MyoFuse, in vitro iskelet kası hücre füzyonunun otomatik nicelenmesi için tamamen Yapay Zeka tabanlı bir iş akışıdır

Kas hücrelerini saymanın önemi

Egzersiz yaptığımızda, yaralanmadan iyileştiğimizde veya diyabet gibi hastalıklar geliştiğinde iskelet kaslarımız sürekli olarak kendini yeniden düzenler. Laboratuvarda bilim insanları bu süreci bir kabın içinde kas hücreleri yetiştirip tek tek hücrelerin uzun, çok çekirdekli liflere nasıl kaynaştığını gözlemleyerek taklit ederler. Füzyon indeksi adı verilen basit bir sayı, bu kaynaşmanın ne kadar iyi gerçekleştiğini gösterir. Ancak bugün bu sayı genellikle insanların ekranda binlerce küçük hücre çekirdeğini manuel olarak saymasıyla elde ediliyor—yavaş, tutarsız olabilen ve hataya açık bir iş. Bu çalışma, bu sayma görevini otomatikleştiren, tamamen Yapay Zeka tabanlı MyoFuse iş akışını tanıtıyor; amaç, kas araştırmalarını daha hızlı, daha güvenilir ve daha az önyargılı hale getirmek.

Gerçekte orada olanı görmenin zorluğu

Kas hücre füzyonunu incelemek için araştırmacılar hücre çekirdeklerini ve kas liflerini floresan boyalarla boyar ve mikroskop görüntüleri çeker. Temel soru, hangi çekirdeklerin gerçekten füze olmuş kas liflerinin içinde olduğu, hangilerininse yakınında oturan füze olmamış hücrelere ait olduğudur. Geleneksel yöntemler, iki boyutlu bir görüntüde bir çekirdek bir kas lifiyle örtüşüyorsa bunun mutlaka o lifin içinde olması gerektiğini varsayar. Oysa hücreler üç boyutta büyür: bir çekirdek kolaylıkla bir lifin üstünde veya altında yer alabilir ve yine de görüntüde örtüşme gibi görünebilir. Yazarlar, fare ve insan kas hücrelerinde detaylı konfokal görüntüleme kullanarak bu örtüşme hilesinin aldatıcı olabileceğini; birçok yakın çekirdeğin yanlışlıkla füze liflerin parçası sayılmasına ve füzyon indeksinin şişmesine yol açtığını gösterirler.

Floresan görüntüleri okumak için daha akıllı bir yol

Ekip, gerçekten "lif içi" olan çekirdeklerin belirgin bir görsel parmak izi bıraktığını fark etti. Bu çekirdekler fiziksel olarak lifi işgal ettikleri için, kas proteini MyHC’yi işaretleyen floresan sinyalde küçük koyu boşluklar oluştururlar. Buna karşın, bir lifin üstünde veya altında olan çekirdekler bu sinyali bozmaz. Bu içgörü üzerine kurularak yazarlar MyoFuse’u tasarladı: iki adımlı bir Yapay Zeka iş akışı. İlk olarak, özel bir segmentasyon modeli (açık kaynaklı Cellpose aracından uyarlanmış) sıkışık kümelenmelerde bile bireysel çekirdeklerin sınırlarını hassas bir şekilde belirler. İkinci olarak, hafif bir sinir ağı sınıflayıcı her çekirdeğin çevresindeki MyHC sinyalini inceler ve yalnızca bu yerel desene dayanarak, basit örtüşmeye değil, çekirdeğin bir kas lifinin içinde mi yoksa dışında mı olduğuna karar verir.

Yapay Zekâ insan uzmanlarla ne kadar uyumlu

Araştırmacılar MyoFuse’u fare C2C12 kas hücreleri ve farklı kaslardan alınmış birincil insan kas hücrelerinin görüntüleri üzerinde titizlikle test etti. Her iki tür için de yapay zekânın toplam çekirdek sayısı ve hesaplanan füzyon indeksi, uzmanların dikkatli elle anotasyonlarıyla son derece iyi bir uyum gösterdi; neredeyse mükemmel korelasyonlar elde edildi. Bireysel çekirdek düzeyinde, sınıflayıcı çekirdekleri lif içinde veya dışında doğru şekilde ayırt etti; veri setleri genelinde doğruluk oranı %90’ın üzerindeydi ve performans metrikleri insan düzeyinde ayırdediciliğe rakipti. Önemli olarak, MyoFuse, eğitim için asla kullanılmamış ayrı bir insan hücresi setinde de iyi çalıştı; bu da yöntemin yalnızca eğitim görüntülerini ezberlemek yerine yeni örneklere genellenebildiğini gösteriyor.

Yaygın yöntemlerdeki gizli önyargıyı açığa çıkarmak

Doğruluğunun ötesinde, MyoFuse basit nükleer ve lif sinyal örtüşmesine dayanan yaygın mask‑tabanlı yöntemlerde sistematik sorunları ortaya koydu. Yazarlar MyoFuse’un füzyon indekslerini aynı görüntülere uygulanan rafine bir maske yaklaşımıyla karşılaştırdıklarında, maske yöntemi özellikle kas liflerinin kapladığı alanın daha büyük olduğu bölgelerde tutarlı biçimde füzyonu fazla tahmin etti. Algılama eşiklerini ayarlamak sayıları değiştirdi ama bu temel önyargıyı ortadan kaldırmadı; görünen iyileşmeler genellikle hataların birbirini iptal etmesinden kaynaklanıyordu, biyolojinin daha iyi anlaşılmasından değil. Ekip ayrıca tek bir kuyunun farklı bölgelerinde füzyon tahminlerinin geniş ölçüde değişebileceğini gösterdi; bu da yalnızca birkaç elle seçilmiş alanın analiz edilmesinin hücrelerin ne kadar iyi kaynaştığına dair çarpıtılmış bir görüş verebileceğini vurguluyor.

Gelecek kas araştırmaları için anlamı

MyoFuse, kas biyologlarına hem daha hızlı hem de kültürde gerçekte olanı daha doğru yansıtan bir hücre füzyon ölçümü sağlıyor. Otomatik mikroskopi ile yüz binlerce çekirdeği dakikalar içinde segmentleyip sınıflandırabilecek bir Yapay Zekâyı birleştirerek iş akışı, insan iş yükünü azaltıyor, nerelere bakılacağı ve görüntüleri nasıl eşikleneceğine dair öznel seçimleri en aza indiriyor ve yakın hücreleri füze kas olarak sayma hatasından kaçınıyor. Yazarlar, aşırı görüntüleme koşulları veya çok farklı boyama protokollerinin yeniden eğitim gerektirebileceğini kabul ediyor, ancak yöntem açıkça erişilebilir ve uyarlanabilir olacak şekilde tasarlanmış. Kas gelişimi, yaşlanma, rejenerasyon veya metabolik hastalıkları inceleyen laboratuvarlar için MyoFuse, daha sağlam füzyon ölçümleri ve bununla birlikte kasların nasıl büyüdüğü ve değiştiğine dair daha güvenilir sonuçlar vaat ediyor.

Atıf: Lair, B., Cazorla, C., Lobeto, A. et al. MyoFuse is a fully AI-based workflow for automated quantification of skeletal muscle cell fusion in vitro. Sci Rep 16, 9387 (2026). https://doi.org/10.1038/s41598-026-40047-y

Anahtar kelimeler: iskelet kası, hücre füzyonu, yapay zeka, görüntü analizi, miyogenez