PathFinder: Joint Decompositions of Linked Multimodal Datasets

إن الدماغ البشري عبارة عن مشهد طبيعي شاسع ومعقد، وقد سعى العلماء منذ زمن طويل لرسم خرائط لأنماطه الخفية. وللقيام بذلك، غالبًا ما يجمعون البيانات من زوايا مختلفة: عبر مسح النشاط الكهربائي للدماغ، أو قياس تدفق الدم، أو حتى النظر في الجينات التي تشكله. كل طريقة من هذه الطرق تنتج شبكة ضخمة من الأرقام، وهي بمثابة لقطة للدماغ من منظور محدد. لسنوات عديدة، استخدم الباحثون أدوات رياضية لتفكيك هذه الشبكات، بحثًا عن الهياكل البسيطة الكامنة التي تتكرر عبر الضجيج. وتعتبر هذه الأدوات قوية لأنها تعتمد كليًا على البيانات؛ فهي لا تحتاج إلى نص مكتوب مسبقًا ليخبرها بما يجب أن تبحث عنه، مما يسمح لها بالكشف عن الروابط الخفية في الأنظمة المعقدة مثل الدماغ. ومع ذلك، ظل هناك عائق كبير قائمًا: فهذه الأدوات تتطلب عمومًا أن تشترك جميع البيانات التي يتم مقارنتها في سمة مشتركة، مثل نفس المجموعة من الأشخاص أو نفس مناطق الدماغ. فإذا حاولت مقارنة دماغ بشري بدماغ قرد، أو إذا كان لديك بيانات لبعض الأشخاص وليس للآخرين، فإن الطرق القياسية غالبًا ما تنهار لأن الشبكات لا تتطابق.

لقد طور فريق من الباحثين في جامعة أكسفورد نهجًا جديدًا لحل هذه المشكلة، وهي طريقة أطلقوا عليها اسم "PathFinder". يعالج عملهم قصورًا جوهريًا في كيفية دمج أنواع مختلفة من بيانات الدماغ. تخيل أنك تحاول حل لغز (أحجية) تأتي قطعه من صناديق مختلفة، وبعض القطع مفقودة تمامًا. الطرق التقليدية ستصر على أن كل قطعة يجب أن تتناسب تمامًا داخل إطار واحد محدد مسبقًا. أما "PathFinder"، فبالمقابل، فهو أكثر مرونة؛ إذ يدرك أنه حتى لو لم تشترك مجموعة البيانات بأكملها في بُعد واحد، فقد تتداخل مجموعات أصغر داخل البيانات. وطالما يوجد سلسلة من الاتصالات — مسار — يربط قطعة من البيانات بأخرى، يمكن للطريقة أن تنسجها جميعًا في صورة واحدة متماسكة. وهذا يسمح للعلماء بإيجاد أنماط مشتركة عبر أنواع مختلفة من الكائنات، أو أنواع مختلفة من عمليات المسح، أو حتى مجموعات البيانات التي ينقصها بعض المعلومات، دون إجبار البيانات على التوافق مع هيكل جامد لا تمتلكه بشكل طبيعي.

أظهر الباحثون قوة هذا الأسلوب الجديد من خلال سلسلة من الاختبارات، بدءًا من المحاكاة الحاسوبية. فقد أنشأوا شبكة من ست مجموعات مختلفة من البيانات، تمثل نوعين من القياسات عبر ثلاث مجموعات مختلفة. وفي اختبارهم، حذفوا عمدًا مجموعتين من هذه البيانات، متظاهرين بأنها مفقودة، وسألوا الخوارزمية عن كيفية تحديد شكل تلك القطع المفقودة بناءً على المجموعات الأربع المتبقية. نجحت الطريقة في إعادة بناء البيانات المفقودة بدقة، بل وتفوقت على التقنيات القديمة عندما كانت البيانات مشوبة بالضجيج. وقد أثبت هذا أن الطريقة لا يمكنها فقط إيجاد الأنماط الموجودة، بل يمكنها أيضًا التنبؤ بما هو غائب، مما يملأ الفراغات في لغز معقد باستخدام منطق القطع المحيطة به.

ولرؤية ما إذا كان هذا سينجح في العالم الحقيقي، طبق الفريق "PathFinder" على مسوحات دماغية حقيقية من مشروع "Human Connectome Project". في إحدى التجارب، نظروا إلى بيانات مهمة بصرية حيث شاهد المشاركون أشكالًا هندسية دوارة (أوتاد) وأشرطة متحركة على الشاشة. كان لديهم تسجيلات لنشاط الدماغ والأنماط البصرية نفسها، منظمة في شبكة من ست جولات. ثم أخفوا نمطًا بصريًا محددًا — وهو الوتد الدوار عكس اتجاه عقارب الساعة — عن الكمبيوتر. وباستخدام بيانات الدماغ والأنماط البصرية الخمسة الأخرى فقط، نجح "PathFinder" في التنبؤ بالنمط البصري المفقود. كانت النتيجة دقيقة للغاية لدرجة أن الصورة المتوقعة طابقت المحفز الفعلي بشكل شبه مثالي. ومع ذلك، عندما حاولوا القيام بنفس الحيلة ولكن مع إزالة نصف بيانات الدماغ، فشل التنبؤ، مما أظهر أن الطريقة تعتمد على امتلاك قدر كافٍ من المعلومات المتصلة لبناء جسر موثوق عبر الفجوات.

كما أظهر الفريق أن "Pathifer" هو إطار عمل عام يمكنه القيام بما تفعله عدة طرق موجودة وأكثر تعقيدًا، ولكن بطريقة أبسط وموحدة. فعلى سبيل المثال، يمكن إعادة إنشاء تقنية شائعة تسمى "التراجع المزدوج" (dual regression)، تُستخدم لرسم خرائط الشبكات الدماغية لدى الأفراد، باستخدام "PathFinder" في خطوة واحدة. وهذا يشير إلى أن "PathFinder" ليس مجرد خدعة جديدة، بل هو مظلة أوسع تندرج تحتها العديد من الطرق السابقة، مما يوفر طريقة أكثر مرونة للتعامل مع البيانات التي لا تتناسب بدقة داخل صندوق واحد.

ولعل التطبيق الأكثر إثارة للاهتمام تضمن دراسة الحلقات في الدماغ التي تربط القشرة بالبنى العميقة مثل المهاد والعصابات القاعدية. تشكل هذه الاتصالات دورة، مثل طريق دائري، حيث تتدفق المعلومات من منطقة إلى أخرى وتعود في النهاية إلى نقطة البداية. استخدم الباحثون بيانات التصوير بالرنين المغناطيسي للانتشار (diffusion MRI) لعشرة أشخاص من البشر لرسم خرائط الاتصالات الهيكلية بين هذه المناطق. قاموا بترتيب البيانات بطريقة تعكس هذا التدفق الدائري، من خلال إنشاء سلسلة من المصفوفات حيث تشترك كل منها في بُعد مع جارتها. ومن خلال تطبيق "PathFinder" على هذا الترتيب الدوري، تمكنوا من الكشف عن المسارات الوظيفية الثلاثة الرئيسية داخل هذه الحلقات: المسار الحركي، والمسار الترابطي، والمسار الحوفي. نجحت الطريقة في تجميع خلايا الدماغ (voxels) ضمن هذه الدوائر المتميزة، مما كشف عن تنظيم تشريحي واضح يتوافق مع ما يعرفه العلماء بالفعل عن هذه الأنظمة الدماغية.

يشير الباحثون بحذر إلى أنه بينما تعد هذه الطريقة قوية، إلا أنها ليست عصا سحرية تحل كل المشكلات فورًا. فالطبيعة الرياضية لعملية التفكيك تعني أن النتائج قد تكون غامضة أحيانًا، مما يتطلب خطوات إضافية لجعلها فريدة وسهلة التفسير. في تجاربهم، استخدموا عملية متابعة لتدوير النتائج إلى شكل أكثر قابلية للفهم، مما ساعدهم على استعادة الهياكل الأساسية الحقيقية في محاكاتهم وإنتاج خرائط منطقية تشريحيًا في البيانات الواقعية. كما يقرون بأن النسخة الحالية من الأداة تعمل بشكل أفضل عندما يمكن ترتيب البيانات في شبكة ثنائية الأبعاد، رغم أنهم بدأوا بالفعل في التفكير في كيفية توسيعها للتعامل مع بيانات أكثر تعقيدًا ومتعددة الأبعاد، وحتى العلاقات غير الخطية.

في نهاية المطاف، يفتح هذا العمل الباب لمقارنة الأدمغة عبر الأنواع والمقاييس بطرق كانت مستحيلة سابقًا. ولأن الطريقة لا تتطلب تطابقًا واحدًا لواحد بين كل نقطة بيانات، فإنها تسمح للباحثين باستخدام بيانات من نوع واحد، مثل القرد، للمساعدة في تفسير بيانات من نوع آخر، مثل الإنسان، حتى لو لم يكن لديهم نفس القياسات الدقيقة لكليهما. إنها تحول تحدي البيانات المفقودة أو غير المتوافقة إلى فرصة لإيجاد أنماط مشتركة عبر العالم البيولوجي. ومن خلال توفير وسيلة لربط مجموعات البيانات المتباينة عبر اتصالات بسيطة ومتداخلة، يقدم "PathFinder" عدسة جديدة يمكن من خلالها رؤية الطبيعة المترابطة والمعقدة للدماغ، محولًا قطع المعلومات المجزأة إلى قصة موحدة لكيفية تفكيرنا، وحركتنا، وشعورنا.