Move BeTween modAlities (MBTA) employs flow matching to predict single cell data modalities

تخيل أنك تحاول فهم شخص من خلال النظر إلى ثلاث لقطات مختلفة: صورة لوجهه، وتسجيل لصوته، ومسح لبصمات أصابعه. كل صورة تحكي قصة فريدة، لكنها لا تتطابق دائمًا بشكل مثالي. قد يبدو الشخص ودودًا في الصورة (أي "جارًا" في العالم البصري)، لكن صوته قد يبدو غاضبًا لشخص يعرفه جيدًا (أي "جارًا" في العالم الصوتي). في عالم البيولوجيا، يحاول العلماء القيام بالشيء نفسه مع الخلايا؛ حيث يريدون أخذ "لقطة" لخلية واحدة باستخدام كاميرات جزيئية مختلفة: كاميرا تقرأ تعليمات الخلية (RNA)، وأخرى تتحقق من مدى إحكام ضغط الحمض النووي الخاص بها (الكروماتين)، وثالثة تعد بروتيناتها السطحية. الهدف هو دمج هذه اللقطات معًا لرؤية الخلية ككل. ولكن الجزء الصعب هنا هو أن الخلية لا تبدو نفسها في كل لقطة. فالخلية التي تعتبر "جارًا" قريبًا لخلية أخرى في عالم الـ RNA قد تكون غريبة تمامًا في عالم البروتين. هذا التناقض هو اللغز الكبير الذي يحاول العلماء حله، لأنك إذا أجبرت هذه الرؤى المختلفة على أن تبدو متطابقة، فقد تمحو التفاصيل ذاتها التي تجعل الخلية مثيرة للاهتمام.

هنا يأتي دور MBTA (Move BeTween modAlities - التنقل بين الأنماط)، وهو برنامج حاسوبي جديد صممه باحثون لحل هذا اللغز. فكر في MBTA كخريطة مترو ذكية جدًا للخلايا. بدلاً من محاولة إجبار لقطات الـ RNA والبروتين والحمض النووي على أن تصبح غرفة واحدة ضخمة وفوضوية حيث يبدو فيها كل شيء متشابهًا، يقوم MBTA ببناء غرف منفصلة ومثالية لكل نوع من البيانات. ثم يقوم بإنشاء مسار قطار سريع وسحري (يسمى "مطابقة التدفق" أو flow matching) يربط بين هذه الغرف. إذا وضعت خلية في غرفة الـ RNA، يمكن لـ MBTA فورًا حساب مكان تلك الخلية بالضبط في غرفة البروتين، دون ضغط أو مط البيانات لتناسب المكان. اختبر الباحثون ذلك على بيانات حقيقية من سرطان الثدي لدى البشر وأجنة الفئران، ووجدوا أن MBTA كان أفضل بكثير في الترجمة بين لغات الجزيئات المختلفة هذه مقارنة بالطرق القديمة. لم يكتفِ البرنامج بالتخمين فحسب، بل تعلم القواعد المحددة لكيفية تغير شكل البروتين بناءً على الـ RNA، حتى عندما كانت تلك التغييرات معقدة وغير خطية. ومن خلال الحفاظ على "الأحياء" الفريدة لكل نوع من البيانات مع الاستمرار في ربطها، يساعد MBTA العلماء على رؤية الصورة الكاملة وغير المشوهة لكيفية نمو الخلايا وتغيرها، وأحيانًا تحولها إلى خلايا سرطانية.

المشكلة: عندما لا يتفق الجيران

في عالم بيولوجيا الخلية الواحدة، أصبح العلماء بارعين في التقاط صور للخلايا الفردية. يمكنهم قراءة الـ RNA للخلية (التعليمات)، والتحقق من إمكانية الوصول إلى الحمض النووي (مدى انفتاح الكتب)، وعدّ البروتينات السطحية (بطاقات الهوية). لفترة طويلة، كانت الطريقة القياسية لدمج هذه الصور هي حشرها جميعًا في "مساحة مشتركة" واحدة، مثل وضع جميع صور الشخص في كولاج واحد. الفكرة هي أنه إذا مزجت كل شيء بما يكفي، فستحصل على النسخة "الحقيقية" للخلية.

لكن مؤلفي هذه الورقة اكتشفوا عيبًا خفيًا في هذا النهج، وهو ما يسمونه التناقض الهيكلي (structural mismatch). تخيل أنك في حفلة. في "غرفة الموسيقى"، أنت تقف بجانب صديقك المفضل لأنكما تحبان موسيقى الجاز. ولكن في "غرفة الطعام"، أنت تقف بجانب شخص غريب لأنكما تحبان التاكو الحار. إذا حاولت إجبار غرفة الموسيقة وغرفة الطعام على أن تكونا غرفة واحدة، فسيتعين عليك إبعاد صديقك عنك، أو تقريب محب التاكو منك، فقط لجعل الغرفة تتسع. وبذلك تفقد حقيقة من هم جيرانك في كل سياق محدد.

وجد الباحثون أن هذا يحدث طوال الوقت في الخلايا. فالخلية التي تعتبر أقرب جار لخلية أخرى في عالم الـ RNA، غالبًا ما تكون ليست هي نفسها أقرب جار لها في عالم البروتين. وهذا ليس خطأً، بل هو ميزة! فهذا يعني أن كل نوع من البيانات يلتقط جانبًا مختلفًا وفريدًا من حياة الخلية. وعندما حاولت البرامج الحاسوبية القديمة إجبار هذه الرؤى المختلفة على الدخول في مساحة مشتركة واحدة، فقد مسحت بالخطأ هذه الاختلافات، مما أدى إلى تنعيم التفاصيل الفريدة التي تجعل البيولوجيا مثيرة للاهتمام.

الحل: نظام مترو للخلايا

لإصلاح ذلك، بنى الفريق برنامج MBTA. فبدلاً من إجبار كل البيانات على دخول غرفة واحدة، يبني MBTA غرفة مخصصة ومنفصلة لكل نوع من البيانات (الـ RNA، البروتينات، الحمض النووي، إلخ). ويستخدم أداة خاصة تسمى المشفر التلقائي المتغير (Variational Autoencoder - VAE) لتقليص كل مجموعة بيانات معقدة وتحويلها إلى خريطة مرتبة وسهلة الإدارة.

ثم يأتي الجزء السحري: مطابقة التدفق (Flow Matching). تخيل أن هذه الغرف المنفصلة هي محطات قطار. لا يقوم MBTA بمجرد التخمين لكيفية الانتقال من محطة الـ RNA إلى محطة البروتين؛ بل يتعلم "التدفق" أو التيار الدقيق للنهر الذي يربط بينهما. إنه يدرب شبكة عصبية لفهم المسار الذي تسلكه الخلية أثناء انتقالها من حالة إلى أخرى. وهذا يسمح للكمبيوتر بترجمة خلية من خريطة الـ RNA الخاصة بها إلى خريطة البروتين الخاصة بها بدقة مذهلة، دون إجبار الخريطتين على أن تبدوا متشابهتين أبدًا.

تكمن روعة MBTA في قدرته على التوسع (modularity). إنه يشبه نظام المترو حيث يمكنك إضافة خط جديد (نوع جديد من البيانات) دون الحاجة إلى إعادة بناء المدينة بأكملها. يمكنك تدريب خط "الـ RNA إلى البروتين" وخط "الـ RNA إلى الحمض النووي" بشكل منفصل، وسيعملان معًا بشكل مثالي. وهذا يجعله سريعًا وفعالاً للغاية، حتى عند التعامل مع عشرات القياسات الجزيئية المختلفة في وقت واحد.

ماذا وجدوا: خرائط أفضل، وأسرار خفية

وضع الباحثون MBTA تحت الاختبار مقابل طرق شائعة أخرى (مثل multiVI و multigrate و GLUE) باستخدام مجموعة متنوعة من البيانات الواقعية، بما في ذلك خلايا المناعة البشرية، وخلايا الدماغ، وعينات سرطان الثدي.

1. إنه أكثر دقة: في كل اختبار تقريبًا، كان MBTA أفضل في إعادة بناء البيانات الأصلية وترجمتها إلى أشكال أخرى. وبينما كانت الطرق الأخرى غالبًا ما تنتج نسخًا "ضبابية" من الخلية أو تفقد التفاصيل المهمة، حافظ MBTA على الحواف الحادة. وكان بارعًا بشكل خاص في التعامل مع الحالات التي يكون فيها التناقض الهيكلي مرتفعًا — وهي الحالات التي تفشل فيها الطرق الأخرى تمامًا.
2. إنه يحافظ على الحقيقة: أظهرت الدراسة أن الطرق القديمة غالبًا ما كانت تجبر الخلايا المختلفة لتبدو متشابهة، أو تقسم الخلايا المتشابهة إلى مجموعات مختلفة لمجرد جعل الرياضيات تعمل. أما MBTA فقد احترم البنية الطبيعية للبيانات. على سبيل المثال، في مجموعة بيانات خلايا جذعية الدم، أنشأت الطرق الأخرى مجموعات فرعية وهمية لم تكن موجودة في الواقع، بينما حدد MBTA أنواع الخلايا الحقيقية بشكل صحيح.
3. يمكنه التنبؤ بما لا يُرى: أظهر الفريق أن MBTA يمكنه تعلم قواعد كيفية اقتران الخلايا، حتى لو لم يرَ سوى أمثلة قليلة. إذا أخفوا معلومات الاقتران لأنواع معينة من الخلايا، ظل بإمكان MBTA تخمين الاتصالات الصحيحة للخلايا غير المرئية، مما أثبت أنه تعلم البيولوجيا الكامنة وليس مجرد حفظ البيانات.
4. يكشف عن أنماط السرطان الخفية: عند تطبيقه على بيانات سرطان الثدي، حقق MBTA شيئًا مذهلاً. فقد استطاع ترجمة بيانات الـ RNA إلى ملفات تعريف عدد النسخ (التي توضح ما إذا كانت أجزاء من الجينوم مفقودة أو مكررة) بدقة أكبر من الأدوات الموجودة. ساعدهم هذا في رصد علاقات النسب الخفية في الأورام التي فاتتها الطرق الأخرى. ووجدوا أن جينات معينة كانت حساسة للغاية للتغيرات في عدد نسخ الحمض النووي الخاص بها، مما أعطى أدلة جديدة حول كيفية تطور هذه الأورام.
5. يمكنه نمذجة الزمن: أخيرًا، استخدم الباحثون MBTA لتتبع تطور جنين فأر. أخذوا بيانات التعبير الجيني، وطوروها زمنيًا للأمام باستخدام أداة منفصلة، ثم استخدموا MBTA لترجمة التعبير الجيني المستقبلي إلى سبعة علامات فوق جينية (epigenetic marks) مختلفة. كانت النتيجة لوحة كاملة ومتحركة لجنين في طور النمو، توضح كيف تتغير الطبقات الجزيئية المختلفة معًا بمرور الوقت.

لماذا يهم هذا الأمر؟

تشير هذه الورقة إلى أن الطريقة القدودة في التفكير — إجبار كل البيانات في صندوق واحد مشترك — قد تعيق تقدمنا. ومن خلال الاعتراف بأن الرؤى الجزيئية المختلفة للخلية تمتلك "أحياءها" الخاصة، يقدم MBTA طريقة للحفاظ على الطابع الفريد لكل رؤية مع الاستمرار في ربطها. إنه ليس مجرد آلة حاسبة أفضل؛ بل هو طريقة جديدة لرؤية الخلايا تحترم تعقيدها. وسواء كان الأمر يتعلق بفهم كيفية نمو الورم أو تطور الجنين، فإن MBTA يوفر خريطة أوضح وأكثر أمانة للعالم الخلوي، مما يساعد العلماء على طرح أسئلة أفضل وإيجاد إجابات كانت مخفية سابقًا في الضجيج.