Reliable Molecular Retrieval from Mass Spectra using Conformal Prediction

إليك ملخص تقني مفصل للورقة البحثية بعنوان "الاسترجاع الجزيئي الموثوق من أطياف الكتلة باستخدام التنبؤ المطابق (Conformal Prediction)."

1. بيان المشكلة

في علم الأيض (Metabolomics)، يُستخدم تحليل الكروماتوغرافيا السائلة–مطياف الكتلة المتوالي (LC–MS/MS) لتحديد الجزيئات الصغيرة. يعتمد النهج القياسي على الاسترجاع الجزيئي، حيث يتم مطابقة طيف مُقاس مع قاعدة بيانات كيميائية لترتيب المرشحين من الجزيئات بناءً على تشابه بصمات الأصابع المتوقعة.

التحديات الرئيسية:

• الافتقار إلى الموثوقية الخاصة بالطيف: مقاييس التقييم القياسية (مثل دقة Top-k) توفر أداءً على مستوى مجموعة البيانات، لكنها تفشل في تحديد موثوقية تنبؤ معين لطيف محدد. فهي لا توضح عدد المرشحين الذين يجب الاحتفاظ بهم لضمان تضمين الجزيء الحقيقي باحتمالية عالية.
• تباين درجة الصعوبة: تختلف صعوبة الاسترجاع بشكل جذري بين الأطياف. فبعض الأطياف تمتلك فواصل واضحة في الدرجات (حالات سهلة)، بينما تعاني أخرى من ترتيبات غامضة مع مجموعات مرشحين كبيرة (حالات صعبة).
• انزياح التوزيع (Distribution Shift): في السيناريوهات الواقعية، غالبًا ما تختلف بيانات الاختبار عن بيانات التدريب/المعايرة (مثل وجود عناقيد جزيئية جديدة أو تغيرات في الأجهزة). تفشل الطرق القياسية غالبًا في الحفاظ على الموثوقية تحت هذه الانزياحات.
• التغطية الهامشية مقابل التغطية الشرطية: يضمن التنبؤ المطابق (CP) القياسي التغطية الهامشية (المتوسط عبر مجموعة البيانات)، لكنه لا يضمن تغطية مستقرة عبر مجموعات فرعية محددة (مثل الأطياف ذات مجموعات المرشحين الكبيرة أو درجات الثقة المنخفضة).

2. المنهجية

يقترح المؤلفون إطار عمل يستخدم التنبؤ المطابق (Conformal Prediction - CP) لتحويل قوائم المرشحين المرتبة إلى مجموعات تنبؤية بضمانات تغطية محددة من قبل المستخدم (على سبيل المثال، احتمال 90% أن يكون الجزيء الحقيقي ضمن المجموعة).

أ. إعداد الاسترجاع

• المدخلات: طيف $x$ ومجموعة مرشحين محددة مسبقًا $A(x)$ (يتم تصفيتها بواسطة كتلة السلائف/الصيغة، بحد أقص_ 256 مرشحًا).
• النموذج: شبكة عصبية متعددة الطبقات (MLP) تتنبأ ببصمة أصابع تمثيلية $f(x)$.
• التسجيل (Scoring): يتم تسجيل المرشحين عبر تشابه جيب التمام (cosine similarity) بين $f(x)$ وبصمات المرشحين $\phi(c)$، ثم تُحول إلى احتمالات طبيعية $\pi(x, c)$ عبر دالة Softmax.

ب. إطار عمل التنبؤ المطابق (CP)

الهدف هو إنشاء مجموعة تنبؤ $\hat{C}_\alpha(x) \subseteq A(x)$ بحيث يكون $P(Y \in \hat{C}_\alpha(X)) \geq 1-\alpha$.

• درجات عدم التطابق (Non-Conformity Scores): تم تقييم ثلاثة درجات لقياس مدى "عدم نمطية" المرشح:
  1. LAC (المصنف متعدد القيم الأقل غموضًا): $1 - \pi(x, c)$.
  2. APS (مجموعات التنبؤ التكيفية): المجموع التراكمي للاحتمالات على طول القائمة المرتبة.
  3. RAPS (مجموعات APS المنتظمة): نسخة من APS مع عقوبة تنظيمية لتقليل الحساسية للضوضاء في المرشحين ذوي التصنيف المنخفض.
• تحديد العتبة (Thresholding): يتم تحديد عتبة $\tau$ من مجموعة معايرة لتحديد مجموعة التنبؤ.

ج. التنبؤ المطابق الشرطي

لمعالجة التباين، طبق المؤلفون التنبؤ المطابق الشرطي للمجموعات (Mondrian CP) باستخدام استراتيجيتين:

1. التنبؤ المطابق الشرطي للعناقيد (CCCP): يتم تجميع الأطياف عبر التجميع (clustering) بناءً على متغيرات شرطية، ويتم حساب عتبة منفصلة لكل عنقود.
2. التنبؤ المطابق الشرطي للجار الأقرب (CCP-NN): لكل طيف اختبار، يتم تحديد جيرة محلية من عينات المعايرة، وتُحسب عتبة محلية.

متغيرات التكييف (Conditioning Variables):
حللت الدراسة أربعة متغيرات لتحديد المجموعات الفرعية:

1. كتلة السلائف (Precursor Mass).
2. حجم مجموعة المرشحين ($|A(x)|$).
3. الحد الأقصى لاحتمالية Softmax (ثقة النموذج).
4. تشابه مجموعة المرشحين (متوسط تشابه Tanimoto بين مجموعات المرشحين).

د. السيناريوهات التجريبية

تم التقييم على معيار MassSpecGym تحت ثلاثة سيناريوهات:

• S1 (IID): بيانات التدريب، المعايرة، والاختبار من نفس التوزيع.
• S2 (انزياح جزئي): عناقيد الجزيئات في التدريب/التحقق تختلف عن الاختبار/المعايرة، لكن المعايرة والاختبار متوافقان.
• S3 (انزياح كامل): بيانات المعايرة والاختبار مستمدة من عناقيد جزيئية مختلفة (مما ينتهك مبدأ التبادلية).

3. المساهمات الرئيسية

1. تطبيق CP على الاسترجاع الجزيئي: أول تطبيق للتنبؤ المطابق على استرجاع المرشحين في LC–MS/MS، مما يوفر بيانات موثوقية خاصة بكل طيف.
2. تقييم درجات عدم التطابق: مقارنة شاملة لـ LAC وAPS وRAPS عبر مستويات صعوبة وانزياحات توزيع مختلفة.
3. استراتيجيات التكييف: تقييم منهجي للتكييف القائم على التجميع (CCCP) وتكييف الجار الأقرب (CCP-NN) لتحسين موثوقية المجموعات الفرعية.
4. تحليل متغيرات التكييف: تحديد الحد الأقصى لاحتمالية Softmax كأكثر متغير تكييف فعالية لتقليل الفوارق في التغطية.
5. تحليل المقايضة: قياس مقايضة الموثوقية والكفاءة تحت سيناريوهات انزياح التوزيع المختلفة.

4. النتائج الرئيسية

أ. صعوبة الاسترجاع الأساسية

• S1: ثقة عالية (دقة Top-1 ~87%، أقصى Softmax ~0.72).
• S2/S3: انخفاض كبير في الأداء (دقة Top-1 ~10%، أقصى Softmax ~0.30). تصبح الترتيبات شديدة الغموض، ويُدفن الجزيء الحقيقي في عمق القائمة (متوسط الرتبة ~62).

ب. التنبؤ المطابق الهامشي

• S1 (متوافق): حققت جميع الطرق تغطية ~90% بمجموعات صغيرة جدًا (1.5–3.1 مرشح، أي ~2–3% من مجموعة المرشحين).
• S2/S3 (منزاح): توسعت مجموعات التنبؤ بشكل هائل لتغطي 80–83% من مجموعة المرشحين.
  • السبب: عندما لا يستطيع النموذج التمييز بين الجزيء الحقيقي والمنافسين (توزيعات Softmax مسطحة)، يجب أن تكون عتبة التنبؤ المطابق عالية للحفاظ على التغطية، مما يفرض تضمين معظم المرشحين.
  • المتانة: أظهرت RAPS متانة أفضل قليلاً في S3 (تغطية 0.895 مقابل 0.881 لـ LAC/APS) بسبب تنظيمها التحفظي.

ج. التنبؤ المطابق الشرطي

• أفضل متغير تكييف: حقق الحد الأقصى لاحتمالية Softmax باستمرار أدنى متوسط فجوة تغطية (MACG)، مما يشير إلى أكثر التغطية تجانسًا عبر المجموعات الفرعية.
  • لماذا: لأنه يعكس مباشرة ثقة النموذج.
• أسوأ متغير: أدى تشابه مجموعة المرشحين أداءً ضعيفًا بسبب أحجام العناقيد غير المتوازنة التي تؤدي إلى تقديرات غير مستقرة للكميات (quantiles).
• أداء الخوارزمية:
  • S1/S2 (متوافق): تفوق CCCP (التجميع) على CCP-NN، حيث قدم MACG أقل واستقرارًا أفضل.
  • S3 (منزاح): أصبح CCP-NN (الجار الأقرب) هو المتفوق لـ APS وRAPS. تكيفت الجيران المحلية بشكل أفضل مع عدم تطابق التوزيع مقارنة بالعناقيد الثابتة.
• الكفاءة مقابل الموثوقية:
  • في S1، زاد التنبؤ المطابق الشرطي من أحجام المجموعات قليًا (على سبيل المثال، من 1.5 إلى 6.2 مرشح لـ LAC) لضمان موثوقية المجموعات الفرعية، لكن المجموعات ظلت صغيرة.
  • في S2/S3، حسن التنبؤ المطابق الشريدي من تجانس التغطية (MACG أقل) دون زيادة كبيرة في أحجام المجموعات (التي كانت بالفعل قريبة من الحد الأقصى بسبب الانزياح).

5. الأهمية والخاتمة

• الأثر العملي: يحول هذا الإطار قائمة المرشحين المرتبة إلى قائمة قصيرة موثوقة وخاصة بكل طيف مع مستوى ثقة صريح. وهذا يسمح للممارسين بمعرفة عدد المرشحين الذين يجب فحصهم لكل طيف لتحقيق الثقة المطلوبة (مثل 90%).
• استقلالية النموذج: تعمل الطريقة على مخرجات درجات أي نموذج استرجاع (بناءً على بصمات الأصابع، أو التضمين المشترك، إل_هـ) دون الحاجة لإعادة تدريب النموذج.
• التعامل مع عدم اليقين: تعالج الطريقة صراحةً "المجاهيل غير المعروفة" في علم الأيض. عندما يكون النموذج غير متأكد (غموض عالٍ)، تتوسع مجموعة التنبؤ طبيعيًا؛ وعندما يكون واثقًا، تظل صغيرة.
• القيود: لا تستطيع الطريقة استعادة الكفاءة إذا كانت درجات الاسترجاء الأساسية غير مفيدة جوهريًا (كما في S2/S3 حيث تكبر المجموعات). كما أنها تفترض أن الجزيء الحقيقي موجود ضمن مجموعة المرشحين (وهو قيد في مجموعة البيانات المستخدمة).

الخلاصة النهائية: يعد التنبؤ المطابق أداة حيوية لجعل تحديد LC–MS/MS موثوقًا. من خلال استخدام الحد الأقصى لاحتمالية Softmax للتكييف واختيار CCCP للبيانات المتوافقة أو CCP-NN للبيانات المنزاحة، يمكن للباحثين تحقيق موثوقية قوية ومحددة للمجموعات الفرعية في سير عمل تحديد الجزيئات.