تخيل أنك محقق يحاول حل مسرح جريمة ضخم، ولكن بدلاً من بضعة أدلة، لديك غرفة مليئة بآلاف الملاحظات والصور وبصمات الأصابع المبعثرة. في عالم البيولوجيا، "مسرح الجريمة" هذا هو خلية واحدة من جسدك، و"الملاحظات" هي آلاف الجينات داخلها. بدأ العلماء مؤخرًا في استخدام نوع من العقول الحاسوبية يسمى الترانسفورمر (Transformer) لقراءة هذه الملاحظات. فكر في "الترانسفورمر" كأنه أمين مكتبة فائق الذكاء يقرأ كل كتاب في المكتبة ليفهم قصة ما. إنه بارع في إيجاد الروابط، ولكنه أيضًا بطيء للغاية ومكلف لأنه يعامل كل كتاب بنفس القدر من الاهتمام، حتى لو كانت معظمها مجرد صفحات فارغة أو إعلانات غير ذات صلة.

السؤال الكبير هو: كيف نجعل أمين المكتبة هذا أكثر ذكاءً وسرعة؟ نحن نعلم أنه في أي خلية، هناك حفنة صغيرة فقط من الجينات هي التي تقوم بالعمل الشاق فعليًا لإخبارنا ما إذا كان الشخص سليمًا أم مريضًا. البقية ليست سوى ضجيج في الخلفية. إذا استطاع الكمبيوتر تعلم تجاهل الكتب المملة وقضاء وقت إضافي في قراءة الكتب المهمة، فسيكون أكثر كفاءة بكثير. وهنا يأتي دور فكرة جديدة تسمى خليط التكرارات (Mixture-of-Recursions - MoR). تخيل MoR كأنه نظام يسمح لأمين المكتبة باختيار قراءة كتاب واحد، مرتين، أو حتى عشر مرات، اعتمادًا على مدى إثارته للاهتمام. لكن هناك عقبة: بدون أي مساعدة خارجية، لا يعرف أمين المكتبة في الواقع أي الكتب مهمة؛ إنه يخمن بناءً على النص وحده.

هذا بالضبط ما يعالجه بحث bioMoR. فقد تساءل الباحثون، كوشيك هاولدر وفريقه: "ماذا لو أعطينا أمين المكتبة خريطة للمكتبة؟" لقد بنوا نظامًا جديدًا لا يكتفي بمجرد التخمين بشأن الجينات المهمة، بل يستخدم خريطة موجودة مسبقًا لكيفية عمل الجينات معًا في العالم الحقيقي. ووجدوا أنه من خلال تغذية عملية اتخاذ القرار في الكمبيوتر مباشرة بهذه "الخريطة" البيولوجية، يصبح النموذج محققًا أفضل بكثير. فهو لا يكتفي فقط بتحسين التنبؤ بالأمراض، بل يستخدم أيضًا طاقة حاسوبية أقل بشكل ملحوظ، مما يثبت أن معرفة قواعد البيولوجيا تساعد الكمبيوتر على التعلم بشكل أسرع وأذكى.

المشكلة: أمين المكتبة المرهق

في الماضي، بنى العلماء نماذج حاسوبية لتحليل الجينات، لكنهم عاملوا كل جين بنفس الطريقة. الأمر يشبه معلمًا يصحح مقالاً مكونًا من 1000 صفحة عبر قضاء نفس الوقت تمامًا في قراءة كل كلمة، حتى الكلمات التي تقول "السماء زرقاء" أو "و ثم". في البيولوجيا، نحن نعلم أن عددًا قليلًا من الجينات المحددة (تسمى "الجينات العلامة") أو مجموعات من الجينات (تسمى "المسارات") هي النجوم الحقيقية للعرض. فهي التي تقرر ما إذا كانت الخلية خلية رئة سليمة أم خلية سرطانية.

ومع ذلك، تستهلك النماذج الحاسوبية القياسية قدرًا هائلاً من الطاقة في قراءة الأجزاء المملة. كما أنها تغفل حقيقة أن الجينات لا تعمل في عزلة؛ بل تعمل في فرق. إذا كان الجين (أ) يتحدث إلى الجين (ب)، فيجب على الكمبيوتر أن يعرف أنهما مرتبطان. لكن النماذج القديمة لم تكن تمتلك هذه المعلومات المتعلقة بـ "الشبكة الاجتماعية" مدمجة فيها. لقد كانت "متحيزة للبيانات" (biology-agnostic)، مما يعني أنها كانت عمياء عن العلاقات الفعلية بين الجينات.

الحل: bioMoR، المحقق الموجه

قدم المؤلفون bioMoR (خليط التكرارات الموجه بيولوجيًا). لفهم كيفية عمله، دعونا نعود إلى تشبيه أمين المكتبة الخاص بنا.

1. الخريطة (المعرفة البيولوجية): قبل أن يبدأ أمين المكتبة في القراءة، يمنحه bioMoR خريطة. توضح هذه الخريطة أي الجينات أصدقاء، وأيها يعمل في نفس الفريق (المسارات)، وأيها يتحدث مع الآخرين. تعتمد هذه الخريطة على بيانات علمية حقيقية حول كيفية تفاعل الجينات.
2. تنعيم الملاحظات (تنعيم التضمين - Embedding Smoothing): عندما يلتقط أمين المكتبة ملاحظة (جينًا)، فإنه لا يقرأها بمعزل عن غيرها. بل ينظر إلى الخريطة ويقول: "أوه، هذا الجين صديق لهؤلاء الثلاثة الآخرين. دعني أمزج أفكارهم معًا لفهم هذه الملاحظة بشكل أفضل". يساعد هذا في تنظيف الضجيج ويجعل "صوت" الجين أكثر وضوحًا.
3. الموجه الذكي (العمق التكيفي): هذا هو الجزء السحري. بينما يقرأ أمين المكتبية، يتعين عليه أن يقرر: "هل أحتاج لقراءة هذه الملاحظة مرة أخرى؟ هل أحتاج لقراءتها ثلاث مرات إضافية؟". في النماذج القديمة، كان هذا القرار مجرد تخمين عشوائي. في bioMoR، ينظر أمين المكتبة إلى الخريطة مرة أخرى. إذا كان الجين جزءًا من فريق حاسم (مثل مسار معروف بمحاربة السرطان)، يقول الموجه: "هذا مهم! لنمنحه اهتمامًا إضافيًا ونقرأه بعمق أكبر". أما إذا كان الجين مجرد ضجيج في الخلفية، فيقول الموجه: "لقد قرأنا هذا بما يكفي، فلننتقل لما بعده".

تحدث هذه العملية في ثلاثة أماكن محددة في دماغ الكمبيوتر:

• في البداية: لتنظيف الوصف الأولي للجين.
• أثناء القراءة: للتأكد من أن الجينات ذات الصلة تنتبه لبعضها البعض.
• عند نقطة القرار: لتقرير عدد مرات إعادة قراءة الجين.

النتائج: أذكى، أسرع، وأرخص

اختبر الفريق نموذج bioMOr على ثماني مجموعات بيانات مختلفة، تتراوح من بيانات الخلية الواحدة (النظر إلى الخلايا الفردية) إلى بيانات السرطان المعقدة من آلاف المرضى. وقارنوا نظامهم الجديد بأفضل النماذج الموجودة حاليًا.

كانت النتائج مبهرة. حسن نموذج bioMoR متوسط دقة التنبؤات بمقدار 8.2 نقطة مئوية في مقياس رئيسي واحد (macro-F1) و7.1 نقطة مئوية في مقياس آخر (الدقة المتوازنة) مقارنة بأقوى نموذج غير بيولوجي. لكن الفوز الحقيقي كان في الكفاءة.

• عدد أقل من المعلمات (Parameters): استخدم نموذج bioMoR 75% أقل من المعلمات (الأزرار الداخلية التي يضبطها الكمبيوتر للتعلم) مقارنة بنموذج عميق قياسي.
• طاقة حاسوبية أقل: استخدم ما يصل إلى 58% أقل من العمليات الحسابية (FLOPs) (وهو مقياس للعمليات الرياضية التي يجب على الكمبيوتر القيام بها) مقارنة بنموذج "ترانسفورمر" قياسي لا يتخطى الخطوات.

هذا يعني أن bioMoR ليس فقط أكثر دقة، بل هو أيضًا أرخص في التشغيل. وهو يحقق ذلك من خلال عدم إضاعة الوقت في الجينات التي لا تهم.

"لماذا" وراء "ماذا"

أحد أكثر الأجزاء إثارة في الدراسة هو أن الكمبيوتر لم يكن محظوظًا فحسب؛ بل تعلم بالفعل الأشياء الصحيحة. نظر الباحثون في الجينات والمسارات التي قرر النموذج "قراءتها بعمق أكبر". ووجدوا أن النموذج اختار باستمرار المسارات المعروفة بتورطها في السرطان، مثل إشارات Wnt وإشارات PI3K-Akt، وهي مسارات مشهورة بقدرتها على مساعدة الخلايا السرطانية على الانتشار وغزو الأنسجة الأخرى.

يشير هذا إلى أن النموذج لا يقوم فقط بحفظ الأنماط؛ بل يستخدم الخريطة البيولوجية لمعرفة الأجزاء التي تقود المرض فعليًا في الخلية. إنه يشبه محققًا، بدلًا من التخمين، يستخدم قاعدة بيانات الشرطة ليعرف فورًا المشتبه بهم الأكثر احتمالًا للإدانة.

ما يقوله البحث (وما لا يقوله)

المؤلفون واضحون جدًا بشأن ما أثبتوه. لقد أظهروا أن إضافة المعرفة البيولوجية إلى هذا النوع المحدد من البنية الحاسوبية (MoR) يعمل بشكل أفضل من تجاهلها. وقد أثبتوا ذلك عبر أنواع عديدة من البيانات، من الخلايا الفردية إلى الأورام الكاملة.

ومع ذلك، هم لا يدعون أنهم حلوا جميع مشاكل البيولوجيا. لم يقولوا إن هذا النموذج يمكنه علاج السرطان أو استبدال الأطباء. كما لم يدعوا أن هذه هي الطريقة الوحيدة للقيام بذلك، بل إنها طريقة جديدة فعالة للغاية. يجادل البحث صراحة ضد فكرة أنه يجب علينا معاملة كل جين بنفس الطريقة أو الاعتماد على نماذج حاسوبية لا تعرف شيئًا عن كيفية تفاعل الجينات. لقد أظهروا أن تجاهل البيولوجيا يؤدي إلى إهدار الجهد وانخفاض الدقة.

باخت-الاختصار، يقترح bioMoR أنه عندما نعلم الحواسيب فهم الحياة، لا ينبغي لنا فقط أن نعطيها كومة من الأوراق ونقول لها "اكتشفي الأمر". بل يجب أن نعطيها الكتاب المدرسي، والخريطة، وقواعد اللعبة. وعندما نفعل ذلك، تصبح طلابًا أفضل بكثير، تتعلم بشكل أسرع وترتكب أخطاء أقل.