خب بزارین با یه سوال ساده شروع کنم: شما فکر کنین بخواین بفهمین کیفیت سلول‌های ماهیچه‌ای گاو (که بهشون «سلول‌های ستلایت» یا همون BSCs میگن) چقدره، اونم بدون اینکه بخواین کلی آزمایش عجیب و غریب و تهاجمی روشون انجام بدین. این موضوع برای کسایی که دارن روی تولید گوشت آزمایشگاهی یا پروتئین‌های پایدارتر کار می‌کنن، اهمیت بالایی داره.
توی این تحقیق، یه تیم باحال اومدن با کمک «یادگیری عمیق» یا همون Deep Learning (یعنی مدل‌های هوشمندی که میتونن چیزهایی رو خودشون یاد بگیرن و پیش‌بینی کنن)، کاری کردن که بشه فقط با عکس گرفتن معمولی از زیر میکروسکوپ روشن (بهش میگن brightfield imaging)، مارکرهای فلورسنت مهم رو پیش‌بینی کرد. مارکر فلورسنت یعنی همون رنگ‌هایی که به سلول‌ها می‌زنن تا یه ویژگی خاصشون رو معلوم کنه، مثلاً ببینه چندتا سلول داریم یا کدومشون داره به ماهیچه واقعی تبدیل میشه.
واسه این پروژه، از یه مدل معروف تو شبکه‌های عصبی به نام U-Net استفاده کردن (U-Net یه نوع معماری برای تحلیل تصویر تو هوش مصنوعیه که تو پزشکی و زیست خیلی محبوبه). این مدل می‌تونه همزمان دو تا مارکر رو پیش‌بینی کنه: یکی DAPI (نشون میده چندتا سلول وجود داره، واسه شمارش هسته‌ها استفاده میشه)، و یکی دیگه Pax7 که بیانگر اینه سلولا تو چه مرحله‌ای از رشد و تبدیل شدن هستن (خلاصه بگم: یکی برای شناسایی تعداد، یکی برای کیفیت).
برای اینکه پیش‌بینی‌ها تمیزتر دربیاد و نویز یا سر و صدای اضافی تو عکس‌ها کمتر شه، یه مرحله آماده‌سازی تصویر گذاشتن که فلورسنت‌ها رو denoise میکنه (یعنی اون سیگنال‌های اضافی و مزاحم رو میگیره). وقتی با این روش پیش رفتن، نتایجشون خیلی بهتر شد!
اونا تو این مطالعه از یه دیتاست با ۴۸ نمونه زیستی (یعنی از جاهای مختلف و سلول‌های متفاوت) استفاده کردن و حسابی با معیارهای آماری مختلف مثل “همبستگی پیرسون” (یعنی اینکه خروجی مدل چقدر به واقعیت نزدیکه)، “میانگین مربع خطا” یا MSE (هرچی کمتر باشه بهتره)، و “نشانگر شباهت ساختاری” یا SSIM (اینم یعنی مدل تصویر رو چقدر درست داره شبیه‌سازی میکنه) ارزیابی کردن.
حالا نتایج باحال:
- روی مارکر DAPI، نویزگیری باعث شد پیرسون r از ۰.۰۶۵ رسید به ۰.۲۱۲ و SSIM هم از ۰.۰۴۷ به ۰.۷۶۱ جهش زد (البته MSE زیاد شد ولی اون خیلی مهم نیست چون بخشای خاصی دقیق‌تر شد).
- برای Pax7 هم پیرسون r از ۰.۰۲۰ رفت به ۰.۱۲۴ و MSE از ۴۴.۷۵۳ اومد پایین تا ۱۸.۷۹۳. SSIM خیلی جابه‌جا نشد که طبیعیه، چون این مارکر به خاطر تفاوت زیستی سلولا خیلی متغیره.
یه نکته جالب دیگه هم این بود که با اضافه کردن شگردهای تصویری مثل «نقشه‌های رنگی» یا گذاشتن خروجی پیش‌بینی روی تصویر اصلی (بهش میگن overlay)، فهمیدن نتیجه‌ها راحت‌تر شد. یعنی حالا حتی کسایی که تخصص ندارن هم میتونن تو یه نگاه ببینن هر سلول وضعیتش چجاست.
جمع‌بندی اینکه: این روش نشون داد اگر پیش‌پردازش داده‌ها رو جدی بگیریم و از هوش مصنوعی تو زیست‌شناسی کمک بگیریم، میشه خیلی سریع و بدون دستکاری فیزیکی یا هزینه زیاد، کیفیت سلول‌ها رو آنالیز کرد. این فقط برای ماهیچه گاو نیست! هرجا تحلیل سلولی تو کشاورزی یا زیست لازم باشه، این مدل‌ها میتونن غوغا کنن.
در کل، اگه فکر می‌کنین هوش مصنوعی فقط مال فیلمای علمی‌تخیلیه، باید بگم الان رسیده وسط آزمایشگاه‌های زیستی و داره کلی کار رو ساده‌تر و سریع‌تر میکنه!
منبع: +
