معلومة

التعلم الآلي للفحص المجهري الضوئي - هل توجد مشاكل يجب حلها؟

التعلم الآلي للفحص المجهري الضوئي - هل توجد مشاكل يجب حلها؟


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

أرغب في حل بعض المشكلات البيولوجية التي من شأنها تحسين أحدث ما وصلت إليه البيولوجيا أو المعلوماتية الحيوية. على وجه الخصوص ، أريد تطبيق التعلم الآلي على الصور المجهرية الخفيفة. المعدات والخبرة التي أمتلكها هي:

  • الفحص المجهري للحقل الساطع والحقل المظلم وتباين الطور
  • كمبيوتر محمول حديث
  • كمبيوتر فائق 56 نواة مع ذاكرة> 100 غيغابايت (عند الطلب)
  • معرفة معقدة بخوارزميات التعلم الآلي ومعالجة الإشارات
  • مهارات البحث على مستوى الدكتوراه
  • مهارات البرمجة التي تجعلني أعمل في Google
  • معرفة محدودة بالبيولوجيا والمعلوماتية الحيوية والفحص المجهري (حتى الآن)

أريد أن أجري بعض الأبحاث القابلة للنشر خالية من كل المتاعب الأكاديمية. سأفعل هذا فقط في وقتي الخاص ، دون الإسراع في النشر ، في محاولة لفعل شيء ما خير للبشرية. يمكنني رمي بضع مئات من الدولارات على المشروع كل شهرين (أو تصل إلى 1000 دولار في السنة).

تم نشر الكثير من الأبحاث البيولوجية في علم, طبيعة سجية, PNAS, زنزانة، وما إلى ذلك ، متخصصون جدًا لدرجة أنني أجد صعوبة في اكتشاف المشكلات المهمة التي قد تكون لدي فرصة جيدة لحلها نظرًا لمجموعة المهارات الخاصة بي. لذلك أطلب مساعدتك:

  • ما نوع البرنامج الذي طالما رغبت في إجراء أبحاث ميكروسكوبية ضوئية ، ولكنك لا تعرف كيف تصنعه؟
  • ما هي بعض المشاكل البيولوجية المهمة التي ترغب في حلها؟ (بالنسبة للتعلم الآلي ، تعد المشكلات المتعلقة بمهمة اتخاذ القرار الثنائي مناسبة تمامًا - على سبيل المثال "هل هذا الشخص مصاب بالملاريا أم لا"؟)
  • ما هي بعض المراجعات الحديثة عالية الجودة حول المشكلات المفتوحة في علم الأحياء؟
  • شيء آخر؟

بينما سؤالي واسع بعض الشيء ، أعتقد أن هذا يندرج تحت سياسة "حسن النية" (أو أيًا كان ما يطلق عليه) SE.


أعلم أن هذا السؤال سيغلق. ولكن ، إذا كنت تريد العمل في شيء ما ، فيمكنك العمل عليه:

تصوير مضان فائق الدقة بالتبريد

يسلط الضوء

  • يسمح CryoFM بتصوير العينات البيولوجية المزججة بالمجهر الفلوري.
  • هناك تحديات كبيرة لتحقيق تصوير عالي الدقة بالتبريد.
  • توفر خصائص الفلوروفور عند درجات الحرارة المنخفضة مزايا إضافية.
  • التصوير الفلوري فائق الدقة بالتبريد سيعطي تحسينًا كبيرًا في الدقة.

المصدر: الفحص المجهري الإسفار: التحديات والآفاق الحالية.


إعادة: ما نوع البرنامج الذي طالما رغبت في إجراء أبحاث ميكروسكوبية ضوئية ، ولكنك لا تعرف كيف تصنعه؟

أقوم بالبحث عن ذباب الفاكهة وفي هذا المجال (والعديد من أنظمة نماذج البيئة الحشرية الأخرى مثل الخنافس والعث والفراشات) نستخدم الكثير من البيانات المسجلة بصريًا ، على سبيل المثال حجم الجسم ، حجم الجناح ، شكل الجناح ، ألوان العين ، أرقام الشعر الخشن ، مورفولوجيا الأعضاء التناسلية ، مورفولوجيا مشط الجنس ... القائمة ضخمة! أحد البرامج المستخدمة هو WingMachine - على الرغم من أن الارتباط بالبرنامج يبدو معطلاً - والذي يمكنه قياس جوانب التشكل لجناح الطيران.

شيء أود أن أكون قادرًا على فعله هو وضع قنينة طعام تحت منظار وجعلها تحسب بسرعة عدد البيض على سطح الطعام. لقد طرحت سؤالاً حول هذا الموضوع منذ فترة ... سيكون هذا مفيدًا للغاية ، يتعين على العديد من المعامل حساب البيض (لجعل عدد البيض ثابتًا في كل قنينة ، يمكن أن يكون للاختلاف هنا آثار خطيرة على الذباب البالغ ، لذا فإن التحكم مهم في البيئة دراسات) وهي بطيئة وصعبة وغير دقيقة للغاية ، ولا سيما متغير بين الناس. إذا كانت هناك طريقة ما لوضع القارورة تحت النطاق ، فإن الضغط على زر والحصول على تقريب للرقم سيكون رائعًا!

أحد الزملاء يعد الخنافس الميتة في الوقت الحالي ، وأنا متأكد من أنه سيقدر نوعًا مشابهًا من البرامج حيث يمكنه التصوير والحصول على البرنامج تلقائيًا. أعتقد أنه سيكون من السهل حل هاتين المشكلتين باستخدام برامج مشابهة جدًا. المفتاح هو صنع برنامج يسهل "تعليمه" كيفية التعرف على الأفراد.

قد يكون جزء أكثر تعقيدًا من التعلم الآلي هو جعله يحسب أنماطًا ظاهرية مختلفة في صورة واحدة. غالبًا ما تستخدم فحوصات اللياقة في الذباب ذبابة من النوع البري مع منافسين داكني الجسم (خشب الأبنوس) ، ويكون جسم النوع البري أصفر نسبيًا. عندئذٍ تكون ملاءمة ذبابة النوع البري البؤري هي عدد نسل النوع البري بين المجموع (النمط الظاهري للجسم المظلم متنحي ، لذلك عندما يتزاوج النوع البري البؤري مع خشب الأبنوس ، فإنه ينتج ذبابًا من النوع البري ، إذا تزاوج اثنان من الأبنوس. ذرية الجسم الداكن). هنا يجب أن تكون الآلة قادرة على معرفة الفرق وإحصاء كليهما.

سأرفق صورة مناسبة من تحت النطاق لاحقًا ، تم التقاط الصورة في سؤالي السابق بكاميرا رقمية ، وليس من خلال منظار ولكنها تعطي فكرة عما تبدو عليه.


قد تكون مهتمًا بقراءة مقالة "التعلم الآلي في بيولوجيا الخلية - تعليم أجهزة الكمبيوتر للتعرف على الأنماط الظاهرية" (http://jcs.biologists.org/content/126/24/5529.long)


يقوم أحد زملائي بالكثير من العمل النسيجي ، حيث يقوم بتلطيخ وتحديد الأنسجة على المستوى المجهري. قد تكون البرامج التي يمكن أن تكون مفيدة لهذا النظام هي القدرة على التمييز بين الأنواع المختلفة من الأنسجة الموجودة ، وربما حساب "المنطقة" التي يشغلها كل نوع من الأنسجة وكذلك المساحة الفارغة. لن يختلف هذا عن مشكلة من نوع GIS ، لكنني لا أعرف ما إذا كان يتناسب بشكل جيد مع إطار عمل قرار ثنائي بنعم / لا. لا أعرف ما إذا كان من الممكن تدريبه على تعلم التعرف على أنواع معينة من الأنسجة ، ولكن ربما يمكنه التعرف على كل منطقة متميزة في المقطع العرضي على أنها مختلفة عن المناطق الأخرى المماثلة. إليك بعض المقاطع العرضية لتظهر لك ما أعنيه:

القولون:

مصدر

العضلات الملساء:

مصدر

الأنابيب المنوية من الخصيتين:

مصدر

لاحظ أنواع الأنسجة المختلفة في كل مقطع عرضي ، بالإضافة إلى المساحة البيضاء. يحتوي كل نوع من أنواع الأنسجة على أنماط مختلفة لنقل الضوء ، مما قد يسمح للكمبيوتر بتعلم التمييز بين أنواع الأنسجة المختلفة.


دليل المبتدئين لتعلم الآلة

هل يجب أن أتعلم الآن ... أم لاحقًا؟ التعلم مهارة / سمة عالمية يكتسبها أي كائن حي على هذا الكوكب. يتم تعريف التعلم من خلال: اكتساب المعرفة أو المهارات من خلال الخبرة أو الدراسة أو من خلال التعلم سواء كان ذلك نباتًا يتعلم كيفية الاستجابة للضوء ودرجة الحرارة ، أو قردًا يتعلم كيفية تقشير الموز ، أو نحن البشر نتعلم كيفية أركب دراجة. هذا القواسم المشتركة هو ما يجعلنا متفردين ونتطور بمرور الوقت.

ولكن ماذا لو قلت ، "يمكن للآلات أن تتعلم أيضًا"

نحن في عصر لا تختلف فيه الآلات. لا يزال التعلم الآلي مفهومًا جديدًا إلى حد ما. يمكننا تعليم الآلات كيفية التعلم ويمكن لبعض الآلات أن تتعلم من تلقاء نفسها. هذه ظاهرة سحرية تسمى التعلم الالي.

الجمهور المستهدف: للمبتدئين و / أو تعلم الآلة دماء جديدة

نأمل أن تقدم هذه المقالة بعض الأفكار المفيدة وتفتح عقلك لما يمكن أن تفعله أجهزة الكمبيوتر الآن يومًا بعد يوم. لن أتعمق في ما هو التعلم الآلي ، ولكن نظرة عامة رفيعة المستوى.

إذا كان هناك أي شيء أنت يجب يتعلم من قراءة هذا المقال ، هذا هو:

يمكن للآلات أن تتنبأ بالمستقبل ، طالما أن المستقبل لا يبدو مختلفًا كثيرًا عن الماضي.


التعلم العميق للفحص المجهري الذكي

لقد استخدمنا المجاهر لاكتشاف ظواهر جديدة لمئات السنين. بفضل مستشعر الصورة الرقمية والكمبيوتر ، بدأ الكثير من أعمال الاكتشاف هذه في أن تصبح آلية. تقوم مجموعة متنوعة من خوارزميات التعلم الآلي "العميقة" الآن بمعالجة صور المجهر الرقمي تلقائيًا للعثور على الظواهر ذات الصلة وتصنيفها وتفسيرها ، مثل مؤشرات المرض ، أو وجود خلايا معينة في الفحص ، أو حتى التشخيص الآلي بالكامل

على الرغم من أتمتة المجاهر نفسها ، فقد تغيرت قليلاً نسبيًا - فهي ، في معظمها ، لا تزال محسّنة للمشاهد البشري للنظر من خلالها لفحص عينة بالتفصيل ، مما يمثل عددًا من التحديات في العيادة. يقدم تشخيص الإصابة بطفيلي الملاريا مثالاً جيدًا على ذلك. نظرًا لصغر حجمها (حوالي 1 ميكرون أو أقل) ، يجب عرض طفيلي الملاريا (P. Falciparum) تحت عدسة موضوعية عالية الدقة (عادةً مع الغمر بالزيت). لسوء الحظ ، يمكن لمثل هذه العدسات عالية الدقة رؤية مساحة صغيرة جدًا تحتوي على بضع عشرات من الخلايا فقط. نظرًا لأن كثافة الإصابة بطفيلي الملاريا منخفضة نسبيًا ، يجب على المرء أن يمسح ما لا يقل عن 100 مجال رؤية فريد للعثور على أمثلة كافية لتقديم تشخيص سليم. هذا صحيح إما إذا كان الإنسان أو الخوارزمية يشاهدون صور كل عينة - لا تزال هناك حاجة لمئات الصور ، مما يؤدي إلى عنق الزجاجة في خط أنابيب التشخيص.

يعمل معمل البصريات الحاسوبية حاليًا على حل مشكلات مثل تلك المذكورة أعلاه من خلال إنشاء مجاهر جديدة ، وهي صمم بواسطة خوارزميات التعلم العميق ، لضمان احتواء بيانات الصورة الملتقطة على أكبر قدر من المعلومات لمهمة الخوارزمية المحددة. هذا جهد مشترك لتحسين الأجهزة والبرامج. في الواقع ، نأمل في تحويل المجهر إلى عامل "ذكي" ، هدفه هو فحص كل عينة ماديًا للسماح للكمبيوتر بالتعلم منها قدر الإمكان. مكونات الأجهزة المختلفة القابلة للتحسين التي يمتلكها مختبرنا أو تستكشفها حاليًا في الإضاءة القابلة للبرمجة والمسار البصري وخط أنابيب إدارة البيانات والكاشف. فيما يلي بعض مشاريعنا الحالية المتعلقة بجهود "الاستشعار المكتسب":

3. تعلم الاستشعار لتحسين مشترك لمكونات المجهر المختلفة

الأوراق المرتبطة:

صفحة المشروع مع البيانات وكود المصدر: https://deepimaging.io/projects/me-microscope/

في هذا العمل ، نتحرى عن نهج لتحسين إعدادات المجهر المتعددة بشكل مشترك ، جنبًا إلى جنب مع شبكة التصنيف ، لتحسين أداء مهام التحليل الآلي للصور. نستكشف التفاعل بين تحسين الإضاءة القابلة للبرمجة وانتقال حدقة العين ، باستخدام مسحات الدم المصوّرة تجريبيًا للكشف الآلي عن طفيلي الملاريا ، لإظهار أن "الاستشعار المكتسب" متعدد العناصر يتفوق على نظيره أحادي العنصر. على الرغم من أنها ليست مثالية بالضرورة للتفسير البشري ، إلا أن الصور المجهرية منخفضة الدقة الناتجة عن الشبكة (قابلة للمقارنة 20 مرة) توفر تباينًا كافيًا لشبكة التعلم الآلي لمطابقة أداء التصنيف للصور عالية الدقة المقابلة (قابلة للمقارنة 100 مرة) ، مما يشير إلى مسار نحو الدقة أتمتة على مجالات الرؤية الكبيرة.

2. تعلم الاستشعار من أجل إضاءة المجهر الأمثل

الأوراق المرتبطة:

صفحة المشروع مع البيانات وكود المصدر: http://deepimaging.io/learned_sensing_dnn/

لتحسين سرعة ودقة تشخيص المرض بشكل كبير عبر الفحص المجهري الضوئي ، أجرينا تعديلين رئيسيين على المجهر القياسي: 1) أضفنا وحدة micro-LED مُحسَّنة لإلقاء الضوء على كل عينة لتسليط الضوء على الميزات المهمة ذات الأهمية (على سبيل المثال ، طفيلي الملاريا داخل مسحات الدم) ، و 2) استخدمنا شبكة عصبية تلافيفية عميقة لتحسين وحدة الإضاءة هذه بشكل مشترك للكشف التلقائي عن وجود العدوى داخل الصور المضاءة بشكل فريد.

من خلال العمل معًا ، تسمح لنا رؤيتنا بتحقيق دقة التصنيف في النطاق المئوي 95 باستخدام عدسات موضوعية ذات مجال رؤية كبير ومنخفضة الدقة يمكنها رؤية آلاف الخلايا في وقت واحد (على عكس عشرات الخلايا فقط). هذا يلغي الحاجة إلى المسح الميكانيكي للحصول على تشخيص دقيق ، وبالتالي تقديم تسريع كبير لخط أنابيب التشخيص الحالي (أي من 10 دقائق للفحص اليدوي إلى بضع ثوانٍ للفحص التلقائي).

1. الإضاءة المكتسبة بشكل متكيف لتصنيف العينة الأمثل

يستخدم منهج الاستشعار المتعلم الموضح أعلاه شبكة عصبية تلافيفية لإنشاء إعدادات محسّنة للأجهزة. هنا ، قمنا بتحويل تحسين الأجهزة إلى عملية ديناميكية ، حيث نهدف إلى تعليم المجهر كيفية القيام بذلك يتفاعل مع العينة لأنها تلتقط صورًا متعددة. للقيام بذلك ، لجأنا إلى خوارزمية التعلم المعزز التي تتعامل مع المجهر كعامل ، والتي يمكنها اتخاذ قرارات ديناميكية (كيف يجب أن أضيء العينة بعد ذلك؟ كيف يمكنني تغيير موضع العينة؟ كيف يمكنني تصفية الضوء المتناثر الناتج؟ ؟) أثناء عملية التقاط الصورة.


الحلول الحاسوبية للمشاكل البيولوجية

غالبًا ما تتعاون شين جاو (إلى اليسار) مع عالم الأحياء البنيوية ستيفان أرولد. أدى أحدث مشاريعهم إلى خط أنابيب حسابي يمكن أن يساعد شركات الأدوية على اكتشاف أهداف بروتينية جديدة للأدوية الحالية المعتمدة. الائتمان: كاوست

يعد إنتاج مخرجات بحثية ذات حداثة وإسهامات حسابية ، فضلاً عن الأهمية والتأثيرات البيولوجية ، حافزًا رئيسيًا لعالم الكمبيوتر Xin Gao. شهدت مجموعته في كاوست انفجارًا مؤخرًا في منشوراتها. منذ 1 يناير 2018 ، أنتجوا 27 بحثًا ، بما في ذلك 11 منشورًا في أكبر ثلاث مجلات في علم الأحياء الحسابي وسبعة قدمت في أفضل مؤتمرات الذكاء الاصطناعي والمعلوماتية الحيوية.

أصل جاو من الصين ، وانضم إلى جامعة الملك عبدالله للعلوم والتقنية في عام 2010 بعد أن أمضى فترة مع جامعة واترلو في كندا وزمالة مرموقة في جامعة كارنيجي ميلون في الولايات المتحدة ، تتعاون مجموعته عن كثب مع العلماء التجريبيين لتطوير طرق حسابية جديدة لحل المشكلات الرئيسية المفتوحة في علم الأحياء والطب ، هو يوضح. "نحن نعمل على بناء نماذج حسابية ، وتطوير تقنيات التعلم الآلي ، وتصميم خوارزميات فعالة وفعالة. ويتراوح تركيزنا من تحليل تسلسل الأحماض الأمينية للبروتين إلى تحديد هياكلها ثلاثية الأبعاد إلى شرح وظائفها وفهم سلوكها والتحكم فيه في بيولوجيا معقدة. الشبكات "، كما يقول.

يصف جاو ثلث أبحاث معمله بأنها تعتمد على المنهجية ، حيث تقوم المجموعة بتطوير النظريات وتصميم الخوارزميات وتقنيات التعلم الآلي. الثلثان الآخران مدفوعان بالمشاكل والبيانات. أحد الأمثلة على بحثه القائم على المنهجية هو العمل 1 على تحسين عامل المصفوفة غير السلبي (NMF) ، وهي أداة لتقليل الأبعاد وتمثيل البيانات مكونة من مجموعة من الخوارزميات التي تحلل مجموعة بيانات معقدة معبرًا عنها في شكل مصفوفة.

يستخدم NMF لتحليل العينات حيث توجد العديد من الميزات التي قد لا تكون جميعها مهمة لغرض الدراسة. يقوم بتقسيم البيانات لعرض الأنماط التي يمكن أن تشير إلى الأهمية. قام فريق Gao بتحسين NMF من خلال تطوير الحد الأقصى للمسافة NMF (MMDNMF) ، والتي تمر عبر كمية كبيرة جدًا من البيانات لتكون قادرة على إبراز الميزات عالية الترتيب التي تصف العينة بشكل أكثر كفاءة.

لإثبات نهجهم ، طبق فريق Gao هذه التقنية على الوجوه البشرية ، باستخدام صور 11 شخصًا بتعبيرات مختلفة. تم التعامل مع كل صورة على أنها عينة تحتوي على 1024 ميزة. بعد تدريب MMDNMF على استخلاص البيانات لتمثيل ميزات كل وجه ، يمكنه تعيين أي صورة للوجه بالأبيض والأسود بشكل أكثر دقة مما يمكن القيام به باستخدام NMF التقليدي.

فتح صندوق باندورا في علم الأحياء

لدى جاو العديد من التعاونات الناجحة مع باحثي كاوست ، لكنه يقول إن أحد أكثرها نجاحًا هو مع عالم الأحياء البنيوية ستيفان أرولد.

لقد عملوا معًا في العديد من المشاريع ، بما في ذلك مشروع أدى إلى خط أنابيب حسابي يمكن أن يساعد شركات الأدوية على اكتشاف أهداف بروتينية جديدة للأدوية الحالية المعتمدة.

يشرح جاو قائلاً: "تعد عملية إعادة وضع الأدوية ذات قيمة تجارية وعلمية". "يمكن أن يقلل الوقت اللازم لتطوير الأدوية من عشرين إلى ستة أعوام ، والتكاليف من حوالي 2 مليار دولار أمريكي إلى 300 مليون دولار أمريكي. تقدر المعاهد الوطنية للصحة في الولايات المتحدة أن 70 بالمائة من الأدوية في السوق يمكن أن تكون أعيد وضعه للاستخدام في أمراض أخرى ".

اكتشف جاو أن طرق تغيير موضع الدواء تواجه العديد من التحديات: فهي تعتمد على كميات محدودة جدًا من المعلومات وتركز عادةً على دواء أو مرض واحد ، مما يؤدي إلى نتائج غير ذات دلالة إحصائية.

ومع ذلك ، يمكن لخط أنابيب Gao الحسابي دمج مصادر متعددة للمعلومات حول الأدوية الحالية وأهداف البروتين المعروفة لمساعدة الباحثين على اكتشاف أهداف جديدة.

تم اختبار النموذج لقدرته على التنبؤ بأهداف عدد من الأدوية والجزيئات الصغيرة ، بما في ذلك مستقلب معروف في الجسم يسمى أنزيم A (CoA) ، وهو أمر مهم في العديد من التفاعلات البيولوجية ، بما في ذلك تخليق وأكسدة الأحماض الدهنية. وتوقعت 10 أهداف بروتينية غير معروفة سابقًا لـ CoA. اختار جاو المركزين الأولين: ثم اختبر Arold وزملاؤه لمعرفة ما إذا كانوا قد تفاعلوا بالفعل مع CoA.

تحقق التعاون من تنبؤات Gao ، ويتم الآن تسجيل براءات الاختراع لخط الأنابيب الحسابي في العديد من البلدان. يمكن في النهاية أن يتم ترخيصه لشركات الأدوية لتمكين الأدوية المعتمدة بالفعل لاستخدامها في علاج أمراض أخرى. يمكن أن تساعد الطريقة أيضًا شركات الأدوية على فهم الأساس الجزيئي لسميات الأدوية والآثار الجانبية.

يقول أرولد: "ما يجعل تعاوننا متآزرًا للغاية هو أن مجالات خبرتنا توفر الحد الأدنى من التداخل اللازم لفهم بعضنا البعض دون خلق التكرار". "إنه يجلب الجانب الحسابي وأنا أحضر الجانب التجريبي إلى الطاولة. عوالمنا تلمس ، لكن لا تتداخل. نقاشاتنا تكمل بعضها البعض بطريقة محفزة للغاية ، دون التعثر في الكثير من العقبات الدلالية."

يتضمن التعاون الآخر بين Gao و Arold تعزيز تحليل البيانات التي تم جمعها بواسطة المجهر الإلكتروني. يوضح Arold أنه على الرغم من التقدم الكبير في أجهزة وبرامج المجهر الإلكتروني - مما يسمح باستخدامها لتحديد الهياكل ثلاثية الأبعاد للبروتينات والجزيئات الحيوية الأخرى - لا يزال تحليل بياناتها بحاجة إلى التحسين. يطور Gao و Arold طرقًا لتقليل الضوضاء وبالتالي تحسين دقة الصور المجهرية الإلكترونية للجزيئات الجزيئية الحيوية المعقدة.

كما أنهم يطورون عمليات يمكنها أتمتة تفسير المتغيرات الجينية وتعزز عملية تعيين الوظائف للجينات. "إذا وضعتنا معًا في غرفة لأكثر من 15 دقيقة ، فربما نتوصل إلى فكرة جديدة!" يقول أرولد.

تحسين التقنيات الحالية

تتضمن الأبحاث الأخرى التي أجراها فريق Gao نهجًا حسابيًا يمكنه محاكاة تقنية التسلسل الجيني تسمى تسلسل Nanopore. يمكن لـ Gao's DeepSimulator3 تقييم البرامج النهائية المطورة حديثًا في تسلسل nanopore. يمكنه أيضًا توفير الوقت والموارد من خلال عمليات المحاكاة التجريبية ، مما يقلل من الحاجة إلى تجارب حقيقية.

كما طور فريقه مؤخرًا طريقة Gracob4 ، وهي طريقة تستخدم لفحص المعلومات الجينية وتحديد المسارات التي يتم تشغيلها في الكائنات الحية الدقيقة من خلال الظروف المجهدة ، مثل التغيرات في الحموضة أو درجة الحرارة أو التعرض للمضادات الحيوية. يمكن أن يحدد هذا الجينات التي يمكن الاستغناء عنها في ظل الظروف العادية ولكنها ضرورية عند الضغط على الكائنات الحية الدقيقة.


تغذية الخوارزميات الجائعة

يستخدم علماء الأحياء في برود وفي أماكن أخرى التعلم الآلي بشكل متزايد لأنه يمكن أن يلتقط الأنماط والروابط الدقيقة في البيانات التي فاتتها الأدوات التقليدية. ينشئ الباحثون نموذجًا للتعلم الآلي من خلال تدريبه على مجموعات البيانات ، مما يسمح له ببناء علاقات إحصائية بين البيانات ثم استخدام هذه العلاقات لعمل تنبؤات عندما يتم سحقها من خلال مجموعات البيانات الجديدة.

تأتي هذه الخوارزميات في أنواع مختلفة. يتطلب التعلم الآلي الخاضع للإشراف مجموعات بيانات مشروحة بمعلومات تهيئ الكمبيوتر لاكتشاف علاقة الاهتمام. على النقيض من ذلك ، تهدف خوارزميات التعلم الآلي غير الخاضعة للإشراف إلى العثور على أنماط في البيانات غير المشروطة دون أن يُطلب منك البحث عن أي شيء على وجه الخصوص.


التصنيف والتنبؤ في علم الأحياء الدقيقة

التنبؤ بالأنواع الميكروبية

هناك نوعان رئيسيان من الكائنات الحية الدقيقة (Maiden et al. ، 1998) ، أحدهما به مورفولوجيا غير خلوية (Yeom and Javidi ، 2006) ، مثل الفيروسات ، والآخر به مورفولوجيا خلوية يمكن تقسيمها إلى نوعين ، أحدهما منها بدائيات النوى (Weinbauer ، 2010) ، مثل العتائق و eubacteria ، والأخرى هي حقيقيات النوى (Nowrousian ، 2010) ، مثل الفطريات والطحالب وحيدة الخلية. الكائنات الحية الدقيقة المختلفة لها خصائص مختلفة ، لذلك من المهم التعرف على الكائنات الحية الدقيقة بشكل صحيح. هناك طريقتان رئيسيتان لتحديد الكائنات الحية الدقيقة. في إحداها ، يتم تحديد أنواع الكائنات الحية الدقيقة غير المعروفة بهدف تصنيفها بناءً على مجالها ، والمملكة ، والشعبة ، والفئة ، والترتيب ، والجنس العائلي ، والأنواع. في الآخر ، الهدف هو تحديد ما إذا كانت الكائنات الحية الدقيقة غير المعروفة تنتمي إلى نوع معين أم لا. على سبيل المثال ، يمكننا تحديد ما إذا كان الكائن الدقيق غير المعروف هو فيروس أم لا ، أو بشكل أكثر تحديدًا ، ما إذا كان فيروسًا معينًا. في هذا القسم ، سنقدم الدراسات الحديثة التي استخدمت أساليب التعلم الآلي للتنبؤ بالكائنات الحية الدقيقة.

في الدراسة (مورالي وآخرون ، 2018) ، صنف المؤلفون أنواعًا معينة من الكائنات الحية الدقيقة باستخدام IDTAXA ، والتي استخدمت وظيفتي LearnTaxa و IdTaxa. كلتا هاتين الوظيفتين هي جزء من حزمة R DECIPHER ، والتي تم إصدارها بموجب ترخيص GPLv3 كجزء من Bioconductor ، والتي توفر أدوات لتحليل وفهم البيانات الجينومية عالية الإنتاجية. تحاول وظيفة LearnTaxa إعادة تصنيف كل تسلسل تدريب إلى تصنيفها الموسوم باستخدام طريقة تُعرف باسم شجرة النسب ، والتي تشبه شجرة القرار ، وهي خوارزميات ML الشائعة. يستخدم IdTaxa الكائنات التي يتم إرجاعها بواسطة LearnTaxa وتسلسل الاستعلام كبيانات إدخال. يقوم هذا النظام بإرجاع نتائج التصنيف لكل تسلسل في النموذج التصنيفي ويوفر الثقة ذات الصلة لكل مستوى. إذا لم تصل الثقة إلى القيمة المطلوبة ، مما يشير إلى أنه لا يمكن إجراء التصنيف بدقة على هذا المستوى. قد يؤدي تصنيف IdTaxa إلى استنتاجات مختلفة في الدراسات الميكروبيولوجية. على الرغم من أن سوء التصنيف صغير ، إلا أن العديد من حالات سوء التصنيف المتبقية قد تكون ناتجة عن أخطاء في التصنيف المرجعي. Fiannaca et al. (2018) طريقة لتحديد تسلسل القراءة القصيرة 16S بناءً على ك-مره وعميق التعلم. وفقًا لنتائجهم ، يمكن للطريقة تصنيف بيانات كل من بندقية 16S (SG) و amplicon (AMP) جيدًا.

من المهم تحديد تسلسل جرثومي معين في عينات ميتاجينوميات مختلطة. في الوقت الحاضر ، تُستخدم طرق التشابه القائمة على الجينات بشكل شائع لتصنيف الكائنات بدائية النواة والكائنات المضيفة من عينات مختلطة ، ومع ذلك ، فإن هذه التقنيات لديها ضعف كبير. لذلك ، تم إجراء العديد من الدراسات لتحديد طرق أفضل لتحديد الكائنات الحية الدقيقة المحددة. Amgarten et al. اقترح (2018) أداة تعرف باسم MARVEL للتنبؤ بتسلسل عاثيات الحمض النووي مزدوج الشريطة في علم الميتاجينوميات. تستخدم MARVEL طريقة RF ، مع مجموعة بيانات تدريبية تتكون من 1،247 فجًا و 1029 جينومًا بكتيريًا ومجموعة بيانات اختبار تتكون من 335 بكتيريا و 177 جينومًا. اقترح المؤلفون ست ميزات لتحديد العاثيات ، ثم استخدموا الغابات العشوائية لتحديد الميزات ووجدوا أن ثلاث ميزات توفر مزيدًا من المعلومات (Grazziotin et al. ، 2017). رن وآخرون. (2017) طور VirFinder ، وهي طريقة تعلم تعتمد على ك-mer للتعرف على مجموعة تداخل الفيروسات التي تتجنب عمليات البحث عن التشابه الجيني. يقوم VirFinder بتدريب نموذج ML من خلال متواليات فيروسية وغير فيروسية (مضيف بدائية النواة) لاكتشاف خصوصية الفيروس كترددات امر. تم تدريب النموذج على الجينومات المضيفة والفيروسية قبل 1 يناير 2014 ، وتألفت مجموعة الاختبار من التسلسلات التي تم الحصول عليها بعد 1 يناير 2014. يعتمد VirSorter (Roux et al. ، 2015) على الاعتماد المرجعي والاستقلال المرجعي في أنواع مختلفة لبيانات التسلسل الجرثومي لتحديد الإشارة الفيروسية. أظهرت النتائج التجريبية أن VirSorter يتمتع بأداء جيد ، خاصةً في التنبؤ بالتسلسل الفيروسي خارج جينوم المضيف.

تصنف الطرق المذكورة أعلاه الكائنات الحية الدقيقة على وجه التحديد وفقًا للاحتياجات المختلفة. عندما نريد معرفة معلومات تصنيف الكائنات الحية الدقيقة ، يمكننا استخدام الطريقة التي اقترحها مورالي وآخرون. (2018). علاوة على ذلك ، يمكن لـ MARVEL و VirSort و VirFinder تحديد أنواع معينة من الكائنات الحية الدقيقة. وفقًا لـ Amgarten et al. (2018) ، فإن هذه الطرق الثلاث لها أداء مشابه فيما يتعلق بالخصوصية ، لكن لدى MARVEL أداء استرجاع (حساسية) أفضل. قمنا بتجميع المواد اللازمة لتنفيذ الأساليب المذكورة أعلاه ، والتي تظهر في الجدول 1.

الجدول 1. البيانات والمواد المتاحة للتنبؤ بالأنواع الميكروبية.

التنبؤ بالأنماط الظاهرية البيئية والمضيف

مع تطوير الجيل التالي من الحمض النووي والتسلسل عالي الإنتاجية ، تم إنشاء مجال جديد من علم الأحياء الدقيقة. يتمثل البحث الرئيسي في هذا المجال في ربط المجموعات الميكروبية بالأنماط الظاهرية والبيئات البيئية ، والتي يمكن أن توفر دعمًا مناسبًا لتفشي الأمراض والطب الدقيق (أطلس وبارتا ، 1981). من المعروف أن بعض الكائنات الحية الدقيقة طفيلية وأن البيئة المحيطة والخلايا المضيفة لها تأثير مهم على السكان الميكروبيين. تؤدي الاختلافات في توافر المغذيات والظروف البيئية إلى اختلافات في المجتمعات الميكروبية (موران ، 2015). نظرًا لأن الكائنات الحية الدقيقة يمكنها تبادل المعلومات مع البيئة المحيطة والخلايا المضيفة ، يمكننا التنبؤ بالأنماط الظاهرية البيئية والمضيف بناءً على الكائنات الحية الدقيقة الموجودة (Xie et al. ، 2018). يوفر هذا فهمًا أكثر شمولاً للبيئة والمضيف ، حتى نتمكن من استخدام البيئة بشكل أفضل وحماية المضيف. تم إجراء العديد من الدراسات مؤخرًا للتنبؤ بالأنماط الظاهرية البيئية والمضيف باستخدام الكائنات الحية الدقيقة. في هذا القسم ، نقدم هذه الدراسات.

أصغري وآخرون. (2018) استخدم تمثيل عينة فرعية ضحلة بناءً على ك-التعلم العميق والعميق ، والغابات العشوائية ، و SVMs للتنبؤ بالأنماط الظاهرية البيئية والمضيف من تسلسل الجينات 16S rRNA باستخدام نظام MicroPheno. وجدوا أن تمثيل العينة الفرعية الضحلة على أساس ك-mer يتفوق على OTU من حيث التعرف على موقع الجسم والتنبؤ بمرض Crohn & # x2019s. بالإضافة إلى ذلك ، فإن طريقة التعلم العميق أفضل من RF و SVM لمجموعات البيانات الكبيرة. لا يمكن لهذه الطريقة تحسين الأداء فحسب ، بل تتجنب أيضًا فرط التجهيز. علاوة على ذلك ، يمكن أن تقلل من وقت المعالجة المسبقة. ستاتنيكوف وآخرون (2013) استخدم OTUs كميزة إدخال وعالج البيانات على النحو التالي. أولاً ، قام المؤلفون بتسلسل الحمض النووي الأصلي ، وبعد ذلك أزالوا تسلسل الحمض النووي البشري وحددوا وحدات OTU بناءً على التسلسل الميكروبي. بعد ذلك ، قاموا بتحديد الوفرة النسبية لجميع التسلسلات التي تنتمي إلى كل OTU. استخدم المؤلفون SVM وانحدار kernel ridge والانحدار اللوجستي المنظم والانحدار اللوجستي Bayesian وطريقة KNN وطريقة RF والشبكات العصبية الاحتمالية ذات المعلمات ووظائف النواة المختلفة. بشكل عام ، قاموا بالتحقيق في 18 طريقة ML. بالإضافة إلى ذلك ، استخدموا خمس طرق لاستخراج الميزات. أظهرت النتائج التجريبية أن RF ، SVM ، انحدار النواة ومنطق بايزي باستخدام الانحدار المسبق لابلاسيان قدم أداءً أفضل. بناءً على أبحاثهم ، يمكن استخدام الكائنات الحية الدقيقة في جلد الإنسان التي تم جمعها من الأشياء التي تم لمسها لتحديد الفرد الذي نشأت منه. في هذا العمل ، استخدم المؤلف مجموعة متنوعة من طرق التصنيف وتقليل الأبعاد لاستكشاف تأثيرات كل طريقة. إنه مفيد جدًا للعمل التالي ، والذي يوفر مقارنة شاملة. شميدس وآخرون. (2018) استخدم المجتمع الميكروبي لتحديد الطب الشرعي. في دراستهم ، طوروا hidSkinPlex ، وهي طريقة تسلسل مستهدفة جديدة باستخدام علامات ميكروبيوم الجلد التي تم تطويرها لتحديد هوية الإنسان. في علم الطب الشرعي ، من المهم تقدير وقت الوفاة. جونسون وآخرون. (2016) استخدم انحدار KNN للتنبؤ بالفاصل الزمني بعد الوفاة باستخدام مجموعات البيانات من عينات الأنف والأذن. يشير هذا إلى أن الجراثيم الجلدية يمكن أن تكون أداة مهمة في التحقيق الجنائي في الوفاة. تقليديا ، تتضمن المراقبة البيولوجية البحرية تصنيف اللافقاريات القاعية الكبيرة وتحديدها المورفولوجي ، الأمر الذي يتطلب قدرا كبيرا من الوقت والمال. كوردييه وآخرون (2017) استخدم عملية التمثيل الغذائي لـ eDNA و ML تحت الإشراف لبناء نموذج تنبؤ قوي للرصد القاعي. مويتينهو سيلفا وآخرون. (2017) ، درس النباتات الميكروبية للإسفنج وأثبتت حالة HMA-LMA الخاصة بهم قابلية تطبيق ML لاستكشاف أنماط المجتمع الميكروبية ذات الصلة بالمضيف.

نظرًا لخصوصية المجتمعات الميكروبية ، يمكننا تحديد البيئة والمضيف بشكل أفضل. علاوة على ذلك ، يمكننا الحكم على الظروف البيئية الحالية وحالة بقاء المضيف وفقًا لوجود مجتمع ميكروبي. نلخص مجموعات البيانات والأساليب المتاحة ، الموضحة في الجدول 2.

الجدول 2. البيانات والمواد المتاحة للتنبؤ بالأنماط الظاهرية البيئية والمضيف.

استخدام المجتمعات الميكروبية للتنبؤ بالأمراض

الميكروبيوم مهم لصحة الإنسان والمرض (بورن وآخرون ، 2009). في الواقع ، هناك العديد من المجتمعات الميكروبية في جسم الإنسان. بمجرد أن يختل توازن المجتمع الميكروبي أو تغزو الكائنات الحية الدقيقة الأجنبية ، فمن المرجح أن يمرض جسم الإنسان. على سبيل المثال ، ترتبط المجتمعات الميكروبية المعوية بالسمنة (Ley et al. ، 2006b) والمجتمعات الرئوية المصابة بعدوى رئوية (Sibley et al. ، 2008). بسبب تعقيد هذه المجتمعات ، من الصعب تحديد نوع مجتمعات الميكروبيوم التي تسبب المرض. في الآونة الأخيرة ، حققت العديد من الدراسات في استخدام مجتمعات الميكروبيوم للتنبؤ بالأمراض ، وخاصة التهاب المهبل الجرثومي (سرينيفاسان وآخرون ، 2012 Deng et al. ، 2018) ومرض التهاب الأمعاء (Gillevet et al. ، 2010). من خلال تحليل المجتمعات الميكروبية ، يمكننا فهم المرض بشكل أفضل ثم اتخاذ قرارات فعالة بشأن العلاج. لذلك ، في هذا القسم ، نناقش الدراسات الحالية التي تبحث في استخدام مجتمعات الميكروبيوم للتنبؤ بالأمراض.

التهاب المهبل البكتيري (BV) هو مرض مرتبط بالميكروبيوم المهبلي. استخدم Beck and Foster (2014) الخوارزمية الجينية (GP) ، و RF ، والانحدار اللوجستي (LR) لتصنيف BV وفقًا للمجتمعات الميكروبية. هناك معياران لـ BV ، معيار Amsel ، الذي يمنح التفريغ ، ونفحة ، وخلايا الدليل ، ودرجة الحموضة (Amsel et al. ، 1983) ، ودرجة Nugent ، والتي تعتمد على حساب الخلايا الموجبة للجرام (Nugent et al. ، 1991). مجموعة البيانات في Beck et al. كانت الدراسة من رافيل وآخرون. (2011) وسوجاثا وآخرون. (2012). الطريقة في الورقة (Beck and Foster ، 2014) أولاً تصنف BV وفقًا للجراثيم المهبلية والعوامل البيئية ذات الصلة ، ثم تحدد المجتمع الميكروبي الأكثر أهمية للتنبؤ بالتهاب المهبل البكتيري.

يعتمد استخراج السمات الهرمي على تصنيف الميكروبات من ممالك إلى أنواع. ستؤدي خوارزمية اختيار ميزة التقسيم الطبقي الحالية إلى فقدان المعلومات ، وعادة ما تكون معلومات التقسيم الطبقي لبعض متواليات الرنا الريباسي 16S غير مكتملة ، مما يؤثر على التصنيف. لذلك ، اقترح Oudah and Henschel (2018) طريقة تُعرف باسم هندسة الميزات الهرمية (HFE) لتحديد سرطان القولون والمستقيم (CRC). To accomplish this, they used RF, decision trees and the NB method to classify a dataset of Next Generation Sequencing based 16S rRNA sequences provided by metagenomics studies. This method is good for processing datasets with high dimensional features. Moreover, the available dataset and method are in https://github.com/HenschelLab/HierarchicalFeatureEngineering.

In another study (Wisittipanit, 2012), the author focused on predicting inflammatory bowel disease. In that study, patients with Crohn’s disease and ulcerative colitis were compared with healthy controls to identify differences between the mucosa and lumen in different intestinal locations. The author used the Relief algorithm (Kira and Rendell, 1992) to select features, and Metastats (White et al., 2009) to detect differential features. Finally, the author used KNN and SVM as classifiers to perform disease specificity and site specificity analysis.

In this section, we discuss using microorganisms to predict different diseases. Beck and Foster (2014) predicted BV according to the microorganisms and the diagnosis standard of BV. HFE identified the CRC according to the OTU ID and the taxonomy information. Wisittipanit proposed a method to predict Crohn’s disease, based on OTU and feature selection method. The above methods used different ideas to predict diseases by using microorganisms and obtained good results. This indicates that some diseases affect human colonies. According to these colony changes, we can not only predict the disease, but also treat the disease according to the colony condition, which is a direction for future research.


Machine learning applications in cell image analysis

Dr A Kan, Division of Immunology, The Walter and Eliza Hall Institute of Medical Research, 1G Royal Parade, Parkville, Victoria 3052, Australia. E-mail: [email protected] Search for more papers by this author

Division of Immunology, The Walter and Eliza Hall Institute of Medical Research, Parkville, Victoria, Australia

Department of Medical Biology, The University of Melbourne, Parkville, Victoria, Australia

Dr A Kan, Division of Immunology, The Walter and Eliza Hall Institute of Medical Research, 1G Royal Parade, Parkville, Victoria 3052, Australia. E-mail: [email protected] Search for more papers by this author

الملخص

Machine learning (ML) refers to a set of automatic pattern recognition methods that have been successfully applied across various problem domains, including biomedical image analysis. This review focuses on ML applications for image analysis in light microscopy experiments with typical tasks of segmenting and tracking individual cells, and modelling of reconstructed lineage trees. After describing a typical image analysis pipeline and highlighting challenges of automatic analysis (for example, variability in cell morphology, tracking in presence of clutters) this review gives a brief historical outlook of ML, followed by basic concepts and definitions required for understanding examples. This article then presents several example applications at various image processing stages, including the use of supervised learning methods for improving cell segmentation, and the application of active learning for tracking. The review concludes with remarks on parameter setting and future directions.


Machine learning and microscopy

With recent advances in machine learning (ML), an increasing number of scientists have been implementing ML techniques in image-based studies in biology and medicine, with the growing complexity of microscopic images providing an opportunity for computer aid in these fields. Machine learning helps speed up tasks, and with how time-consuming it can be to take information from images at different scales, all with different morphology and levels of noise, utilising algorithms can help automatically detect patterns in images and cells themselves.

Machine learning is a subset of artificial intelligence in which an algorithm learns from data and finds patterns and relationships. When observing cells, researchers typically use fluorescent tagging or stains to identify characteristics of a cell. In 2018, using a computer model to focus on details without using markers, an algorithm was able to correctly differentiate between smaller structures. To create an algorithm with high accuracy, a large amount of data is required to train models, and this had to be done with a lot of manual annotation. This helped with developing a neural network that could distinguish between cell types, label them down to where neurons’ bodies ended and their axons and dendrites began, and distinguish dead cells from living ones.

In addition to labelling, another area in which implementing ML models has been proven useful is in removing noise from microscopic images. Noise is caused by insufficient light, causing the graininess we often see in photographs taken at night. There will always be noise in photographs and some cannot be avoided. However, although algorithms to remove noise have been used for years, using deep learning models produces results that are far more effective.

Self-supervised learning is where the network is forced to learn what data has been withheld in order to solve a problem. Normally, with supervised learning, the machine knows what is looking for because it has been trained with images that have clean versions. However with self-supervised learning, researchers have to try using algorithms that train themselves. The outputs from these models look good, but that does not mean they are real.

The primary concern when using models is often whether data is being changed and the number of mistakes being made. With the labelling models, biologists consistently check computers’ work to ensure that structures have been defined accurately. In these scenarios, the original image is not changed, but another layer is added on top. With de-noising algorithms, the image has been modified to produce a cleaner result. If the noise in the original image is stronger, then these changes will be more pronounced. In one project, researchers were attempting to remove blur but rather than doing so, the algorithm simply picked up the pattern of stripes in the original images and removed any stripes in new images it had to de-noise, although this was fixed by adding training data.

There are now an increasing number of repositories containing different algorithms by researchers to de-noise images and in other areas like segmentation and classification. Neural networks are now being used in mapping brain tumours, studying RNA localisation and electron microscopy. As these models continue to develop in complexity and accuracy, and researchers continue to share results and work on algorithms together, we can already see how beneficial implementing AI in research can be.


Machine learning applications in cell image analysis

Machine learning (ML) refers to a set of automatic pattern recognition methods that have been successfully applied across various problem domains, including biomedical image analysis. This review focuses on ML applications for image analysis in light microscopy experiments with typical tasks of segmenting and tracking individual cells, and modelling of reconstructed lineage trees. After describing a typical image analysis pipeline and highlighting challenges of automatic analysis (for example, variability in cell morphology, tracking in presence of clutters) this review gives a brief historical outlook of ML, followed by basic concepts and definitions required for understanding examples. This article then presents several example applications at various image processing stages, including the use of supervised learning methods for improving cell segmentation, and the application of active learning for tracking. The review concludes with remarks on parameter setting and future directions.


Machine learning tool improves tracking of tiny moving particles

Scientists have developed an automated tool for mapping the movement of particles inside cells that may accelerate research in many fields, a new study in eLife reports.

Beyond manual tracing: An artist's impression of a deep neural network trained to recognise particle motion in space-time representations. Credit: Eva Pillai.

The movements of tiny molecules, proteins and cellular components throughout the body play an important role in health and disease. For example, they contribute to brain development and the progression of some diseases. The new tool, built with cutting-edge machine learning technology, will make tracking these movements faster, easier and less prone to bias.

Currently, scientists may use images called kymographs, which represent the movement of particles in time and space, for their analyses of particle movements. These kymographs are extracted from time-lapse videos of particle movements recorded using microscopes. The analysis needs to be done manually, which is both slow and vulnerable to unconscious biases of the researcher.

“We used the power of machine learning to solve this long-standing problem by automating the tracing of kymographs,” says lead author Maximilian Jakobs, a PhD student in the Department of Physiology, Development and Neuroscience at the University of Cambridge, UK.

The team developed the software, dubbed ‘KymoButler’, to automate the process. The software uses deep learning technology, which tries to mimic the networks in the brain to allow software to learn and become more proficient at a task over time and multiple attempts. They then tested KymoButler using both artificial and real data from scientists studying the movement of an array of different particles.

“We demonstrate that KymoButler performs as well as expert manual data analysis on kymographs with complex particle trajectories from a variety of biological systems,” Jakobs explains. The software could also complete analyses in under one minute that would take an expert 1.5 hours.

KymoButler is available for other researchers to download and use at kymobutler.deepmirror.ai. Senior author Kristian Franze, Reader in Neuronal Mechanics at the University of Cambridge, expects the software will continue to improve as it analyses more types of data. Researchers using the tool will be given the option of anonymously uploading their kymographs to help the team continue developing the software.

“We hope our tool will prove useful for others involved in analysing small particle movements, whichever field they may work in,” says Franze, whose lab is devoted to understanding how physical interactions between cells and their environment shape the development and regeneration of the brain.


شاهد الفيديو: كيف تكتشف انك مصاب بالسكر وبطريقه سهله وبسيطه (شهر نوفمبر 2022).