספים מקובלים לסיווג אוטומטי מהימן. מה שדרש בעבר כעשר שעות של ציון ידני זהיר על ידי שני מומחים עיוורים ניתן כעת בתוך דקות, עם עקביות משופרת וללא הטיה תפעולית כמעט.

בדיקת תאי חיסון מתורמים בריאים וחולי סרטן

כדי להראות שהשיטה יעילה במצבים בעולם האמיתי, הוחלה המערכת המועשרת ב‑AI על תאי T מתורמים בריאים בגילאים ומינים שונים, וכן מחולים עם אדנוקרצינומה דוקטלית של הלבלב, סרטן הידוע בסביבה טומורלית עוינת ובחדירות חיסונית לקויה. בתורמים בריאים לא נצפו הבדלים משמעותיים בביצועי המעבר לפי גיל או מין. לעומת זאת, תאי T מחולי סרטן הלבלב הופיעו במידה ניכרת פחות יעילים בהשלמת המעבר דרך תאי האנדותל לעומת תאים מתורמים בריאים, ללא תלות בנוכחות מוטציית KRAS שכיחה או בהיסטוריית כימותרפיה. ממצאים חקירתיים אלה רמזו כי סביבת הגידול עשויה להשאיר חותם מתמשך על תאי החיסון שמחליש את יכולתם לתפקד בתנועה.

כלי חדש לחקר והתאמת תנועת תאי חיסון

על ידי שילוב מבחן זרימה ריאליסטי עם למידה עמוקה, המחברים יצרו פלטפורמה מעשית שהופכת רצפי תמונות מורכבים למדידות מהירות ומאומנות של יכולת התאים לחצות דפנות כלי דם. הגישה גמישה דיו כדי לאמן מחדש עבור סוגי תאים חיסוניים אחרים, תאי גידול או שכבות אנדותל אורגנ‑ספציפיות, וניתן להרחיבה לדגמי כלי דם תלת‑ממדיים מורכבים יותר בעתיד. עבור לא‑מומחים, המסר המרכזי הוא שצפייה ודרוג תנועת תאי החיסון כבר אינם חייבים להיות מלאכת יד איטית: בעזרת AI, זה יכול להפוך לכלי חזק, בקיבולת גבוהה, שעוזר למדענים לחקור מדוע תגובות חיסוניות מסוימות נכשלות ואיך טיפולים חדשים עשויים לשקם את יכולת התאים להגיע לרקמות שבהן הם נחוצים ביותר.

ציטוט: Schumacher, T.M., Gottloeber, E.M., Koziel, E. et al. A deep learning approach to assess transendothelial cell trafficking performance. Sci Rep 16, 11602 (2026). https://doi.org/10.1038/s41598-026-46045-4

מילות מפתח: תנועה של תאי חיסון, היגרציה טרנסאנדותליאלית, מיקרוסקופיה בלמידת עומק, מבחן הידבקות מבוסס זרימה, חיסון בסרטן הלבלב