الذكاء الاصطناعي يكتشف الخلايا الميتة أسرع من البشر بمئة مرة، وقد يساعد ذلك في علاج مرض ألزهايمر

يعد فهم متى ولماذا تموت الخلية أمرًا أساسيًا لدراسة النمو البشري والأمراض والشيخوخة. وبالنسبة لأمراض التنكس العصبي، مثل مرض لو غيريغ ومرض ألزهايمر ومرض باركنسون، فإن تحديد الخلايا العصبية الميتة والمحتضرة أمر بالغ الأهمية لتطوير علاجات جديدة واختبارها. 

لكن رصد الخلايا الميتة قد يكون مهمة صعبة. فحتى الآن، كان على العلماء أن يحددوا يدويًا، تحت المجهر، أي الخلايا تبدو حية وأيها ميتة. وتتخذ الخلايا الميتة شكلًا ملتويًا مميزًا يسهل نسبيًا التعرف عليه إذا عُرف ما الذي يُبحث عنه. 

استعان الباحثون بجيش حقيقي من الطلاب المتدربين الذين يتقاضون أجرًا بالساعة، ليفحصوا آلاف الصور ويحصوا متى مات كل عصبون في العينة. ولسوء الحظ، فإن القيام بذلك يدويًا عملية بطيئة ومكلفة وعرضة أحيانًا للأخطاء.

ويزيد الوضع تعقيدًا أن العلماء بدأوا مؤخرًا استخدام مجاهر آلية لالتقاط صور متواصلة للخلايا أثناء تغيرها بمرور الوقت. ورغم أن المجاهر الآلية تسهّل التصوير، فإنها تنتج أيضًا كمًا هائلًا من الصور التي يجب فرزها يدويًا. 

بات واضحًا أن التنقيح اليدوي لا يتسم بالدقة ولا بالكفاءة. إضافة إلى ذلك، تتيح معظم تقنيات التصوير رصد مراحل متأخرة من موت الخلية فقط، أحيانًا بعد عدة أيام من بدء الخلية بالتحلل. وهذا يجعل من الصعب التمييز بين ما ساهم فعلًا في موت الخلية، وبين العوامل التي شاركت فقط في تفككها.

حاول العلماء لفترة أتمتة عملية التنقيح. لكن المحاولات الأولى لم تستطع التعامل مع النطاق الواسع من أنواع الخلايا والمجاهر المستخدمة في الأبحاث، ولم تتمكن من منافسة دقة المتدربين. 

لكن تقنية الذكاء الاصطناعي الجديدة التي طورتها المجموعة البحثية قادرة على تحديد الخلايا الميتة بدقة وسرعة تفوق القدرات البشرية. ويمكن لهذا التقدم أن يسرّع أنواعًا عديدة من الأبحاث الطبية الحيوية، خاصة في مجال أمراض التنكس العصبي.

في الآونة الأخيرة، اجتاح الذكاء الاصطناعي مجال المجهرية. ويحظى نوع من الذكاء الاصطناعي يُسمى الشبكات العصبية الالتفافية، أو CNN، باهتمام خاص، لأنه يستطيع تحليل الصور بدقة تضاهي دقة البشر.

يمكن تدريب الشبكات العصبية الالتفافية على التعرف على الأنماط المعقدة في الصور واكتشافها. وكما هو الحال مع الرؤية البشرية، فإن تزويد الشبكة بأمثلة كثيرة من الصور وتوجيهها إلى الملامح الواجب الانتباه إليها، يمكن أن يعلّم الحاسوب التعرف على الأنماط المطلوبة.

وقد تشمل هذه الأنماط ظواهر بيولوجية يصعب رؤيتها بالعين المجردة. فعلى سبيل المثال، تمكنت إحدى المجموعات البحثية من تدريب الشبكات العصبية الالتفافية على تحديد سرطان الجلد بدقة أعلى من أطباء الأمراض الجلدية المدربين. وفي الآونة الأخيرة، تمكن العلماء من تدريب هذه الشبكات على تحديد بصمات بيولوجية معقدة، مثل نوع الخلية، في الصور المجهرية.

واستنادًا إلى هذا العمل، طور باحثون من معهد غلادستون التابع لجامعة كاليفورنيا في سان فرانسيسكو تقنية جديدة تُسمى الشبكات العصبية الالتفافية المحسّنة بالعلامات الحيوية (BO-CNN) لرصد الخلايا الميتة. وأول ما احتاجوا إليه هو تدريب BO-CNN على التمييز بين الخلايا الميتة بوضوح والخلايا الحية بوضوح. 

لذلك جهّز الباحثون طبقًا لبتري يحتوي على عصبونات فئران هندسوها لإنتاج بروتين غير سام يُسمى مؤشر الموت المشفّر وراثيًا (GEDI)، يلوّن الخلايا الحية باللون الأخضر والخلايا الميتة باللون الأصفر. وقد تعلّمت BO-CNN بسهولة أن الأخضر يعني «حيّ» والأصفر يعني «ميت». لكنها درست أيضًا سمات أخرى تميز الخلايا الحية عن الميتة، وهي سمات ليست واضحة للعين البشرية.

بعد أن تعلّمت BO-CNN تحديد الخصائص التي تميز الخلايا الخضراء عن الصفراء، عُرضت عليها عصبونات لا تختلف في اللون. وتمكنت BO-CNN من وسم الخلايا الحية والميتة بشكل صحيح وأسرع وأدق بكثير من البشر المدربين على القيام بالمهمة نفسها. بل إن النموذج استطاع النظر إلى صور لأنواع من الخلايا لم يسبق له رؤيتها، ملتقطة بأنواع مختلفة من المجاهر، ومع ذلك تمكن من تحديد الخلايا الميتة بشكل صحيح.

لكن بقي سؤال واضح: لماذا كان نموذج الباحثين فعالًا إلى هذا الحد في رصد الخلايا الميتة؟

يعامل العلماء غالبًا القرارات التي تتخذها الشبكات العصبية الالتفافية كصناديق سوداء، إذ تُعد الاستراتيجية التي يستخدمها الحاسوب لحل المهمة البصرية أقل أهمية من مدى جودة أدائه. غير أنه، بما أن البنية الخلوية لا بد أن تحتوي على أنماط ما يعتمد عليها النموذج في اتخاذ قراراته، فإن كشف هذه الأنماط قد يساعد العلماء على تحديد شكل موت الخلية بصورة أفضل وفهم سبب حدوثه.

ولمعرفة ماهية هذه الأنماط، استخدم الفريق أدوات حاسوبية إضافية لإنشاء تمثيلات بصرية لقرارات BO-CNN. وتبين أن نموذج BO-CNN الخاص بهم يرصد موت الخلية جزئيًا من خلال التركيز على التغير في أنماط الفلورسنت داخل نواة الخلية. وهذه سمة لم يكن الخبراء البشريون يعرفونها من قبل، وقد تكون السبب في أن تصميم نماذج الذكاء الاصطناعي السابقة كان أقل دقة من BO-CNN.

يرى الباحثون أن نهجهم يمثل تقدمًا كبيرًا في استخدام الذكاء الاصطناعي لدراسة البيولوجيا المعقدة، وأن إثبات هذا المفهوم قد يُطبَّق على نطاق واسع يتجاوز رصد موت الخلايا في الصور المجهرية. وبرمجياتهم مفتوحة المصدر ومتاحة للعموم.

تتسم المجهرية للخلايا الحية بثراء هائل في المعلومات يصعب على الباحثين تفسيره. لكن باستخدام تقنيات مثل BO-CNN، أصبح بإمكانهم الاستفادة من الإشارات الصادرة عن الخلايا نفسها لتدريب الذكاء الاصطناعي على التعرف على الإشارات في خلايا أخرى وتفسيرها. ومن خلال استبعاد التخمينات البشرية، تعزز BO-CNN قابلية تكرار الأبحاث وسرعتها، وقد تساعد العلماء على اكتشاف ظواهر جديدة في الصور لم يكونوا ليتعرفوا عليها بسهولة.

وباستخدام الذكاء الاصطناعي، يعمل الفريق البحثي حاليًا على توسيع تقنية BO-CNN للتنبؤ بالمستقبل، أي رصد الخلايا المتضررة قبل أن تبدأ بالموت. ويعتقدون أن ذلك قد يغيّر قواعد اللعبة في أبحاث أمراض التنكس العصبي، إذ يساعد على تحديد طرق جديدة لمنع موت العصبونات، وقد يفضي في نهاية المطاف إلى علاجات أكثر فعالية.