scDblFinder in Python with GPU support

في العالم المجهري للبيولوجيا الحديثة، طور العلماء طريقة لقراءة التعليمات الجينية داخل الخلايا الفردية، واحدة تلو الأخرى. هذه التقنية، المعروفة باسم تسلسل الخلية الواحدة، تسمح للباحثين برؤية كيفية عمل آلاف أو حتى ملايين الخلايا الفريدة، مما يكشف عن التنوع الخفي للأنسجة والأعضاء. ومع ذلك، فإن الآلات المستخدمة لالتقاط هذه الخلايا ليست مثالية؛ ففي بعض الأحيان، تقوم العملية بحجز خليتين أو أكثر داخل نفس الحاوية الصغيرة المصممة لخلية واحدة فقط. وعندما تقرأ الآلة المادة الوراثية من هذا المزيج المختلط، فإنها تنشئ إشارة مربكة تبدو وكأنها نوع جديد وغريب من الخلايا. يطلق العلماء على هذه الأخطاء اسم "الخلايا المزدوجة" (doublets)، وإذا لم يتم العثور عليها وإزالتها، فقد تؤدي بالباحثين إلى استخلاص استنتاجات خاطئة حول كيفية عمل الجسم.

ولحل هذه المشكلة، ابتكر فريق من الباحثين أداة رقمية جديدة مصممة لصيد هذه الأخطاء. هذه الأداة هي نسخة من برنامج ناجح تم بناؤه في الأصل للغة حاسوبية مختلفة، تمت إعادة كتابتها الآن لتعمل بلغة لغة البرمجة الأكثر شيوعاً لدى علماء البيانات اليوم. ومن خلال هذا الانتقال، جعل الباحثون الأداة أسرع وأكثر سهولة في الوصول، مع إضافة ميزة خاصة تسمح لها بالعمل على معالجات الرسوميات القوية، وهي نفس نوع الرقائق الموجودة في أجهزة الكمبيوتر المخصصة للألعاب المتطورة، للتعامل مع كميات هائلة من البيانات بسرعة فائقة.

كانت الأداة الأصلية، المعروفة باسم scDblFinder، تُعتبر بالفعل من بين الأفضل أداءً في مجال البيولوجيا، لكنها بُنيت لبيئة برمجية تسمى R، وهي شائعة بين الإحصائيين ولكنها أقل شيوعاً في عالم علوم البيانات الأوسع. يفضل العديد من الباحثين الذين يعملون مع مجموعات البيانات البيولوجية الضخمة بيئة مختلفة تسمى Python. ولأن الأداة الأصلية لم تكن تتحدث لغة Python، فقد اضطر العديد من العلماء لاستخدام طرق أقل دقة أو مواجهة مشكلات في التوافق. يصف العمل الجديد المعروض هنا إنشاء scDblFinderPy، وهي ترجمة أمينة للأداة الأصلية إلى لغة Python. لم يكن الهدف هو ابتكار طريقة جديدة لإيجاد الأخطاء، بل إعادة إنتاج نفس المنطق تماماً في لغة جديدة حتى يتمكن المزيد من الناس من استخدامها دون فقدان جودة النتائج العالية.

لضمان عمل الأداة الجديدة تماماً كما هو مخطط لها، أعاد الباحثون بناء خطواتها الداخلية لتطابق البرنامج الأصلي، خطوة بخطوة. كان عليهم اتخاذ خيارات دقيقة عند ترجمة الكود، مثل اختيار طرق رياضية محددة تتصرف بنفس الطريقة في كلتا اللغتين. على سبيل المثال، توجب عليهم اختيار طريقة محددة لتجميع الخلايا المتشابهة معاً لتطابق المنطق الأصلي، حتى لو تطلب ذلك استخدام طريقة معيارية مختلفة قليلاً متاحة في البرمجيات الجديدة. كما ضمنوا قدرة الأداة على التعامل مع الرياضيات المعقدة المطلوبة لمقارنة الخلايا، باستخدام مكتبات قياسية معروفة وموثوق بها في مجتمع Python.

يتمثل الابتكار الرئيسي في هذه النسخة الجديدة في القدرة على استخدام وحدات معالجة الرسوميات، أو ما يعرف بـ GPUs، لتسريع العمل. وبينما كانت الأداة الأصلية تعمل على معالجات الكمبيوتر القياسية، يمكن لهذه النسخة الجديدة أن تتحول لاستخدام قوة المعالجة المتوازية لوحدات معالجة الرسوميات. صمم الباحثون النظام بحيث تتم المهام الشاقة، مثل مقارنة الملفات الجينية لآلاف الخلايا، على وحدة معالجة الرسوميات، بينما تظل المهام الأصغر والأقل كثافة على المعالج القياسي. يسمح هذا الإعداد للأداة بمعالجة البيانات بشكل أسرع بكثير من ذي قبل، خاصة عند التعامل مع مجموعات بيانات ضخمة تحتوي على ملايين الخلايا. كما أن النظام مصمم ليكون مرناً؛ فإذا لم يكن الكمبيوتر يحتوي على بطاقة رسوميات متوافقة، فإن الأداة تنتقل تلقائياً للعمل على المعالج القياسي دون فشل، مما يضمن عملها على أي جهاز تقريباً.

اختبر الفريق أداتهم الجديدة مقابل النسخة الأصلية وعدة طرق أخرى يستخدمها العلماء للعثور على هذه الأخطاء. استخدموا مجموعة من ستة عشر مجموعة بيانات مختلفة تم إعدادها بعناية لاختبار مدى جودة عمل هذه الأدوات. وفي هذه الاختبارات، قدمت نسخة Python الجديدة أداءً يضاهي نسخة R الأصلية، حيث نجحت في تحديد الخلايا المختلطة بنفس المستوى العالي من الدقة. كما تفوقت على أداة Python أخرى تم إنشاؤها من قبل مجموعة أخرى، رغم أن الفرق كان طفيفاً. وأظهرت النتائج أنه لا توجد طريقة واحدة مثالية لكل مجموعة بيانات على حدة، لكن الأداة الجديدة تصدرت باستمرار قائمة الأفضل، مما أثبت أن الترجمة إلى لغة جديدة لم تضعف قدرتها على إيجاد الحقيقة في البيانات.

بعيداً عن الدقة، قام الباحثون بقياس الوقت الذي يستغرقه تشغيل التحليل. فباستخدام معالج الكمبيوتر القياسي، كانت نسخة Python الجديدة أسرع بنحو ضعفين من نسخة R الأصلية. وعندما قاموا بتفعيل معالج الرسوميات، زادت السرعة بشكل أكبر، مما جعل العملية أسرع بكثير للدراسات واسعة النطى. وتعد هذه السرعة أمراً بالغ الأهمية لأن حجم مجموعات البيانات البيولوجية ينمو بسرعة، ويحتاج الباحثون إلى أدوات يمكنها مواكبة حجم المعلومات التي ينتجونها. كما أظهرت الأداة الجديدة أن تشغيل التحليل عدة مرات ومتوسط النتائج يوفر تحسناً طفيفاً جداً في الدقة، مما يشير إلى أن تشغيلاً واحداً يكون كافياً عادةً لمعظم الأغراض.

خلص الباحثون إلى أن عملهم نجح في جلب طريقة متطورة لتنظيف البيانات البيولوجية إلى مجتمع Python. ومن خلال الحفاظ على المنطق الأصلي مع إضافة السرعة وسهولة الوصول الحديثة، فقد قدموا حلاً قوياً للعلماء الذين يحتاجون إلى ضمان خلو بياناتهم من ارتباك الخلايا المزدوجة. تظل الأداة سهلة الاستخدام، حيث يمكن تفسير الدرجات كاحتمالات، مما يسمح للباحثين بتقرير الخط الفاصل بين الخلية الحقيقية والخطأ. ومع استمرار توسع مجال بيولوجيا الخلية الواحدة، تضمن أدوات كهذه أن الكميات الهائلة من البيانات التي يتم جمعها يمكن فهمها بوضوح وصحة، بعيداً عن ضجيج الاختلاط العرضي.