ردیابی زنده تغییرات سلولی با هوش مصنوعی

به گزارش روابط عمومی پایگاه اطلاع رسانی علوم آزمایشگاهی ایران، دانشمندان می گویند یک هوش مصنوعی جدید می تواند تغییرات سلولی را در لحظه ردیابی کند و نشان می دهد که چگونه می توان از فناوری یادگیری عمیق برای تجزیه و تحلیل تصویر سلولی که یک رمز و راز کلیدی در زیست شناسی است، استفاده کرد.
پژوهشگران راهی برای مشاهده نمونه های سلولی و مطالعه تغییرات مورفولوژیکی یا تغییر در شکل و ساختار سلول ها پیدا کرده اند. این اتفاق بسیار مهمی است، زیرا سلول ها، واحد اساسی حیات و آجر های سازنده موجودات زنده هستند و پژوهشگران باید بتوانند آنچه را که می تواند بر پارامتر های سلول ها مانند اندازه، شکل و چگالی آنها تأثیر بگذارد، مشاهده کنند.
به طور معمول، نمونه های سلولی به شکل مستقیم از طریق میکروسکوپ توسط دانشمندان برای مشاهده و کشف هر گونه تغییر در سلول ها مشاهده می شوند. آنها به دنبال تغییرات مورفولوژیکی در ساختار های سلولی بودند. اما اکنون آنها می توانند از هوش مصنوعی برای انجام این مشاهدات استفاده کنند.
پژوهشگران اکنون از طریق استفاده از علوم کامپیوتر و زیرمجموعه ای از هوش مصنوعی به نام فناوری یادگیری عمیق می توانند این روش ها را برای تشخیص آنالیز سلولی ترکیب کنند.

اهمیت تجزیه و تحلیل تصویر سلولی و استفاده از هوش مصنوعی برای پژوهش
تصاویر سلولی معمولاً در تحقیقات زیست پزشکی و پیشرفت های دارویی جدید مورد استفاده قرار گرفته اند. این تصاویر، اطلاعات ارزشمندی را نشان می دهند که نحوه واکنش سلول ها به محرک های خارجی یا تغییرات محیطی و آشفتگی ها یا اختلالات عمدی را رمزگذاری می کند.
پژوهشگران از الگوریتم های مبتنی بر یادگیری عمیق برای خودکار کردن فرآیند تصویربرداری سلولی استفاده کرده اند که اغلب به صورت دستی انجام می شود و فرآیندی طولانی است. هدف اصلی آنها تجزیه و تحلیل تصویر سلولی، بررسی اثرات فنوتیپی درمان های مختلف و کشف روابط بین آنها است.
پیامد های فنوتیپی به ویژگی های قابل مشاهده در ساختار سلول اشاره دارد.
این پژوهش سه وظیفه مهم در تجزیه و تحلیل تصویر سلولی را ارائه کرد که عبارتند از تقسیم بندی، ردیابی و طبقه بندی اما این سه وظیفه کلیدی چه هستند؟

تقسیم بندی، ردیابی و طبقه بندی تصویر سلولی
تقسیم بندی، اصل اساسی برای شناسایی، شمارش و تجزیه و تحلیل مورفولوژیکی تصاویر سلولی است. این وظیفه کلیدی برای شناسایی ویژگی های مهم که به قسمت ها یا بخش های مختلف تقسیم می شوند، با استفاده از یادگیری عمیق انجام می شود.
ردیابی شامل نظارت بر تصاویر سلولی است. این کار معمولاً پس از تقسیم بندی اتفاق می افتد. پژوهشگران به دنبال ویژگی های خاص سلول ها از جمله هرگونه تغییر مورفولوژیکی هستند که می تواند وضعیت سلامت ارگانیسم مورد مطالعه را نشان دهد. نمونه هایی از ردیابی شامل پاسخ ایمنی، گسترش سلول های سرطانی و بهبود زخم پس از آسیب است.
طبقه بندی نیز به عنوان یک تجزیه و تحلیل پایین دستی عمل می کند که شامل عملیات، مانند آزمایش فرضیه و یک پیش بینی یا یک تجزیه و تحلیل توضیحی برای غربالگری فنوتیپی و نمایه سلولی است. این به پژوهشگران اجازه می دهد تا با تمایز بین سلول ها، تصویری از عملکرد سلول ایجاد کنند.
این گروه پژوهشی، پیشرفت یادگیری عمیق اعمال شده برای هر یک از وظایف کلیدی را بررسی کرد. یک شبکه عصبی عمیق (DNN)& برخلاف تکنیک های بینش رایانه ای سنتی می تواند به طور خودکار با یادگیری از یک مجموعه داده در مقیاس بزرگ، نمایش های مؤثرتری نسبت به بازنمایی های دست ساز تولید کند.
نویسندگان این پژوهش می گویند: در تصاویر سلولی، روش های مبتنی بر یادگیری عمیق نیز نتایج امیدوارکننده ای را در تقسیم بندی و ردیابی سلول نشان می دهند.

چالش های استفاده از هوش مصنوعی برای تجزیه و تحلیل تصویر سلولی
پژوهشگران در مورد استفاده از یادگیری عمیق برای پردازش و تجزیه و تحلیل تصویر سلولی به چند چالش اشاره می کنند. آنها می گویند: یادگیری عمیق، یک توانایی باورنکردنی را برای انجام تجزیه و تحلیل تصویر سلولی نشان داده است. با این حال، شکاف عملکرد قابل توجهی بین الگوریتم های یادگیری عمیق در پژوهش های دانشگاهی و کاربردهای عملی وجود دارد. بزرگترین چالش، مربوط به داده ها، به ویژه کیفیت آنها، کمیت آنها و قابلیت اطمینان داده ها است.
اولین عامل محدودکننده، هزینه جمع آوری مجموعه داده ها با یادگیری عمیق است. پژوهشگران می گویند تهیه یک نسخه در مقیاس بزرگ از مجموعه داده ها دشوار است، زیرا کارشناسان آگاه باید به دقت هر تصویر را برچسب گذاری کنند.
چالش بعدی در استفاده از یادگیری عمیق برای ارزیابی تجزیه و تحلیل سلولی با برچسب های نامتوازن است، به این معنی که حاشیه نویسی مجموعه داده های تصویر سلولی به شدت به مهارت های حرفه ای بستگی دارد. این می تواند منجر به عدم تعادل در برچسب ها یا ترجیح در تصاویر برچسب گذاری شده شود که باعث می شود تعداد تصاویر برچسب گذاری شده برای کلاس های مختلف نامتعادل یا نامتوازن شود.
این مطالعه همچنین به اختلال یا نویز برچسب اشاره می کند که در آن خطای انسانی باعث می شود تصاویر آموزشی سلول ها به اشتباه تعبیر شوند.
سومین چالش ذکر شده، تجزیه و تحلیل تصویر سلولی آگاه از عدم قطعیت نام دارد. این می تواند منجر به مشکل شود، زیرا شبکه های عصبی مصنوعی هوش مصنوعی نمی توانند فنوتیپ های جدید را بدون روشی برای انعکاس قابلیت اطمینان نتایج طبقه بندی شناسایی کنند.

کاربرد آینده هوش مصنوعی در تجزیه و تحلیل تصویر سلولی
پژوهشگران می خواهند در آینده از هوش مصنوعی به ویژه یادگیری عمیق، برای کشف مفاهیم پیشرفته و اصول اساسی در پشت صفات و ویژگی های سلول ها استفاده کنند. پژوهشگران در این مطالعه اظهار داشتند: چنین برنامه های موفقی توانایی DNN در استخراج ویژگی های سطح بالا را نشان می دهند و توانایی بالقوه استفاده از یادگیری عمیق برای آشکار کردن قوانین پیچیده تر حیات در پشت فنوتیپ های سلولی را روشن می کنند.
این گروه پژوهشی امیدوار است با استفاده از هوش مصنوعی در ارزیابی های خود از تصویربرداری سلولی، تجزیه و تحلیل تصویر سلولی را بهبود ببخشد.
نتایج این پژوهش در مجله Intelligent Computing منتشر شده است.