المشاركة الأكاديمية | يشرح زميل ما بعد الدكتوراه في جامعة تسينغهوا، لي يوزهي، ورقة بحثية من مجلة Cell/Nature بالتفصيل، مستكشفًا تطبيق الذكاء الاصطناعي في علم الجينوم
تمت دعوة لي يوزهي، زميل ما بعد الدكتوراه في مختبر تشانغ تشيانغفينغ بجامعة تسينغهوا، إلى الحلقة الثانية من سلسلة البث المباشر "Meet AI4S". في 21 أغسطس، سيشارك الدكتور لي يوزهي المزيد من أساليب الذكاء الاصطناعي في أبحاث النسخ المكاني وأوميكس الخلية الواحدة مع الجميع في شكل بث مباشر عبر الإنترنت.
تعد تقنية النسخ المكاني أحد أهم الإنجازات في مجال المعلوماتية الحيوية في السنوات الأخيرة.تم تسميتها بتقنية العام من قبل Nature Method في عام 2020.
بناءً على تقنية النسخ المكاني، لا يمكننا الحصول على بيانات النسخ عالية الدقة فحسب، بل يمكننا أيضًا مطابقتها مع معلومات الموقع لتحديد التوزيع المكاني والعلاقة الموضعية لأنواع الخلايا المختلفة أو الحالات النسخية.
بفضل التطوير المستمر والتكرار لتكنولوجيا النسخ المكاني، أصبح بإمكان الباحثين الحصول على ملف التعبير الجيني للخلايا بدقة الخلية الواحدة مع الاحتفاظ بمعلومات الموقع المكاني للخلايا داخل الأنسجة.أصبحت كيفية استخدام هذه المعلومات المكانية بشكل فعال لتحديد الأنواع الفرعية للخلايا المكانية واكتشاف وحدات الأنسجة مهمة أساسية في تحليل بيانات النسخ المكاني.
في السنوات الأخيرة، تزايدت موجة الذكاء الاصطناعي في مجال البحث العلمي، كما قدمت أيضًا أفكارًا مبتكرة في مجال النسخ المكاني وأبحاث أوميكس الخلية الواحدة.
على سبيل المثال،قامت مجموعة البحث التابعة للأستاذ المشارك تشيانغفينج تشانغ من كلية العلوم الحياتية بجامعة تسينغهوا بتطوير خوارزمية ذكاء اصطناعي تسمى SPACE تعتمد على إطار التعلم العميق لمشفرات الرسوم البيانية التلقائية.يمكن استخدام القدرة على تحديد أنواع الخلايا المكانية واكتشاف وحدات الأنسجة من بيانات النسخ المكاني بدقة الخلية الواحدة لدراسات النسخ المكاني واسعة النطاق.
في الحلقة الثانية من سلسلة البث المباشر "Meet AI4S"، كان من حسن حظ HyperAI أن تدعو Li Yuzhe، المؤلف الأول لورقة البحث وزميل ما بعد الدكتوراه في مختبر Zhang Qiangfeng في جامعة Tsinghua. في 21 أغسطس، سيشارك الدكتور لي يوزهي المزيد من أساليب الذكاء الاصطناعي في أبحاث النسخ المكاني وأوميكس الخلية الواحدة مع الجميع في شكل بث مباشر عبر الإنترنت.
قم بمسح رمز الاستجابة السريعة QR لتحديد موعد البث المباشر:
مراجعة الورقة
قامت شركة HyperAI في السابق بتفسير ومشاركة ورقة بحثية بعنوان "اكتشاف وحدة الأنسجة في بيانات النسخ المكاني بدقة خلية واحدة عبر تضمين الخلايا مع مراعاة التفاعل بين الخلايا" مع الدكتور لي يوزهي كمؤلف أول.
أبرز ما جاء في البحث
* تم تطوير SPACE، وهي أداة تحليل الذكاء الاصطناعي لبيانات النسخ المكانية، والتي يمكنها تحديد أنواع الخلايا المكانية واكتشاف وحدات الأنسجة من بيانات النسخ المكانية بدقة خلية واحدة.
* يتفوق SPACE بشكل كبير على الأدوات الأخرى في تحديد نوع الخلية واكتشاف وحدات الأنسجة، وخاصة في الأنسجة المعقدة التي تحتوي على أنواع متعددة من الخلايا.
* يقوم SPACE بتعريف واكتشاف مجتمعات الخلايا، أي وحدات الأنسجة المكونة من أنواع الخلايا المتجانسة مكانيًا مع حدود يمكن التعرف عليها.
* يتم تعريف مجتمعات الخلايا من خلال شبكات التفاعل المتشابهة بين الخلايا التي تتكون منها، والتي يمكن استخدامها لتحسين الاستدلالات القائمة على الربيطة والمستقبلات حول الاتصالات الخلوية.
* يمكن استخدام SPACE في دراسات النسخ المكاني واسعة النطاق لفهم كيفية تأثير التفاعلات بين الخلايا المتجاورة مكانيًا على الوظائف البيولوجية لأنواع الخلايا ووحدات الأنسجة.
اكتساب مجموعة البيانات
من أجل التحقق من قدرات SPACE، تم استخدام مجموعات بيانات متعددة في الدراسة. عنوان التنزيل:
https://hyper.ai/datasets/32698
هندسة النموذج: نموذج مدمج في الخلايا يراعي التفاعل بين الخلايا
يستخدم SPACE إطار عمل ترميز تلقائي للرسم البياني لتعلم تضمينات الخلايا منخفضة الأبعاد التي تصف معلومات التعبير الجيني لكل خلية في بيانات النسخ المكاني بالإضافة إلى معلومات تفاعلها مع الخلايا المجاورة المكانية (ومن ثم يُطلق على تضمين الخلايا اسم تضمين الخلايا الواعي للتفاعل بين الخلايا). وبناءً على تضمين الخلايا هذا، يستخدم SPACE بعد ذلك خوارزميات التجميع لتحديد الأنواع الفرعية للخلايا المكانية واكتشاف وحدات الأنسجة.
من وجهة نظر الهندسة المعمارية، يتكون نموذج SPACE من ثلاثة أجزاء: المشفر (شبكة انتباه الرسم البياني ثلاثية الطبقات)، وفك تشفير الرسم البياني المجاور، وفك تشفير التعبير الجيني. الشكل التالي يوضح الإطار العام للنموذج:
تقييم الأداء
* يمكن لـSPACE تحديد أنواع الخلايا المتميزة بيولوجيًا استنادًا إلى المعلومات المكانية في مجموعات بيانات ST.
* يتفوق SPACE على الأدوات المتاحة حاليًا للتمييز بين أنواع الخلايا ذات المعلومات المكانية من بيانات ST.
* يتفوق SPACE على الأدوات الحديثة في اكتشاف وحدات الأنسجة.
مختبر تشانغ تشيانغفينغ بجامعة تسينغهوا
مختبر Zhang Qiangfeng تابع لكلية العلوم الحياتية بجامعة تسينغهوا. وهو أيضًا جزء مهم من المركز المشترك لجامعة تسينغهوا وبكين للعلوم الحياتية ومركز بكين للابتكار المتقدم في علم الأحياء البنيوي.
تركز أبحاث المختبر على مجالات متعددة التخصصات مثل علم الأحياء البنيوي وعلم الجينوم والتعلم الآلي وتحليل البيانات الضخمة. الاتجاه البحثي الرئيسي هو الجمع بين علم الأحياء البنيوي وعلم الأحياء النظمي، وتطوير واستخدام مزيج من الأساليب الحسابية والتجريبية لتفسير العلاقة بين البنية والوظيفة للجزيئات البيولوجية الكبيرة (مثل البروتينات، والحمض النووي الريبي، والحمض النووي)، وإعادة بناء شبكات تفاعلها، واكتشاف مسببات الأمراض والعلاجات الممكنة للأمراض المعقدة (بما في ذلك السرطان والأمراض المعدية) المرتبطة بالتغيرات في بنية البروتين والحمض النووي الريبي والتفاعلات الجزيئية الكبيرة غير الطبيعية.
يتمتع المختبر بنمذجة فريدة لبنية البروتين والحمض النووي الريبي، وقياس بنية الحمض النووي الريبي استنادًا إلى التسلسل من الجيل التالي، وتكنولوجيا الكشف عن التفاعل بين الحمض النووي الريبي والبروتين عالية الإنتاجية، ومنصات حسابية وتجريبية قوية لتطوير الأبحاث المتطورة للباحثين.
تعرف على سلسلة AI4S المباشرة
HyperAI (hyper.ai) هو محرك بحث أكبر في الصين في مجال علوم البيانات. يركز على أحدث نتائج الأبحاث العلمية المتعلقة بالذكاء الاصطناعي في العلوم ويتتبع الأوراق الأكاديمية في المجلات العلمية المرموقة مثل Nature وScience في الوقت الفعلي. حتى الآن، تم الانتهاء من تفسير أكثر من 100 ورقة بحثية حول الذكاء الاصطناعي للعلوم.
بالإضافة إلى ذلك، فإننا ندير أيضًا مشروع الذكاء الاصطناعي للعلوم مفتوح المصدر الوحيد في الصين، awesome-ai4s.
* عنوان المشروع:
https://github.com/hyperai/awesome-ai4s
من أجل تعزيز نشر AI4S بشكل أكبر، وتقليل حواجز نشر نتائج البحث العلمي للمؤسسات الأكاديمية، ومشاركتها مع مجموعة أوسع من علماء الصناعة وعشاق التكنولوجيا والوحدات الصناعية، خططت HyperAI لعمود الفيديو "Meet AI4S"، بدعوة الباحثين أو الوحدات ذات الصلة الذين يشاركون بعمق في مجال الذكاء الاصطناعي للعلوم لمشاركة نتائج أبحاثهم وطرقهم في شكل مقاطع فيديو، ومناقشة الفرص والتحديات التي تواجه الذكاء الاصطناعي للعلوم في عملية التقدم في البحث العلمي والترويج له وتنفيذه، وذلك لتعزيز نشر الذكاء الاصطناعي للعلوم ونشره.
نرحب بمجموعات البحث والمؤسسات البحثية الفعالة للمشاركة في فعالياتنا المباشرة! امسح رمز الاستجابة السريعة لإضافة "Neural Star" إلى WeChat للحصول على التفاصيل↓
