Vipsania: Unsupervised Deep Gene Finding

تبدأ كل حياة جديدة نكتشفها على الأرض حياتها العلمية كسلسلة من الحروف: تسلسل طويل وغير منقطع من الحمض النووي (DNA) الذي يحمل المخطط لبناء كائن حي. لكن التسلسل الخام يشبه كتاباً كُتب بلغة مُحيت فيها المسافات بين الكلمات وحُذفت منها الحروف الكبيرة. لفهم كيفية عمل ذلك الكائن، يجب على العلماء أولاً العثور على الجمل — وهي الجينات — التي تخبر الخلية كيفية بناء البروتينات، وهي الآلات الجزيئية التي تقوم بالعمل الفعلي للحياة. هذه العملية، المعروفة باسم "إيجاد الجينات"، هي الخطوة الأولى الأساسية لأي بحث بيولوجي تقريباً. وبدونها، يظل الجينوم رمزاً صامتاً. لعقود من الزمن، كانت الطريقة الأكثر موثوقية لقراءة هذه الرموز هي البحث عن أدلة من العالم الخارجي، مثل مطابقة الحمض النووي مع بروتينات معروفة من أنواع مرتبطة، أو استخدام بيانات الحمض النووي الريبوزي (RNA) لمعرفة الأجزاء النشطة من الجينوم. ومع ذلك، يصطدم هذا النهج بحائط مسدود عندما يواجه العلماء الغالبية العظمى من أشكال الحياة على الأرض، والتي ليس لها أقارب معروفون بجينات معلومة ولا تتوفر لها بيانات حمض نووي ريبوزي. بالنسبة لهذه الكائنات، ظلت تعليمات بناء الحياة مخفية.

لقد قدم فريق من الباحثين في جامعة غريفسفالد الآن أداة جديدة تسمى "فيبسانيا" (Vipsania) تغير طريقة قراءتنا لهذه الكتب الصامتة. فبدلاً من الاعتماد على أدلة خارجية أو خرائط مسبقة، تتعلم "فيبسانيا" إيجاد الجينات من خلال قراءة تسلسل الحمض النووي نفسه، دون أي معرفة مسبقة بشكل الجين. قام الباحثون بتدريب هذا البرنامج الحاسوبي على ما يقرب من تريليون حرف من الحمض النووي من آلاف الأنواع المختلفة، حيث تعلم التنبؤ بالحرف التالي في التسلسل بناءً على الحروف التي تسبقه. ومن خلال القيام بذلك، تعلم البرنامج بالصدفة "قواعد النحو" الخفية للحياة: الأنماط المحددة التي تميز الجين عن الحمض النووي غير المشفر المحيط به. والنتيـجة هي نظام يمكنه تحديد الجينات بدقة في أي كائن حقيقي النواة تقريباً، من الطحالب المجهرية إلى الحيوانات المعقدة، حتى عندما لا يكون أحد قد رأى جيناً من تلك المجموعة المحددة من قبل.

إن تحدي إيجاد الجينات صعب للغاية لأن التعليمات ليست مكتوبة في خط بسيط ومستمر. ففي الكائنات المعقدة، غالباً ما تُقطع الأجزاء من الجين التي تشفر البروتينات بواسطة مساحات طويلة من الحمض النووي غير المشفر، تماماً مثل جملة حيث تُفصل الكلمات المهمة بكلمات حشو عشوائية ولا معنى لها. ولإعادة بناء الجين، يجب على الحاسوب أن يحدد أين تبدأ هذه الانقطاعات وأين تنتهي، وفي أي اتجاه يتم قراءة الجملة. تعتمد الطرق التقليدية على التعلم "المُشرف عليه"، حيث يُعرض على الحاسوب آلاف الأمثلة للجينات الصحيحة من أنواع مدروسة جيداً ويُعلّم التعرف على الأنماط. يعمل هذا بشكل جيد للمجموعات المألوفة مثل البشر أو ذبابة الفاكهة، لكنه يفشل عندما يواجه الحاسوب نوعاً مختلفاً جداً عن أمثلة التدريب الخاصة به. إذا كان الحاسوب قد رأى فقط جينات الثدييات، فسيواجه صعوبة في إيجاد جينات الإسفنج أو الفطريات، وغالباً ما يفتقدها تماماً أو يخترع هياكل لا وجود لها.

تسلك "فيبسانيا" مساراً مختلفاً؛ فهي نظام "غير مُشرف عليه"، مما يعني أنه لم يُعرض عليها مثال واحد لجين صحيح أثناء تدريبها. بدلاً من ذلك، أُعطيت تسلسلات خام من الحمض النووي وطُلِب منها ملء الفراغات. قام الباحثون بحجب حروف عشوائية في التسلسل وطلبوا من النموذج تخمين ماهيتها بناءً على السياق المحيط. ولجعل هذه المهمة ممكنة، بنوا طبقة خاصة في "عقل" الحاسوب تعمل كمدقق لغوي؛ حيث تفرض هذه الطبقة قواعد هيكل الجين، مثل ضمان بقاء إطار القراءة متسقاً وظهور إشارات التوقف في الأماكن الصحيحة. وبينما كان النموذج يحاول التنبؤ بالحروف المفقودة، كان عليه تعلم البنية الأساسية للجينوم للنجاح. ومع مرور الوقت، اكتشف النموذج أنماط الجينات من تلقاء نفسه، متعلمًا التمييز بين المناطق المشفرة وغير المشفرة دون أن يُخبر أبداً بماهية الجين.

نتائج هذا النهج مذهلة. فعند اختبارها مقابل أفضل الأدوات الموجودة، أثبتت "فيبسانيا" أنها أكثر دقة في كل مجموعة من الكائنات التي فحصوها تقريباً. وبينما تفقد الطرق الأخرى دقتها عند تطبيقها على أنواع بعيدة، حافظت "فيبسانيا" على أدائها، مما أظهر أنها تعلمت القواعد الأساسية للحياة بدلاً من مجرد حفظ أمثلة محددة. وفي الاختبارات التي شملت مجموعات مثل الفطريات والحشرات وأنواع مختلفة من الطحالب، حددت "فيبسانيا" بنجاح هيكل الجينات في معظم الحالات، متفوقة في كثير من الأحيان على الأدوات التي تعتمد على كميات هائلة من البيانات الخارجية. حتى أنها نجحت في إيجاد الجينات في الكائنات التي تستخدم شفرة وراثية مختلفة قليلاً، حيث تعني "إشارات التوقف" القياسية للجينات شيئاً آخر تماماً. ومن خلال ضبط إعداد صغير ليتناسب مع الشفرة المحددة للكائن، تمكن الباحثون من تدريب "فيبسانيا" على جينوم واحد في غضون ساعات قليلة، وبدأت على الفور في إنتاج توصيفات دقيقة.

هذه القدرة حاسمة لمستقبل البيولوجيا. هناك جهد عالمي ضخم جارٍ حالياً لتسلسل جينومات كل نوع معروف على الأرض، وهو مشروع يهدف إلى إنشاء مكتبة مرجعية لجميع الأنواع حقيقية النواة المعروفة البالغ عددها 1.67 مليون نوع. ومع ذلك، لم تعد العقبة هي تسلسل الحمض النووي، بل هي "التوصيف" (Annotation). حالياً، أقل من 20 بالمائة من الجينومات في قواعد البيانات العامة لديها توصيف للجينات، مما يترك فروعاً كاملة من شجرة الحياة، مثل العديد من أنواع الطحالب والحيوانات المجهرية، بدون أي خريطة هيكلية. توفر "فيبسانيا" وسيلة لسد هذه الفجوة؛ لأنها لا تتطلب بيانات الحمض النووي الريبوزي (RNA) أو أنواعاً مرتبطة لتعمل، يمكن تطبيقها على أي جينوم، بغض النظر عن مدى ضآلة المعلومات المعروفة عن ذلك الكائن. لقد أصدر الباحثون نماذج مدربة مسبقاً لـ 17 مجموعة رئيسية من الحياة، تغطي أكثر من 99 بالمائة من جميع الأنواع حقيقية النواة المعروفة، وقدموا نموذجاً عاماً للنسبة المتبقية.

يشير نجاح "فيبسانيا" إلى أن قواعد هيكل الجينات عالمية بما يكفي ليتم تعلمها من النص الخام للحمض النووي وحده. ومن خلال إزالة الحاجة إلى أدلة خارجية، خلق الباحثون أداة يمكنها إلقاء الضوء على الزوايا المظلمة من شجرة الحياة. وبينما قد تظل الأدوات التي تستخدم بيانات الحمض النووي الريبوزي (RNA) هي الخيار الأفضل للأنواع المدروسة جيداً حيث تتوفر هذه البيانات بكثرة، فإن "فيبسانيا" توفر حلاً متطوراً للغالبية العظمى من الحياة على الأرض التي لم تُدرس بهذه الطريقة من قبل. إنها تمثل تحولاً من الاعتماد على ما نعرفه بالفعل إلى اكتشاف ما هو موجود، ببساطة من خلال الاستماع إلى لغة الجينوم نفسه. وللمرة الأولى، يمتلك العلماء طريقة يمكنها إنشاء خرائط جينية عالية الجودة لأي كائن حقيقي النواة تقريباً، محولةً سلاسل الحمض النووي الصامتة إلى تعليمات مقروءة للحياة.