عدّ وحدات تكوين المستعمرات: حالة استخدام للذكاء الاصطناعي في علوم الحياة
تُعدّ علوم الحياة ميدان اختبار مثاليًا للذكاء الاصطناعي على الأجهزة الطرفية. ولإثبات ذلك نتناول مهمة شائعة جدًا: عدّ المستعمرات البكتيرية بعد حضانة طبق الآجار. يصف هذا المقال تجربتنا البسيطة ويعرض بعض نتائجها.
مقدمة
من الصعب في هذه الأيام المبالغة في تقدير ما يضيفه تعلّم الآلة (ML) والذكاء الاصطناعي (AI) إلى البحث العلمي. تُدرس حاليًا أفكار جديدة كثيرة لجعل نماذج ML أدق وأكثر متانة وأسهل استخدامًا. يستغرق تكييف أساليب ML وتقنياتها مع الاحتياجات الخاصة بكل مجال علمي وقتًا، وفرق بحثية كثيرة مهتمة بذلك. وبصفتنا باحثين، يمكننا الاستفادة من أحدث ابتكارات الذكاء الاصطناعي لأتمتة الأعمال الرتيبة المتكررة، ومعالجة كميات أكبر بكثير من البيانات، وتنفيذ أبحاث أكثر طموحًا.
لا تُسيئوا فهمنا. فـ ML ليس وافدًا جديدًا على عالم العلوم. الذي تغيّر هو أن استخدامه بأقصى طاقته أصبح أبسط. ويعود الفضل في ذلك إلى مجموعة واسعة من المكتبات البرمجية مفتوحة المصدر، ومجموعات بيانات التدريب المتاحة للعموم، والتوثيق الممتاز، وقبل كل شيء القدرة على تفسير ما ينتجه نموذج ML.
يزداد الباحثون أمثالنا مهارة في استخدام تقنية المعلومات. وعدد متزايد منهم قادر على كتابة شيفرة جيدة. ونتيجة لذلك أصبح إتقان تحليل البيانات بمساعدة الحاسوب في متناول مجموعات بحثية أكثر. لم تعد الشيفرة والبرمجة عائقًا أمام إجراء أبحاث مثيرة للاهتمام.
لدى ML إمكانات هائلة كمساعد في العمل العلمي اليومي. فالأرجح أنك تعتمد بالفعل على أنظمة متطورة مبنية على التعلّم من البيانات. ويزداد ذلك سهولة بفضل تقلّص حجم العتاد القادر على تشغيل نماذج ML. ومن بين الخيارات المتاحة، تبدو الأجهزة الصغيرة مثل المتحكمات الدقيقة مثيرة للاهتمام بوجه خاص.
الرؤية الحاسوبية (CV) مثال مثالي على ذلك. فالقدرة على تشغيل نموذج رؤية معقد على لوحة لا تزيد عن علبة ثقاب تفتح إمكانات مثيرة كثيرة. أضف إلى ذلك مكونات العتاد المتوافرة بسهولة، ودعم مجتمعات «اصنعها بنفسك» الرائعة التي تسعد بتبادل خبراتها، وبيئات البرمجة السهلة، وسيجد الباحثون كل ما يحتاجون إليه لبناء ساحة نماذج أولية متطورة.
تُعدّ علوم الحياة ميدان اختبار مثاليًا للذكاء الاصطناعي على الأجهزة الطرفية. ولإثبات ذلك نتناول مهمة شائعة جدًا: عدّ المستعمرات البكتيرية بعد حضانة طبق الآجار. يصف هذا المقال تجربتنا البسيطة ويعرض بعض نتائجها. وستجد أيضًا قسمًا موجزًا للنقاش.
فتناول فنجان قهوة، وبعض أطباق بتري، ومتحكمًا دقيقًا. إنه يوم رائع للعلم!
كتب هذا المقال ثنائي رائع من الأخ والأخت – أستاذ مساعد وزميلة باحثة، يحمل كلاهما درجة الدكتوراه – بمساعدة مساعديهما الشباب الماهرين.
حساب عدد البكتيريا
الجدول 1. أنواع الأوساط الصلبة.
ربما لاحظ كل من اشترى مشروبًا بروبيوتيكيًا كلمة «CFU» على الملصق. عدّ وحدات تكوين المستعمرات (CFU) هو الطريقة المعيارية الذهبية الشائعة لتحديد عدد الخلايا البكتيرية. وحدة CFU هي ببساطة مستعمرة واحدة من البكتيريا أو الفطريات أو الخمائر، ويمكن التعبير عن العدد لكل مساحة مفحوصة أو لكل حجم، بحسب هدف تجربتك. في حالتنا قسنا مدى تلوث أشياء يومية متنوعة. فقد ضغطنا الجسم المختار على سطح الوسط الصلب وأمسكناه برفق نحو 10 ثوانٍ. يعمل سطح الطبق مثل لوحة للعدّ. وبعد حضانة لمدة 24 إلى 36 ساعة عند 25–30 درجة مئوية (77–86 فهرنهايت)، تظهر مستعمرات تختلف في الحجم والشكل واللون – أي في مورفولوجيتها.
الشكل 1. مستعمرات بكتيرية بعد الحضانة؛ بدءًا من الزاوية العلوية اليسرى: بصمة إصبع، عملة معدنية، هاتف محمول، عينة هواء.
التخطيط
خُطّطت تجربتنا على عدة مراحل، تتألف من المهام التالية:
- بناء منصة مراقبة «اصنعها بنفسك» فوق Arduino وRaspberry Pi – تطلبت هذه الخطوة قدرًا كبيرًا من توصيل العتاد والتصنيع الإضافي.
- تحضير أطباق الآجار وتنمية أنواع مختلفة من البكتيريا – جمعنا عينات البكتيريا من أشياء منزلية عادية. ليست لضعاف القلوب 😅.
- جمع بيانات التدريب ووسمها – سار التصوير وتعليم تجمعات البكتيريا بسلاسة، ولم يستغرقا وقتًا طويلًا، ولدهشتنا.
- تدريب نموذج ML لاكتشاف الأجسام واختباره.
- بناء طبقة لتحليل البيانات – أردنا حقًا أن نبيّن كيف يمكن الاستفادة من مخرجات اكتشاف الأجسام في الخطوات اللاحقة من العملية البحثية.
- تحليل نمو البكتيريا باستخدام سلاسل زمنية من الصور – استغرق هذا وقتًا طويلًا، لكنه كان جزءًا مجزيًا من التجربة.
- إعداد مادة فيديو تعرض ما توصلنا إليه.

الشكل 2. خطة تجربتنا.
الطرق
جهاز المراقبة
نحن من كبار المعجبين بما توفره الطباعة ثلاثية الأبعاد من سرعة في بناء النماذج الأولية. وبعد عدة تكرارات استقر اختيارنا على برطمان بسيط شبه شفاف كجهاز مراقبة. كان سهل التخزين، وسمح لنا بتجربة مصادر إضاءة منتشرة مختلفة لتوفير أفضل الظروف لمستشعر الكاميرا. وحافظت بضعة ثقوب محفورة على تدفق الهواء ونمو البكتيريا.
كان الغطاء الصلب مخصصًا لإخفاء متحكم دقيق وكاميرا. ولجعل الغطاء أمتن طبعناه بخيط غرافين. ومن بين وحدات الرؤية المتاحة تبيّن أن Arduino Portenta مع LoRa vision shield، وRaspberry Pi الموثوق مع كاميرا، هما أفضل الخيارات، لأنهما صغيران لكنهما قويان بما يكفي لتشغيل نموذج رؤية آلية. استخدمنا مستشعرين مختلفين لمعرفة أي النهجين أنسب لتجربة واسعة النطاق.
الشكل 3a. جهاز المراقبة – Arduino Portenta.
الشكل 3b. جهاز المراقبة – Raspberry Pi.
جمع البيانات ومعالجتها المسبقة
الشكل 4. كيف أُعدّت البيانات.
كان تحضير العينات وجمع البيانات أمرًا بسيطًا. فقد نقلنا البكتيريا إلى الوسط المختار بضغط الجسم على طبق الآجار. وأحيانًا استخدمنا الجسم نفسه، وفي أحيان أخرى مسحناه بمسحة قطنية ونقلنا البكتيريا إلى الوسط بهذه الطريقة. بعد ذلك وُضعت أطباق بتري في حاويات المراقبة لدينا.
الجدول 2. وصف مجموعة البيانات. Ad 1. جُمعت من يدي ابنتي بعد يوم في الروضة – خطر حيوي بنسبة 100% 😆
ضُبطت الأجهزة لالتقاط صورة كل 5 دقائق ورفعها إلى التخزين. سجّل برطمان Ardunio صورًا رمادية بدقة 320px x 320px. أما الصور الملونة RGB الملتقطة بـ Rasberry Pi فكانت دقتها 2048px x 2048px.
أتاح لنا العمل في مختبر منزلي الحفاظ على ثبات درجة الحرارة والرطوبة. أما الحصول على الإضاءة الصحيحة داخل الحاويات فتطلب إعدادًا إضافيًا. وقد حلّ ذلك مزيج من مصادر الإضاءة المدمجة وخيمة تصوير بلا ظلال. وهذا أمر يجدر وضعه في الاعتبار للنسخة القادمة من الحاوية.
أثناء جمع البيانات تخلصنا تدريجيًا من العينات الأقدم بتغطيتها بمادة التبييض. وبين التقاط عينة وأخرى عقّمنا الحاوية والمختبر بمصباح UV.
بعد جمع كل العينات عالجنا البيانات مسبقًا لتناسب مرحلة تدريب تعلّم الآلة. أولًا قصصنا الصور بدائرة ثابتة الحجم بحيث لا تبقى سوى منطقة العمل. بعد ذلك حوّلنا صور RGB إلى تدرج الرمادي. فمعلومات اللون غير مطلوبة في هذه التجربة، وحذفها يُبقي النموذج أبسط.
وفي النهاية حصلنا على مجموعتي بيانات منفصلتين: فيديوهات تسارع زمني عالية الدقة من Raspberry Pi، وفيديوهات تسارع زمني رمادية منخفضة الدقة من Arduino Portenta.
وباستخدام برنامج وسم، وضعنا أيضًا علامات للأجسام (نقاط). بدأنا بأبسط سيناريو ممكن، فعلّمنا التجمعات البكتيرية فقط دون محاولة التمييز بين أنواع أو سلالات بعينها. ويمكن أن يؤجَّل ذلك إلى بحث أعمق مدعوم بتحليل مجهري وكاميرا طيفية.
النموذج
كان تدريب نموذج تعلّم آلة لجهاز مدمج هو المرحلة التي حدث فيها السحر في المشروع. ولحسن الحظ، مع مجموعة بيانات منسقة جيدًا ومنصة مخصصة، يصبح تصميم النموذج ونشره سهلًا. يمكنك إما اختيار نموذج جاهز تقدمه إحدى الجهات الكثيرة أو بناء نموذجك الخاص. وأنصح بالخيار الثاني فقط لمن يعرف TensorFlow أو PyTorch جيدًا جدًا.
اخترنا صياغة تصنيف سلالات البكتيريا كمسألتين في الرؤية الحاسوبية: اكتشاف الأجسام وتجزئة الحالات.

الشكل 5. معمارية النموذج.
تحدد نماذج اكتشاف الأجسام مناطق الصورة التي تتوافق مع فئات معينة من الأشياء، مما يجعلها ممتازة للعدّ. أما المستعمرات البكتيرية فليست بالطبع أجسامًا محددة المعالم. إنها أقرب إلى مادة بلا شكل نحتاج إلى تحديد موضعها ووسمها منها إلى أشياء. ولهذا السبب اعتمدنا نموذج اكتشاف نقاط، يعتمد في الاكتشاف على الخرائط الحرارية بدلًا من المربعات المحيطة المألوفة. جربنا نهجين: الأول على الصور الرمادية من Arduino Portenta، والثاني على صور RGB الملتقطة بـ Raspberry Pi.
وبالمناسبة، فإن نموذج ML ليس ضروريًا تمامًا لمهمة بهذه البساطة. يمكن الحصول على نتائج جيدة بما يكفي بتطبيق العتبة على الصورة بشكل صحيح وتشغيل خوارزمية watershed، أو باكتشاف البقع البسيط.
ومع ذلك، فإن تجربة عدة خوارزميات عند الاختبار فكرة معقولة دائمًا.
النتائج
لنكن صادقين، كانت صور Arduino Portenta فشلًا مدويًا. حصلنا على بعض النتائج، لكن لأن دقة الصورة (320px x 320px) كانت منخفضة جدًا، التقط النموذج الأجسام الأكبر فقط، التي ظهرت في منتصف الحضانة. فمستشعر vision shield ببساطة غير مصمم لهذا النوع من الاستخدام. كنا نتوقع هذا الاحتمال، والآن نعلم يقينًا أننا نحتاج إلى جهاز بمواصفات مختلفة. لقد فشلت التجربة بنجاح 🙂
ولحسن الحظ كانت صور Rasberry Pi ذات جودة كافية لعملية الاكتشاف. مررنا إحدى عينات الاختبار عبر الخوارزمية: المخرجات ما زالت مشوشة نوعًا ما، لكنها أسرع بكثير من عدّ كل حالة يدويًا. ويمكن إزالة معظم هذا التشويش ببناء جهاز مراقبة أقل غبارًا مع آلية إضافية لسحب الرطوبة.
النقاش
كيف يمكن لتعلّم الآلة أن يسهم في علوم الحياة؟
أثبت تعلّم الآلة بالفعل أنه وسيلة واعدة جدًا لحل المشكلات في فروع كثيرة من الصناعة، ولم يبدأ شق طريقه إلى علوم الحياة إلا مؤخرًا نسبيًا، مقدّمًا وسيلة قوية لاستكشاف البيانات البيولوجية وتصنيفها [^1,2,3]. تستفيد صناعة علوم الحياة باطراد من إدخال الذكاء الاصطناعي وتعلّم الآلة في أجندات أبحاثها، ولا سيما في علم الجينوم والكيمياء والفيزياء الحيوية والمجهرية والتحاليل الطبية ومجالات كثيرة أخرى. ويزداد أهمية في الرعاية الصحية، مثلًا في أبحاث السرطان ودراسة خلايا الدماغ وتطوير العلاجات. وتبيّن دراسات كثيرة أن خوارزميات تعلّم الآلة تستكشف البيانات بطرق لا يستطيعها البشر، وتستطيع رصد سمات يستحيل ملاحظتها بغير ذلك، مثلًا عند تصنيف الصور الخلوية أو إيجاد الروابط الجينومية [^1,3,4]. أدوات تعلّم الآلة تتطور بسرعة، وللاستفادة منها أو استغلال كامل إمكاناتها ستحتاج مختبرات علوم الحياة قريبًا إلى خبرة حاسوبية متخصصة أو شراكات أو كليهما.
قيود تعلّم الآلة
على الرغم من أن تعلّم الآلة يَعِد باختراق علمي، فإن له بعض القيود التي تستحق الذكر:
- النقص في البيانات عالية الجودة وواسعة النطاق – كيف تدرّب نموذجًا على بيانات أقل، وهو وضع شائع في علوم الحياة؛
- جودة البيانات – النموذج لا يكون أفضل من البيانات التي يتغذى عليها؛
- ما زال تحقيق التوازن بين خوارزمية دقيقة ونتيجة يمكن تفسيرها بيولوجيًا صعبًا؛
- غياب الحكم السليم ذي المعنى البيولوجي – لا يمكن للحواسيب أن تحل محل العلماء بالكامل [^1,5].
الخلاصة
لا حاجة للقول إننا استمتعنا حقًا بهذا المشروع! تخطيط التجربة، وتصميم جهاز مراقبة وتجميعه، وتنمية البكتيريا، وتدريب نموذج تعلّم آلة – كل ذلك في مشروع واحد قصير في علوم الحياة.
وقبل كل شيء تعلمنا كيف يمكن تطبيق تعلّم الآلة حتى في أكثر السيناريوهات جموحًا. وكما رأيتم على الأرجح، للذكاء الاصطناعي المدمج استخدامات كثيرة. وعدّ المستعمرات البكتيرية ليس سوى البداية.
ربما تتساءلون ماذا سنفعل ببياناتنا بعد ذلك. ننوي توسيع مجموعة البيانات. فالحضانة عمل شاق. وقد نضيف صور مجهر ونجرب نهجًا متعدد الوسائط. من يدري؟ 🙂 سنخبركم بالتأكيد حين ننشر المجموعة للعموم.
ونحتاج أيضًا إلى نسخة جديدة من جهازنا. فالجهاز الحالي يعمل جيدًا لكنه يستطيع معالجة عينة واحدة فقط في كل مرة.
شكرًا لقراءتكم، وحظًا سعيدًا في تجاربكم!
المراجع
[^1] Webb S. (2018) Deep learning for biology. Nature 554, 555-557. (بالإنجليزية)
[^2] Pugliese R. et al. (2021) Machine learning-based approach: global trends, research directions, and regulatory standpoints. Data Science and Management 4, 19-29. (بالإنجليزية)
[^3] Bajorath J. (2022) Artificial intelligence in interdisciplinary life science and drug discovery research. Future Science OA 8, FSO792. (بالإنجليزية)
[^4] Ghosh, S., Dasgupta, R. (2022). A Brief Overview of Applications of Machine Learning in Life Sciences. In: Machine Learning in Biological Sciences. Springer. (بالإنجليزية)
[^5] Ching T. et al. (2018) Opportunities and obstacles for deep learning in biology and medicine. Journal of the Royal Society Interface 15, 20170387. (بالإنجليزية)