CausalKnowledgeTrace: A Novel Computational Framework for Automated Literature-Based Causal Graph Construction and Evidence-Based Variable Selection in Biomedical Research

تخيل أنك محقق يحاول حل لغز: هل يسبب ارتفاع ضغط الدم (فرط ضغط الدم) حقاً مرض الزهايمر، أم أنه مجرد مصادفة؟

المشكلة هي أن العديد من الأشياء في العالم الحقيقي متشابكة معاً. ربما يكون كلاهما ناتجاً عن عامل ثالث، مثل "الالتهاب". إذا لم تأخذ هذا العامل الثالث في الاعتبار، فقد تصل إلى الإجابة الخاطئة. ما يسميه العلماء "الاستدلال السببي"، وهو أمر صعب للغاية لأن عليك معرفة أي الأدلة يجب أن تتبع وأيها يجب أن تتجاهل.

عادةً، يتطلب العثور على هذه الأدلة خبيراً بشرياً يقرأ آلاف الكتب والأوراق الطبية. لكن عدد الأوراق الطبية يفوق قدرة أي شخص على القراءة. وهنا يأتي دور CausalKnowledgeTrace.

"أمين المكتبة" الخارق

تخيل CausalKnowledgeTrace كأنه أمين مكتبة فائق السرعة والذكاء، قرأ كل ورقة طبية كُتبت على الإطلاق، ونظمها في شبكة ضخمة ومترابطة. هذه الشبكة مبنية باستخدام قاعدة بيانات تسمى SemMedDB، وهي تشبه مكتبة ضخمة من الحقائق حول كيفية ارتباط الأمراض وأعضاء الجسم ببعضها البعض.

بدلاً من أن يقضي إنسان سنوات في القراءة، يعمل هذا النظام الحاسوبي مثل نظام تحديد المواقع (GPS) للبحوث الطبية. فهو يأخذ سؤالك (على سبيل المثال: "ارتفاع ضغط الدم ← الزهايمر") ويرسم فوراً كل المسارات الممكنة التي تربط بينهما بناءً على ما تقوله الأدبيات الطبية.

كيف يعمل: لعبة المحقق المكونة من ست خطوات

يتبع النظام عملية مكونة من ست خطوات لتنظيف الفوضى وإيجاد الحقيقة:

1. رسم التضاريس: يقوم ببناء خريطة ضخمة (رسم بياني) توضح جميع المتغيرات (مثل السمنة، والسكري، والتوتر) المرتبطة بموضوعك.
2. فحص الطرق: يبحث في كيفية اتصال هذه المتغيرات ببعضها البعض.
3. البحث عن الحلقات: يرصد "الطرق الدائرية" (الحلقات) حيث يؤدي (أ) إلى (ب)، و(ب) إلى (ج)، و(ج) يعود إلى (أ). هذه الحلقات قد تضلل المحقق، لذا يقوم النظام بتمييزها.
4. تنظيف الخريطة: يقوم بشكل منهجي بإزالة "المتغيرات المسدودة" التي ليست جزءاً من القصة الأساسية، مما يؤدي إلى تبسيط الخريطة.
5. إعادة الفحص: ينظر إلى الخريطة المبسطة مرة أخرى ليرى ما تبقى منها.
6. الحكم النهائي: يستخدم الرياضيات ليخبرك بأي المتغيرات هي "المربكات" (Confounders) (العوامل الثالثة المتسللة التي تفسد نتائجك)، و**"الوسطاء" (Mediators)** (الوسطاء الذين يشرحون كيف يؤدي السبب إلى النتيجة)، و**"المصادمات" (Colliders)** (المتغيرات التي تبدو مهمة ولكنها في الواقع أفخاخ تؤدي إلى استنتاجات خاطئة).

ماذا وجدوا؟

اختبر الباحثون هذا النظام على العلاقة بين ارتفاع ضغط الدم والزهايمر. نظروا إلى الخريطة عند ثلاثة مستويات مختلفة من التفصيل (مثل التكبير من عرض القمر الصناعي إلى عرض الشارع).

• النطاق: مع التكبير، أصبحت الخريطة ضخمة. عند أوسع عرض، وجدوا 866 متغيراً مختلفاً وأكثر من 1,400 اتصال بينهم.
• السرعة: رغم ضخامة هذه الخريطة، أنجز الكمبيوتر المهمة كاملة في أقل من ثانية (0.3 إلى 1.0 ثانية). إنه يشبه حل لغز معقد في طرفة عين.
• المشتبه بهم: حدد النظام عوامل "متسللة" محددة غالباً ما يغفل عنها الباحثون. شمل ذلك الالتهاب، والسكري، ومقاومة الإنسولين، والسمنة، ونقص التروية (ضعف تدفق الدم).
• الدليل: عندما أشار النظام إلى أن "السمنة" أو "الإجهاد التأكسدي" كانا لاعبين رئيسيين، لم يكن يخمن فحداً. بل قام بمطابقة نتائجه مع الأدبيات الطبية الراسخة، مؤكداً أن هذه هي بالفعل المشتبه بهم الحقيقيين المدعومين بعقود من البحث.

الخلاصة

إن CausalKnowledgeTrace هو أداة جديدة تساعد العلماء على التوقف عن التخمين والبدء في المعرفة. فهو يعمل على أتمتة المهمة المملة والمستحيلة المتمثلة في قراءة كل ورقة بحثية لبناء "خريطة سببية". ومن خلال القيام بذلك، فإنه يساعد الباحثين على تجنب فخاخ البيانات السيئة والتركيز على الأسباب الحقيقية للأمراض، وكل ذلك أثناء العمل على نظام حاسوبي قياسي يمكن توصيله بأدوات علمية أخرى.

باختصار: إنه يحول مكتبة فوضوية من الحقائق الطبية إلى خارطة طريق واضحة ومنظمة لفهم ما يسبب ماذا حقاً.