← أحدث الأبحاث
🧬 genomics

Covariate-aware genomic prediction of blood metabolite profiles using multi-task neural networks

تقدم هذه الدراسة إطار عمل لشبكة عصبية متعددة المهام تتنبأ بفعالية بملفات نواتج الأيض في الدم من خلال فصل المساهمات الجينية، والمتغيرات المصاحبة، والمساهمات المشتركة، كاشفةً أن النمذجة غير الخطية للمتغيرات المصاحبة — ولا سيما العمر — هي المحرك الرئيسي لتحسن أداء التنبؤ مقارنة بالطرق الخطية التقليدية.

المؤلفون الأصليون: Guler, M. N., Alver, M., Haller, T., Jay, F., Pagani, L., Milani, L., Yelmen, B.

نُشر 2026-09-14
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Guler, M. N., Alver, M., Haller, T., Jay, F., Pagani, L., Milani, L., Yelmen, B.

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

يعتبر جسم الإنسان مصنعاً كيميائياً ضخماً ونابضاً بالحياة. فداخل دمائنا، تعمل جزيئات صغيرة تسمى "الأيضات" (metabolites) كلقطات فورية لحالتنا الفسيولوجية، حيث تعكس كل شيء، بدءاً من الطعام الذي نتناوله وصولاً إلى الجينات التي ورثناها. وتعمل هذه الإشارات الكيميائية كجسر يربط بين حمضنا النووي (DNA) وبين كيفية شعورنا وأدائنا الفعلي، مما يوفر نافذة لرصد مخاطر الإصابة بأمراض القلب والسكري وغيرها من الحالات. ولعقود من الزمن، رسم العلماء الخرائط للجذور الجينية لهذه الجزيئات، وحددوا أي أجزاء من شفرتنا الوراثية تؤثر عليها. ومع ذلك، فإن معرفة الجينات المعنية تختلف عن القدرة على التنبؤ بالملف الكيميائي الدقيق لشخص ما بمجرد النظر إلى حمضه النووي. وتكمن العقبة في التعقيد الشديد: فهذه الجزيئات لا تعمل بمعزل عن بعضها البعض، بل تؤثر في بعضها البعض بطرق معقدة وغير خطية، كما تتأثر مستوياتها بعوامل مثل العمر، والجنس، ووزن الجسم. ويبقى السؤال قائماً عما إذا كانت النماذج الحاسوبية المتقدمة قادرة على فك تشابك هذه الشبكة للتنبؤ بصحة الأيض لدى الشخص بدقة أكبر من الطرق التقليدية.

لقد سعى فريق من الباحثين من جامعة تارتو في إستونيا للإجابة على هذا التساؤل عبر بناء نوع جديد من محركات التنبؤ. فقد توجهوا إلى "البنك الحيوي الإستوني"، وهو مستودع ضخم يحتوي على بيانات جينية وعينات دم لأكثر من 200,000 شخص. ومن هذا المجمع، ركز الباحثون على ما يقرب من 110 أيضات مختلفة تم قياسها في الدم، بما في ذلك أنواع مختلفة من الدهون والكوليسترول. وقام الباحثون بتدريب نظام ذكاء اصطناعي متطور، وتحديداً "شبكة عصبية متعددة المهام"، لتعلم العلاقة بين الشفرة الجينية وكيمياء الدم لدى الشخص. وبخلاف النماذج القديمة التي تعامل كل سمة كيميائية كمسألة منفصلة ومعزولة، صُمم هذا النظام الجديد ليتعلم جميع السمات في وقت واحد، مما يسمح له برصد الأنماط المشتركة عبر المشهد الأيضي بأكمله. ولضمان فهمهم لمصدر التحسينات بدقة، قاموا بتفكيك النموذج إلى ثلاثة أجزاء متميزة: جزء يتعلم من العوامل غير الجينية مثل العمر ومؤشر كتلة الجسم، وجزء ثانٍ يتعلم من البيانات الجينية وحدها، وجزء ثالث يحاول التقاط أي تفاعلات معقدة بين الاثنين.

وأظهرت النتائج أن هذا النهج الجديد كان يعمل بشكل أفضل من الأدوات القياسية المستخدمة حالياً في هذا المجال. فعند اختباره على مجموعة من الأشخاص لم يرها النموذج من قبل، حققت الشبكة العصبية متعددة المهام مستوى أعلى من الدقة مقارنة بالنماذج الخطية، التي تفترض أن العلاقات بسيطة ومستقيمة. وفي المتوسط، فسر النموذج الجديد حوالي 22 بالمئة من التباين في ملفات الأيض، وهو تحسن طفيف ولكنه ملموس مقارم بأفضل الطرق الخطية التي فسرت حوالي 21 بالمئة. ووجد الباحثون أن هذا المكسب لم يكن ناتجاً في المقام الأول عن اكتشاف النموذج لتفاعلات جينية خفية جديدة، بل جاء التحسن غالباً من قدرة النموذج على التعامل مع العلاقات غير الخطية في البيانات غير الجينية. وبعبارة أبسط، كان النموذج أفضل في فهم كيف تؤثر عوامل مثل العمر على الجسم بطرق معقدة ومنحنية بدلاً من مجرد خطوط مستقيمة. فعلى سبيل المثال، تأثير الشيخوخة على كيمياء الدم ليس صعوداً بسيطاً وثابتاً؛ بل هو عملية تتسارع وتتحول، وقد استطاع النموذج الجديد التقاط هذه الفروق الدقيقة بشكل أفضل بكثير من الصيغ الجامدة القديمة.

وبينما برع النموذج في تفسير العوامل البيئية ونمط الحياة، كانت قدرته على التنبؤ بالمكون الجيني للأيضات محدودة أكثر. فقد أضاف الجزء الجيني من النموذج قدرة تنبؤية ضئيلة، لكنه لم يتفوق باستمرار على الطرق الخطية البسيطة عند النظر إلى الجينات وحدها. ويشير هذا إلى أنه بينما يعد النظام الجديد ممتازاً في معالجة التأثير المعقد والمتغير للحياة والبيئة المحيطة بالشخص، فإن الإشارات الجينية نفسها لا تزال صعبة التشفير بدقة عالية باستخدام البيانات الحالية. وقد أظهر النموذج قوة خاصة في التنبؤ بالسمات المتعلقة بالدهون، مثل الأنواع المختلفة من الكوليسترول والأحماض الدهنية، وهو أمر منطقي نظراً لارتباط هذه الجزيئات ارتباطاً وثيقاً بأنظمة النقل في الجسم. ومع ذلك، بالنسبة للعديد من الأيضات الأخرى، كان الفرق بين النموذج المعقد الجديد والنماذج الأقدم والأبسط ضئيلاً.

وتخلص الدراسة إلى أنه على الرغم من أن الشبكات العصبية المتقدمة تقدم مساراً للمضي قدماً، إلا أنها ليست حلاً سحرياً يحل لغز التنبؤ الجيني فوراً. إن القيمة الأساسية لهذا الإطار الجديد لا تكمن فقط في تحقيق زيادة طفيفة في الدقة، بل في القدرة على تشريح سبب نجاح أو فشل النموذج بدقة. فمن خلال فصل المساهمات الجينية والبيئية والتفاعل بينهما، أثبت الباحثون أن أكبر المكاسب في التنبؤ بكيمياء الدم تأتي من النمذجة الأفضل لكيفية تأثير العمر وتكوين الجسم على الجسم، بدلاً من الكشف عن أسرار جينية جديدة. وهذا التمييز أمر بالغ الأهمية للتطبيقات الطبية المستقبلية؛ فهو يشير إلى أنه لتحسين التنبؤات بالصحة الأيضية، قد يحتاج العلماء إلى التركيز أكثر على التقاط الطرق المعقدة وغير الخطية التي تشكل بها بيئتنا بيولوجيتنا، بدلاً من مجرد البحث عن المزيد من العلامات الجينية. ويوفر هذا العمل خارطة طريق واضحة للدراسات المستقبلية، موضحاً أن أقوى الأدوات هي تلك التي يمكنها التمييز بعناية بين المصادر المختلفة للتباين البيولوجي.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🧬 genomics →