Horse, not zebra: accounting for lineage abundance in maximum likelihood phylogenetics
تقدم هذه الورقة طريقتين لتقدير الاحتمال الأقصى تدمجان أولويات وفرة السلالات —من خلال تفسير التفرعات المتعددة كإشارات غير مكتملة لشرائح مشتركة أو نمذجة معدلات التسلسل بما يتناسب مع الانتشار— لتحسين دقة الاستدلال الفيلوجيني (نشوء السلالات) بشكل كبير لمسببات الأمراض سريعة التطور مثل SARS-CoV-2، وذلك عبر إعطاء الأولوية لوضع المتواليات ضمن السلالات الشائعة ("الخيول") بدلاً من السلالات النادرة ("الحمر الوحشية").
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
الفكرة الكبرى: "عندما تسمع وقع حوافر، فكر في الخيول لا الحمر الوحشية"
تخيل أنك محقق تسير في شارع وسمعت صوت وقع حوافر. لديك نظريتان:
- الحصان: حصان شائع يركض ماراً.
- الحمار الوحشي: حمار وحشي نادر هرب من حديقة الحيوان يركض ماراً.
في العالم الحقيقي، الخيول موجودة في كل مكان، بينما الحمر الوحشية نادرة. حتى لو كان الصوت غامضاً بعض الشيء، فإن أذكى تخمين هو أنه حصان. هذه قاعدة طبية شهيرة: "عندما تسمع وقع حوافر، فكر في الخيول، لا الحمر الوحشية". وهي تعني أنه عندما تكون الأعراض مبهمة، يجب على الأطباء أولاً التفكير في الأمراض الشائعة قبل القفز إلى الأمراض النادرة.
هذه الورقة البحثية تدور حول تطبيق نفس المنطق لتتبع الفيروسات.
المشكلة: المحقق "الأعمى"
يستخدم العلماء برامج حاسوبية لبناء "أشجار عائلية" (phylogenies) لفيروسات مثل SARS-CoV-2. تُظهر هذه الأشجار كيف ترتبط سلالات الفيروسات المختلفة ببعضها البعض.
عادةً، تعمل هذه البرامج الحاسوبية كالمحقق الذي ينظر فقط إلى الشفرة الوراثية. هي لا تهتم بعدد الأشخاص المصابين بسلالة معينة.
- الخلل: إذا كان لديك عينة فيروس تشبه بنسبة 99% سلالة شائعة جداً (الـ "حصان") وتشبه بنسبة 99% سلالة نادرة جداً (الـ "حمار وحشي")، فإن الحاسوب يراهما كاحتمالين متساويين. يصاب الحاسوب بالارتباك وينتج شجرة فوضوية وغير مؤكدة مليئة بالفروع التي تقول "ربما هذا، أو ربداً ذاك".
في العالم الحقيقي، إذا كانت هناك سلالة فيروس تصيب 1,000 شخص، وسلالة أخرى تصيب شخصاً واحداً فقط، ووجدت عينة جديدة تشبه كلتيهما، فمن الأرجح إحصائياً أن تنتمي العينة إلى مجموعة الـ 1,000 شخص. البرامج الحاسوبية القديمة تجاهلت هذا الدليل المتعلق بـ "الوفرة" (abundance).
الحل: خدعتان جديدتان (HnZ1 و HnZ2)
ابتكر المؤلف، نيكولا دي مايو، طريقتين جديدتين (تسمى HnZ1 و HnZ2) لتعليم الحاسوب كيف "يفكر في الخيول، لا الحمر الوحشية".
1. HnZ1: تشبيه "الغرفة المزدحمة"
تخيل غرفة مليئة بالناس.
- السيناريو (أ): ترى شخصاً غريباً يدخل. يبدو تماماً مثل أحد الأشخاص الـ 500 الذين يرتدون قمصاناً حمراء.
- السيناريو (ب): يبدو أيضاً تماماً مثل الشخص الوحيد الذي يرتدي قميصاً أخضر.
بدون HnZ1، يعتقد الحاسوب: "حسناً، قد يكون شخصاً جديداً يرتدي قميصاً أحمر، أو قد يكون شخصاً جديداً يرتدي قميصاً أخضر. إنها نسبة 50/50".
مع HnZ1: يدرك الحاسوب أنه بما أن هناك 500 شخص يرتدون قمصاناً حمراء، فهناك 500 طريقة مختلفة يمكن لهذا الشخص الجديد أن ينتمي بها إلى تلك المجموعة. ولأن هناك شخصاً واحداً فقط يرتدي قميصاً أخضر، فهناك طريقة واحدة فقط لينتمي إليها.
- الرياضيات: يقوم الحاسوب بضرب "الاحتمالية" لمجموعة القمصان الحمراء في 500. فجأة، يصبح القميص الأحمر هو الخيار الواضح. هذا يجبر الحاسوب على وضع عينة الفيروس الجديدة على الفروع "المزدحمة" في الشجرة حيث الفيروس موجود بالفعل بكثرة.
2. HnZ2: تشبيه "مسابقة الشعبية"
هذه الطريقة مشابهة ولكنها أكثر قوة. فهي تفترض أنه إذا كانت سلالة الفيروس شائعة، فهي ليست فقط أكثر عرضة للوجود، بل هي أيضاً أكثر عرضة لتكون "الأصل" للطفرات الجديدة.
- فكر في الأمر كأنه "مؤثر" (influencer) مشهور. إذا بدأ اتجاه (trend) جديد، فمن المرجح أن يبدأ مع المؤثر (الذي لديه ملايين المتابعين) أكثر من بدايته مع شخص عشوائي لديه متابع واحد فقط.
- تمنح HnZ2 "درجة بونص" ضخمة لوضع العينات الجديدة على الفروع التي هي بالفعل ضخمة وشعبية، وكأنها تقول: "إذا كان شائعاً، فمن المرجح أن يكون هذا هو المكان الصحيح".
لماذا يهم هذا؟ (النتائج)
اختبر المؤلف هذه الطرق باستخدام الملايين من جينومات SARS-CoV-2. وإليك ما حدث:
- ارتباك أقل: أصبحت الأشجار الحاسوبية أكثر وضوحاً. بدلاً من وجود "شجيرة" فوضوية بها آلاف الفروع التي تحمل علامات استفهام "ربما"، أصبحت الأشجار أنظف، مع عدد أقل من "الحمر الوحشية" (التموضعات النادرة وغير المرجحة) وأكثر من "الخيول" (التموضعات الشائعة والمرجحة).
- أخطاء أقل: في عمليات المحاكاة، قللت الطرق الجديدة الأخطاء بنسبة 40% تقريباً.
- تأثير في العالم الحقيقي: عند تطبيقها على بيانات الجائحة الحقيقية، انخفض عدم اليقين في تاريخ الفيروس بمقدار عشر مرات.
- مثال: نظرت الورقة في جزء محدد من الفيروس (سلالة دلتا). بدون الطريقة الجديدة، اعتقد الحاسوب أن الفيروس كان يتأرجح باستمرار بين حالتين جينيتين (فوضى مربكة). أما مع الطريقة الجديدة، فقد أدرك الحاسوب أن الفيروس كان مستقراً، وأن "التأرجح" كان مجرد وهم ناتج عن عدم مراعاة مدى شيوع السلالات.
الخلا-صة
لفترة طويلة، تجاهلت أدوات تتبع الفيروسات حقيقة أن الأشياء الشائعة هي أكثر شيوعاً. لقد عاملت فيروساً يوجد لدى 1,000 شخص بنفس طريقة معاملة فيروس يوجد لدى شخص واحد.
تقدم هذه الورقة البحثية حلاً بسيطاً ولكنه قوي: أخبر الحاسوب أن يراهن على الأشياء الشائعة. ومن خلال القيام بذلك، نحصل على خرائط أكثر وضوحاً ودقة لكيفية انتشار الفيروس وتطوره، مما يساعدنا على محاربة الأوبئة بشكل أفضل.
الأمر يشبه إدراك أنك إذا وجدت حذاءً مفقوداً في مدينة، فمن المرجح أن يكون من ماركة "نايكي" (شائع) بدلاً من أن يكون حذاءً مصمماً خصيصاً وفريداً من نوعه (نادر)، حتى لو كانا متشابهين. وبمجرد وضع هذا الافتراض، يمكنك العثور على المالك بشكل أسرع بكثير.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.