Command Palette
Search for a command to run...
من فصل الأغشية إلى تحديد مواقع الجسيمات، يُمكّن إطار عمل التعلم العميق MemBrain الإصدار الثاني من تحليل مجهر التبريد الإلكتروني عبر العملية الكاملة، محسّناً بشكل كبير سرعة التحليل والقدرة الإنتاجية للمعالجة
التصوير المقطعي الإلكتروني بالتبريد (cryo-electron tomography، يُشار إليه بـ cryo-ET) هو تقنية تصوير قوية تتيح التصوير ثلاثي الأبعاد للبيئة الجزيئية داخل الخلايا الطبيعية بدقة دون نانومترية، مما يوفر نافذة فريدة لدراسة العضيات والهياكل الغشائية والمجمعات الجزيئية الكبيرة. ومع ذلك، فإن التعقيدات البيولوجية التي يلتقطها الـ cryo-ET تطرح تحديات هائلة في وضع العلامات على البيانات وتحليلها؛ ولا يزال تحليل الهياكل الغشائية يمثل عنق زجاجة رئيسياً يعيق كفاءة أبحاث الـ cryo-ET بسبب ضعف نسبة الإشارة إلى الضوضاء، وظواهر الوهم الناتجة عن «المنطقة المفقودة» (missing wedge artifacts)، وتعقيد الحبيبات المرتبطة بالأغشية.
في الماضي، طوّر الباحثون أدوات متعددة مثل TomoSegMemTV و U-Net و TARDIS، لكن الأساليب المختلفة كانت غالباً ما تتعامل مع جانب واحد فقط من جوانب تقسيم الأغشية أو تحديد مواقع الحبيبات أو التحليل الهندسي للأغشية، مما يفتقر إلى سير عمل متكامل. وقد وفرت أساليب التعلم العميق خياراً آخر؛ ففي السنوات الأخيرة، اقترح باحثون عدة طرق تعتمد على الشبكات العصبية التلافيفية (CNNs) لتحديد مواقع الحبيبات ضمن بيانات الـ cryo-ET. غير أن العديد من هذه الطرق تعتمد اعتماداً كبيراً على بيانات حجمية (volumetric data) مُعلَّمة يدوياً وبشكل مكثف، وهي عملية لا تستغرق وقتاً فحسب، بل يصعب أيضاً إنجازها عملياً من الناحية التقنية.
وفي هذا السياق، أطلق فريق بحثي مشترك يضم معهد هيلمهولتس ميونيخ، والجامعة التقنية في ميونيخ، ومركز علم الأحياء بجامعة بازل أداة MemBrain v2، وهي إطار عمل قائم على التعلم العمئي يدمج المهام المذكورة أعلاه في سير عمل تحليلي أكثر إحكاما وكفاءة.
فعلى سبيل المثال، يستفيد MemBrain-seg من مجموعة تدريب متنوعة ومتعاونة التوليف، مقترنة باستراتيجيات تدريب موجهة لتحقيق فصل دقيق للهياكل الغشائية يتمتع بقابلية تعميم عالية عبر ظروف تصوير مقطعية مختلفة. أما MemBrain-pick فيجمع بين القيود الهندسية والتعلم العمومي لتمكين تحديد فعال للحبيبات المرتبطة بالغشاء بكفاءة عالية في استخدام البيانات، مما يقلل الاعتماد على مجموعات البيانات الضخمة المُعلَّمة يدوياً. وفي حين يقدم MemBrain-stats قدرة على التحليل الكمي لتوزيع الحبيبات، من خلال حساب مؤشرات التوزيع المكاني لفك تشابك طريقة تنظيم الحبيبات داخل الغشاء. بشكل عام، يمكن دمج MemBrain v2 بسلاسة في سير عمل التصوير المقطعي الإلكتروني بالتبريد، ليوفر حلاً أكثر سهولة في الاستخدام، وهيكلةً أعلى، وتكاملاً أكبر لتحليل الهياكل الغشائية.
وقد نُشرت النتائج البحثية ذات الصلة تحت عنوان «MemBrain v2: an end-to-end tool for the analysis of membranes in cryo-electron tomography»، في مجلة Nature Methods.
أبرز نقاط الدراسة:
- تبني MemBrain v2 سير عمل متكاملاً لنظام غشائي يبدأ بتقسيم الهيكل الغشائي، مروراً بتحديده موقع الحبيبات، وصولاً إلى الإحصائيات التحليلية.
- أدخلت MemBrain v2 مؤشر Surface-Dice، وهو أكثر حساسية للاستمرارية الطوبولوجيه لهياكل الغشاء مقارنة بمؤشر DICE التقليدي.
- ومن خلال الموازنة بين تعدد الوظائف وسهولة الاستخدام، توفر MemBrain v2 حلاً حدسياً لتحليل أغشية الـ cryo-ET، قابل للتطبيق على مصادر بيانات متعددة لمساعدة الباحثين على استكشاف نطاق أوسع من الأسئلة البيولوجية.
رابط الورقة العلمية:
https://www.nature.com/articles/s41592-026-03178-8
من السبانخ إلى الكلاميديومونا: مجموعة بيانات قيد التطوير المستمر
بالنسبة للنماذج القائمة على التعلم العمومي، فإن الأمر الذي يجعل MemBrain v2 جديرًا بالاهتمام حقًا ليس مجرد هيكل الشبكة، ولكن أيضًا منهجية بناء بيانات التدريب الكامنة وراءه. فلم يعتمد الفريق البحثي على مصدر بيانات وحيد، بل اعتمد نهجاً تكرارياً يشبه «التعلم الفعّال» (Active Learning)، حيث يبحث باستمرار عن المناطق الأكثر صعوبة بالنسبة للنموذج، ثم يعيد إدراج تلك العينات «الصعبة» إلى مجموعة التدريب بعد تصحيحها يدوياً.
في البداية، استخدم المشروع قطعاً صغيرة (patches) من تقسيم الهياكل الغشائية المستمدة من مجموعة بيانات السبانخ (S. oleracea)، والتي كان قد تم وضع علامات عليها أصلاً باستخدام برنامج TomoSegMemTV. وبعدئذٍ قام الباحثون بتنقيح هذه القطع الصغيرة يدوياً باستخدام واجهة MITK Workbench، حيث بلغ حجم كل قطعة صغيرة 160 وحدة حجمية (voxel)، وتم تعيين ثلاثة أنواع من التصنيفات لكل وحدة حجمية على حدة: الخلفية (Background)، والغشاء (Membrane)، أو تجاهله (Ignore). وأدى هذا التنقيح المتكرر في النهاية إلى الحصول على 69 قطعة صغيرة دقيقة التسمية لمستويات البلاستيدات الخضراء في السبانخ.
ولتحسين قابلية تعميم النموذج عبر ظروف التصوير والأجهزة المختلفة، وسّع الباحثون تطبيق المنهجية لتشمل مقاطع مجهرية إلكترونية مأخوذة من قاعدة بيانات EMPIAR-11830 الخاصة بالكلاميديومونا الريحية (Chlamydomonas reinhardtii). ونظراً للاختلافات في ظروف التصوير بين مجموعتي البيانات، انخفض أداء النموذج في التقطيع لهذا المجموعة الجديدة بشكل ملحوظ بالمقارنة مع مجموعة بيانات السبانخ في المرحلة الأولية. ولتحسين أداء النموذج على هذه المجموعة، خضع 33 قطعة صغيرة لإعادة تصنيف تكراري، وشملت هذه القطع البنى الغشائية للغشاء الداخلي والبلاستيدة الخضراء، بالإضافة إلى الميتوكندريا وجهاز جولجي وغيرها.
ولزيادة إمكانية صلاحية النموذج خارج حدود بياناته الذاتية، تعاون الفريق أيضاً مع فرق بحثية أخرى. فقد اختبرت الفرق المشاركة أداة MemBrain-seg على مجموعات بياناتها الخاصة وقامت بتقديم قطع صغيرة مُعاد تصنيفها للمناطق التي أظهر فيها الأداء ضعفاً. وبعد تقييم صارم للجودة، تم الحصول على 27 قطعة إضافية من هذه البيانات التعاونية، مما عزز تنوع مجموعة بيانات التدريب بشكل كبير.
لتحسين أداء النموذج بشكل أكبر، استغل فريق البحث أيضًا مصادر بيانات مفتوحة محدودة ومتاحة للجمهور لتجزئة الهياكل الغشائية. أولاً، تم استخدام محاكيات التصوير المقطعي المفتوح المصدر PolNet و CryoTomoSim لتوليد 40 رقعة من الهياكل الغشائية، حيث قام كل محاكي بتوليد 20 رقعة. بالإضافة إلى ذلك، تم دمج مجموعة بيانات تمت الإشارة إليها بواسطة باحثين خارجيين، وهي استخراج 15 رقعة موثوقة لتجزئة الهياكل الغشائية من مجموعة البيانات العامة DeePiCt (EMPIAR-10988). وقد اختيرت هذه المناطق جميعها من مناطق كانت أدائها ضعيفًا في المرحلة الأولية لـ MemBrain-seg، مما زاد بدوره من تنوع مجموعة بيانات التدريب.
MemBrain v2: تدفق عمل متكامل لتحليل الأغشية
يُعد MemBrain v2 تدفق عمل تحليلي معياري (كما هو موضح أدناه)، مصمم لتبسيط تحليل الهياكل الغشائية والحوبيات المرتبطة بها ضمن مجموعات بيانات المجهر الإلكتروني بالتبريد المقطعي (cryo-ET). تعمل الوحدات الأساسية الثلاث—وهي MemBrain-seg و MemBrain-pick و MemBrain-stats—بتناغم لتحقيق تجزئة الهيكل الغشائي، وتحديد مواقع الحوبيات، والتحليل الكمي.
MemBrain-seg: طريقة عامة لتجزئة الهياكل الغشائية
MemBrain-seg (كما هو موضح أدناه) هو برنامج قائم على بنية U-Net، يقوم بإنشاء نتائج تجزئة ثلاثية الأبعاد للهياكل الغشائية بناءً على الصور المقطعية المدخلة عبر تنفيذ أمر واحد فقط. تم تدريب هذا النموذج باستخدام مجموعة متنوعة ومطورة تكرارياً من بيانات التدريب. ولدت هذه المجموعة من خلال الترميز اليدوي الدقيق والتصحيح، بالتعاون الوثيق مع مجتمع البحث لضمان تغطية أنواع وأشكال مختلفة من الهياكل الغشائية. وفي الوقت نفسه، أدخل الفريق طرق تعزيز البيانات المصممة خصيصاً لخصائص تصوير الأشعة الإلكترونية بالتبريد المقطعي ودوال الخسارة الموجّهة نحو الهياكل الغشائية أثناء عملية التدريب الشبكية. تضمنت هذه الاستراتيجيات مجتمعة إمكانية تتبع الهياكل الغشائية بدقة واستمرارية، مما يسهل التصور اللاحق والتحليلات المتعاقبة.
MemBrain-pick: أداة تفاعلية لتحديد المواقع بكفاءة للحويصلات المرتبطة بالغشاء
تم تصميم MemBrain-pick (كما هو موضح أدناه) تحديداً لتحديد مواقع الحويصلات المرتبطة بالغشاء بكفاءة عالية، مثل البروتينات الغشائية. قام الباحثون بتدريب الشبكة العصبية للعمل مباشرة على سطح الغشاء، مما يسمح للنموذج بإدماج البنية الهندسية للغشاء في عملية التنبؤ، وبالتالي تقليل مساحة البحث مع تحسين دقة التحديد وكفاءة الاستفادة من البيانات. كما تكاملت الوحدة أيضاً مع أدوات تفاعلية قائمة على Napari -مثل Surforama- لتمكين الباحثين من ترسيم وتعديل مواقع الحبوب بسرعة، وتحقيق انتقال سلس بين توليد بيانات الإشارات الحقيقية (Ground Truth) وتدريب النموذج.
MemBrain-stats: التحليل الكمي لتوزيع الحويصلات
يستفيد MemBrain-stats من ناتج MemBrain-seg و MemBrain-pick لإجراء تحليل كمي لتوزيع الحويصلات على الأسطح الغشائية. يمكن لهذه الوحدة حساب مؤشرات رئيسية تشمل تركيز الحويصلات، وأقرب مسافة جيران جيوديسية (Geodesic Nearest-Neighbor Distance)، وإحصائيات ريبلي (Ripley's Statistics) (كما هو موضح أدناه). ومن خلال ربط شكل الغشاء بطريقة تنظيم الحويصلات، يساعد MemBrain-stats الباحثين على استكشاف العلاقات التركيبية والوظيفية بين الهياكل الغشائية وتنظيم الحويصلات داخل مجموعات بيانات cryo-ET.
نتائج تصور MemBrain-stats
يعتمد MemBrain v2 على التصميم المعياري، الذي يقلل من عتبة الاستخدام مع الحفاظ على المرونة. يوفر الإطار بالكامل واجهة سطر أوامر (CLI) بسيطة وسهلة الاستخدام، ويمكنه التكامل بسلاسة مع إضافات Napari لدعم الترسم والتصور التفاعلي.
يحقق MemBrain v2 تحسناً كبيراً في سرعة التحليل والإنتاجية
استخدم الباحثون MemBrain-stats لإجراء تحليل كمي لتوزيع حويصلات أغشية الثايلاكويد التي تم توقعها، وقارنوا النتائج بالقياسات المنشورة سابقاً لجميع الحويصلات الموجودة في أغشية الثايلاكويد المتراصة (كما هو موضح أدناه في الشكل g). بالنسبة للسبانخ، اتفقت النتائج بشدة مع التركيز المنشر للحويصلات المسجلة سابقاً؛ فقد بلغ عدد الحويصلات لكل ميكومتر مربع في بيانات السبانخ 1,688 حويصلة، بينما كان الرقم المنشور سابقاً 1,714 حويصلة/µm². وبالنسبة للكلاميدوموناغاس (Chlamydomonas)، كان التركيز المتوقع للحويصلات أعلى قليلاً من القيم المُبلغ عنها سابقاً؛ إذ بلغت قيمتي Clamyold و Chlamynew 1,492 حويصلة/µm² و 1,316 حويصلة/µm² على التوالي، مقارنة بقيمة منشورة تبلغ 1,292 حويصلة/µm².
بشكل عام، حقق سير العمل المبسّط من نسخة MemBrain v2 نتائج مماثلة لتحليل الخبراء البشريين السابق عند تحليل الأغشية الثايلاكويدية المتراصة، مع تحسين ملحوظ في سرعة التحليل والقدرة على معالجة عدد كبير من العينات. واستخدم الباحثون هذا الإجراء أيضاً لفهم الأنماط التنظيمية المعقدة للجسيمات المرتبطة بالأغشية الأخرى، بما في ذلك الفيكوبيليسومات (المجموعات الضوئية) والريبوسومات.
تطبيق الاختبار: تنظيم الفيكوبيليسومات على أغشية الثايلاكويدات
طبق الباحثون MemBrain v2 على مجموعة بيانات عالية الدقة للتصوير المقطعي الإلكتروني بالتبريد (Cryo-Electron Tomography) الخاصة بكلورพلاست الطحالب الحمراء (المرجع EMD-31244)، موضحين كيف يمكن لهذه الطريقة استخراج مواقع سلاسل الفيكوبيليسوم وتوزيعاتها المكانية بكفاءة (كما هو موضح أدناه).
في الخطوة الأولى للمعالجة، أنتج نموذج MemBrain-seg نتائج تقطيع واضحة ومفصلة ودقيقة لجميع أغشية الثايلاكويد (الصورة أعلاه ب). بعد ذلك، استخدم الباحثون أداة MemBrain Lasso لإجراء تحليل المكونات المتصلة (Connected Component Analysis)، واستخراج نماذج فردية لهياكل الأغشية الفردية من نتائج التقطيع الشاملة، وعرضها مرئياً في منصة Surforama. ومن خلال واجهة التصور التفاعلية هذه، تمكن الباحثون من وضع علامات يدوية بكفاءة على مواقع وحدات سلاسل الجسيمات الصبغية ضمن ست نماذج مختارة للأغشية (الصورة أعلاه ج). تم استخدام المواقع التي حددها البشر لاحقاً كبيانات مرجعية أرضية (Ground Truth) لتدريب نموذج MemBrain-Pick. وبعد اكتمال تدريب النموذج، طُبق MemBrain-Pick على الـ 23 نموذجاً المتبقية لأغشية الغشاء الموجودة في المقاطع النسيجية (tomograms)، وتمكنت بنجاح من تحديد مواقع الجسيمات الصبغية عبر نطاق كامل للمقاطع. وأظهرت نتائج التنبؤ أن الجسيمات الصبغية ترتبط بشكل دوري واضح على طول سطح الغشاء (الصورة أعلاه د).
ولإجراء تحليل كمي لهذا النمط من التنظيم المكاني، قام الباحثون باستخدام أداة MemBrain-Stats لحساب وظيفة ريلي O (Ripley's O function). وأكدت النتائج وجود مسافات منتظمة بين الجسيمات الصبغية، تبلغ حوالي 35 نانومتر (الصورة أعلاه هـ). ويتوافق هذا الانتظام بدقة مع القياس اليدوي السابق البالغ 34.5 نانومتر، مما يثبت موثوقية الأسلوب الآلي المستخدم.
التطبيق الاختباري: تنظيم سلاسل عديدات الريبوسومات على الغلاف النووي
في تطبيق آخر لنموذجي MemBrain v2 يعمل من البداية إلى النهاية، حلل الباحثون توزيع الريبوسومات على الغشاء الخارجي للغلاف النووي، بهدف التعرف على أنماط توطين واتجاه الريبوسومات. أثناء تحليل مقاطع نسيجية تحتوي على المناطق المحيطة بالنواة، نجح نموذج MemBrain-Seg في فصل غشاء النواة بدقة بالإضافة إلى جميع هياكل الأغشية السيتوبلازمية المحيطة بها (الصورة أدناه أ). ثم استخدم الباحثون أداة MemBrain Lasso لاستخلاص هيئات أغشية النواة ذات الاهتمام الخاص وعرضها مرئياً في منصة Surforama، ما مكنهم من وضع العلامات بكفاءة على مواقع الريبوسومات المرجعية الأرضية (الصورة أدناه ب).
لتحقيق الأتمتة في تحديد موقع الريبوسومات، قام الباحثون أولاً بتحديد يدوي لمواقع 13 هيكلاً غشائياً، وبناءً عليه تدريب نموذج MemBrain-pick؛ ثم استخدموا هذا النموذج للتنبؤ بالهياكل الغشائية المتبقية البالغ عددها 79 هيكلاً، حيث تم اكتشاف ما مجموعه 4,515 موقعاً للريبوسوم (انظر المثال التوضيحي أدناه ج).
للتحقق من صحة هذه التوقعات، استخدم الباحثون تقنية STOPGAP لإجراء متوسط تحت المجسم الفرعي (Subtomo Averaging - STA). أظهرت البنية النهائية الناتجة بشكل واضح ريبوسوماً مرتبطة بالغشاء (الشكل د أدناه)، مع وجود إشارة كثافة لمركب TRAP العابر للغشاء. كما ظهرت مناطق كثيفة ضبابية على الأطراف في المتوسط الهيكلي، والتي يُرجّح أنها تمثل الريبوسومات القريبة؛ ويمكن تأكيد ذلك أيضاً من خلال توزيع المواقع المكاني للجسيمات (الشكل هـ أدناه). بناءً على النتائج التي أخرجها MemBrain-stats، أخذ الباحثون بعين الاعتبار قيوداً إضافية مثل الزوايا بين أقرب الجيران والمسافات بينها واستمرار السلاسل، مما مكنهم من استخراج سلاسل متعددات الريبوسوم (Poly-Ribosomes Chains).
d، نتائج STA. الصورة اليسرى: متوسط النتائج تحت الفاصل (sub-tomogram)، يُظهر ريبوسومًا مرتبطًا بالغشاء.
e، الصورة اليسرى: مخطط تكرار لأصغر زاوية محصورة بين أقرب ثلاثة جيران (3-NN).
تُعد سيرورة التحليل هذه لـ MemBrain، التي تبدأ من الصور المجسمة الأولية وتنتهي بتحديد سلاسل البولي ريബوزومات بشكل نهائي، أداةً واعدة لتعزيز أبحاث بيولوجيا الريبوسومات في كائنات حية مختلفة لدى الباحثين.
الخاتمة
بالتأكيد، لا يخلو MemBrain v2 من القيود. فلا تزال أدائه محدودة بتنوع بيانات التدريب، والهياكل غير المستهدفة ذات الطبيعة الغشائية، ومستوى التباين والضوضاء في تقنية التصوير المجهر الإلكتروني بالتبريد المقطعي (cryo-ET) نفسها. وبالتالي، لا يزال التعرف الدقيق على الجسيمات ضعيفة الإشارة والمخفية، وكذلك البروتينات الغشائية المدمجة الصغيرة التي قد تطغى عليها كثافة الأغشية القوية، يمثل تحدياً. بالإضافة إلى ذلك، فإن سُمك التقطيع لا يتساوي تماماً مع السُمك البيولوجي الحقيقي للأغشية.
في المستقبل، ومن خلال توسيع نطاق بيانات التدريب بشكل أكبر، والجمع بينها وبين أدوات مكملة مثل TomoTwin، يُتوقع تعزيز قابلية تطبيقه على مختلف هياكل الأغشية ومعقدات البروتين. والأهم من ذلك أن MemBrain v2 يدمج تقطيع الأغشية وتحديد مواقع الجسيمات والتحليل الكمي المكاني ضمن سير عمل مفتوح وسهل الاستخدام وقابل للتوسع، وهو متوافق مع أنظمة تحليلية مثل STAR و STA وتحليل مورفوميتريكس للسطح (Surface Morphometrics). ومع مشاركة المزيد من فرق البحث في تبادل البيانات والأدوات، فمن المتوقع أن تساهم هذه الأساليب القائمة على الذكاء الاصطناعي في خفض عتبة تحليل البيانات المعقدة ثلاثية الأبعاد الناتجة عن تقنية cryo-ET، مما يدفع بالبحث نحو الانتقال من الاعتماد على الخبرة البشرية في التعرف على الصور إلى التحليل الكمي الآلي أكثر، والقابل للتطوير والتكرار.
المراجع:
https://phys.org/news/2026-09-ai-automates-3d-membrane-manual.html
https://phys.org/news/2026-09-ai-automates-3d-membrane-manual.html