PerturbLDM: conditional latent diffusion for modelling single-cell perturbation responses

في المشهد الواسع للبيولوجيا الحديثة، طور العلماء طريقة قوية للنظر إلى الحياة: من خلال فحص الخلايا الفردية. فبدلاً من دراسة عضو كامل أو نسيج كخليط واحد مدمج، بات بإمكان الباحثين الآن التطلع داخل خلية واحدة لقراءة تعليماتها الجينية، المعروفة باسم ملفها النسخي (transcriptional profile). وتكشف هذه الرؤية التفصيلية عن كيفية سلوك الخلية، وما تفعله، وكيفية استجابتها لبيئتها. ويتمثل أحد الأهداف الرئيسية في هذا المجال في فهم كيفية تفاعل الخلايا عندما تتعرض للاضطراب. وهذه الاضطرابات، أو "المنغصات" (perturbations)، يمكن أن تكون أدوية، أو تغيرات في درجة الحرارة، أو تحولات في الإشارات الكيميائية. ومن خلال رسم خرائط لهذه التفاعلات، يأمل العلماء في التنبؤ بكيفية سلوك خلية معينة تحت ظروف محددة. ومع ذلك، فإن العدد الهائل من الاحتمالات الممكنة يبعث على الارتباك؛ فهناك أنواع لا حصر لها من الخلايا، وآلاف الأدوية المحتملة، وتغيرات لا نهائية في الجرعة والتوقيت. ومن المستحيل مادياً اختبار كل تركيبة بمفردها في المختبر. وهذا يترك فجوة معرفية هائلة: لدينا بيانات لبعض السيناريوهات، لكننا عميان عن معظم الحالات الأخرى. ويكمن التحدي في إيجاد طريقة للتعلم من التجارب التي أجريناها واستخدام تلك المعرفة لتخمين ما سيحدث بدقة في ملايين المواقف التي لم نختبرها بعد.

ولسد هذه الفجوة، طور فريق من الباحثين أداة حوسبية جديدة تسمى PerturbLDM. صُمم هذا النظام ليعمل كمحاكي متطور للاستجابات الخلوية. فهو لا يكتفي بمجرد التخمين، بل يتعلم الأنماط الكامنة لكيفية تغير الخلايا عندما يتم دفعها (أو إزعاجها). وقد درب الباحثون هذا النظام باستخدام مرحلة تدريب مسبق على مجموعة بيانات Tahoe-100M. وبمجرد أن تعلم النظام القواعد العامة للسلوك الخلوي من هذه المكتبة الواسعة، اختبروا قدرته على التنبؤ بالنتائج التي لم يسبق له رؤيتها. وكانت النتائج مذهلة؛ فعندما طُلب منه التنبؤ بآثار 13,942 تركيبة مختلفة من الأدوية والجرعات والخطوط الخلوية التي حُجبت عن تدريبه، تفوق أداء PerturbLDM على أي طريقة موجودة حالياً. وفي أكثر من 95 بالمائة من هذه الظروف، طابقت تنبؤات النظام مجموعات الضبط في العالم الحقيقي بشكل أفضل من خط أساس رياضي بسيط يجمع فقط آثار العوامل الفردية. وهذا يشير إلى أن النظام يلتقط التفاعلات المعقدة المعتمدة على السياق والتي تغفلها النماذج الأبسط.

وتتجاوز قوة هذا النهج مجرد التنبؤ بالاستجابات الدوائية؛ فقد استخدم الباحثون النظام المدرب لتنظيم مجموعة من المركبات المعروفة باسم PANACEA. ومن خلال تحليل مدى تشابه الاستجابات الخلوية المتوقعة، نجح النظام في تجميع المركبات التي تشترك في نفس الآليات البيولوجية. وتوضح هذه القدرة على تصنيف المواد الكيميائية حسب تأثيرها الفعلي على الخلية، بدلاً من مجرد هيكلها الكيميائي، أن النموذج يفهم المنطق الوظيفي للبيولوجيا. كما أثبتت الأداة فعاليتها في مجموعات البيانات الأصغر والأكثر تخصصاً. ففي إحدى الحالات، ولّد النظام حالة محاكية للقولون الجنيني خلال منتصف الحمل، وفي هذا الاختبار، سجل النظام أخطاءً أقل في التنبؤ بنشاط الجينات مقارنة بطريقة رائدة سابقة، وحافظ بشكل صحيح على التوازن الدقيق بين أنواع خلايا الأنسجة المختلفة. وفي اختبار آخر شمل خلايا مناعية، نجح النظام بدقة في التقاط ستة من أصل سبعة برامج خاصة بالفيروسات والإنترفيرون، بما في ذلك مسار استقلابي معقد يربط بين الدفاع المناعي وإنتاج الطاقة، متفوقاً بذلك على الأدوات الراسخة الأخرى في هذه البيئات البيولوجية المحددة.

إن ما يجعل هذا العمل مهماً ليس مجرد تنبؤه بالأرقام، بل توليده لاستجابات خلوية كاملة وواقعية. فهو يخلق صورة كاملة لكيفية ظهور الخلية وتصرفها بعد حدوث اضطراب، محافظاً على العلاقات المعقدة بين آلاف الجينات المختلفة. ووجد الباحثون أن هذه الطريقة تعمل عبر مستويات مختلفة، من مجموعات البيانات الضخمة إلى الدراسات المتخصصة الأصغر، وعبر مختلف البيئات البيولوجية. ومن خلال تعلم البنية العميقة لكيفية استجابة الخلايا للتغيير، يقدم PerturbLDM وسيلة لاستكشاف التضاريس غير المختبرة في البيولوجيا الخلوية. فهو يوفر طريقة موثوقة لرؤية ما قد يحدث عندما تُدفع الخلية، مما يسمح للعلماء بالتنقل في الفضاء المعقد للعلاجات والاستجابات البيولوجية المحتملة دون الحاجة إلى إجراء كل تجربة في المختبر.