Improving Metagenomics Classification with Kmask: Entropy-Based Masking of Low-Complexity Regions

في المكتبات الشاسعة والصامتة داخل خلايانا، يُكتب الحمض النووي (DNA) كسلسلة طويلة من أربعة أحرف كيميائية. عندما يدرس العلماء العالم المجهري للبكتيريا والفيروسات والفطريات التي تعيش بداخلنا أو في البيئة، فإنهم لا ينظرون إلى الكائنات الحية بأكملها تحت المجهر، بل يقومون بدلاً من ذلك بتفكيك الحمض النووي لكل كائن مجهري في العينة إلى ملايين القطع القصيرة وقراءة الأحرف. ولتحديد الكائن الذي تنتمي إليه كل قطعة، تقارن الحواسيب هذه القطع بمكتبة مرجعية ضخمة من الجينومات المعروفة. هذه العملية، التي تسمى التصنيف الميتاجينومي (metagenomic classification)، تسمح للباحثين بتحديد مسببات الأمراض في دم المريض أو تتبع التغيرات الميكروبية في التربة. ومع ذلك، فإن شفرة الحمض النووي ليست دائماً قصة معقدة وفريدة؛ فأحياناً تحتوي على امتدادات طويلة من الأنماط البسيطة والمتكررة، مثل جملة تكرر الكلمة نفسها مراراً وتكراراً. هذه المناطق ذات التعقيد المنخفض شائعة في الطبيعة، لكنها تشكل خطراً على التحليل الحاسوبي لأن الكائنات غير المرتبطة ببعضها قد تتشارك هذه الأنماط البسيطة عن طريق الصدفة المحضة. فعندما يرى الحاسوب تسلسلاً متكرراً، قد يخطئ في مطابقة قطعة من الحمض النووي البشري مع قطعة بكتيرية، أو يخلط بين نوعين مختلفين، مما يؤدي إلى إنذارات كاذبة حول الميكروبات الموجودة.

لقد طور فريق من الباحثين في جامعة جونز هوبكنز طريقة جديدة لتنقية هذه الإشارات المربكة قبل أن يبدأ الحاسوب عملية البحث. لقد ابتكروا أداة تسمى "Kmask"، تعمل كمرشح (فلتر) لتسلسلات الحمض النووي، وهي مصممة خصيصاً للعمل مع البرمجيات الشائعة المستخدمة في تحديد الهوية الميكروبية. أدرك الباحثون أن الأدوات الحالية لإزالة الحمض النووي المتكرر لم تكن مضبوطة بدقة لتتناسب مع الطريقة التي تعمل بها برمجيات التصنيف الحديثة، لذا شرعوا في بناء نظام أفضل يمكنه التمييز بين الأجزاء المتكررة "الضوضائية" في الجينوم والأجزاء الفريدة والمعلوماتية التي تحدد النوع بالفعل. ومن خلال اختبار أداتهم على الآلاف من جينومات البكتيريا والفيروسات والفطريات، وجدوا أن Kmask يمكنها إزالة التسلسلات المضللة بكفاءة أكبر من الطرق السابقة، مما يقلل بشكل كبير من عدد المطابقات الخاطئة مع الحفاظ على البيانات المفيدة سليمة.

يكمن جوهر المشكلة في كيفية قياس الحواسيب لـ "التعقيد" في سلسلة الحمض النووي. إذا كرر قسم من الحمض النووي نفس النمط، فإنه يمتلك محتوى معلوماتياً منخفضاً، تماماً مثل الضجيج الساكن (static noise) في قناة راديو. استخدم الباحثون مفهوماً رياضياً يسمى "الإنتروبيا" (entropy) لقياس هذا التعقيد، حيث تعاملوا مع نافذة صغيرة من الحمض النووي كتوزيع لأجزائها. واكتشفوا أنه من خلال تمرير نافذة عبر الجينوم وحساب مقدار التنوع الموجود داخل تلك النافذة، يمكنهم تحديد مكان بدء الضجيج المتكرر بدقة. قاموا باختبار أحجام مختلفة لهذه النوافذ وعتبات مختلفة لما يعتبر "بسيطاً جداً". ومن خلال تجارب دقيقة باستخدام مجموعة من اثني عشر جينوماً بكتيرياً ذات تركيبات كيميائية متفاوتة، حددوا أن حجماً معيناً للنافذة ودرجة قطع دقيقة كانا يعملان بشكل أفضل. سمح ذلك باستبدال الأجزاء المتكررة بمكان محايد (placeholder)، مما أدى فعلياً إلى إسكات الضجيج دون حذف الإشارة الفريدة اللازمة لتحديد الهوية.

باستخدام هذه الإعدادات المحسنة، أنشأ الفريق قاعدة بيانات مرجعية جديدة وضخمة تسمى "Microbial2025". تضم هذه المجموعة أكثر من 71,000 جينوم من البكتيريا والعتائق (archaea) والفيروسات والفطريات ومسببات أمراض أخرى، مما يمثل لقطة شاملة للعالم الميكروبي. وقبل إضافة هذه الجينومات إلى قاعدة البيانات، مرر الباحثون عبرها أداة Kmask لتنقية مناطق التعقيد المنخفض. كما أضافوا طبقة ثانية من التنقية عبر فحص الجينومات مقابل تسلسلات من الملوثات المختبرية الشائعة والكائنات النموذجية مثل البشر والفئران، لضمان إزالة أي مطابقات عرضية. وكانت النتيجة مكتبة أكثر نظافة وموثوقية من المعلومات الجينية. وعندما اختبروا هذه القاعدة الجديدة مقابل تسلسلات الحمض النووي البشري، كان التحسن فورياً وقابلاً للقياس؛ إذ انخفض معدل المطابقات الإيجابية الكاذبة — حيث يتم تحديد الحمض النووي البشري خطأً على أنه بكتيري — من 7.52% إلى 5.78%. هذا الانخفاض يعني أن الحاسوب أقل عرضة للخطأ في اعتبار التسلسل البشري ميكروباً، مما يؤدي إلى تشخيصات ونتائج بحثية أكثر دقة.

قارن الباحثون أيضاً طريقتهم الجديدة بأداة قديمة واسعة الاستخدام تسمى "SDUST"، والتي كانت المعيار لإخفاء (masking) الحمض النووي المتكرر لسنوات. ورغم أن SDUST فعالة، إلا أنها تميل إلى إزالة جزء أكبر من الجينوم، بما في ذلك بعض التسلسلات التي قد تكون مفيدة بالفعل. حققت Kmask مستوى مماثلاً من الدقة في إيقاف المطابقات الخاطئة، لكنها فعلت ذلك من خلال إخفاء عدد أقل بكثير من القواعد (bases) — 1.33% فقط من إجمالي الحمض النووي مقارنة بـ 1.85% للأداة القديمة. هذه الكفاءة أمر بالغ الأهمية لأن كل قطعة من الحمض النووي تُزال هي دليل محتمل مفقود؛ فمن خلال إزالة كمية أقل، تحافظ Kmask على المزيد من البصمة الجينية الفريدة اللازمة للتمييز بين الأنواع. علاوة على ذلك، مالت الأداتان إلى تحديد أجزاء مختلفة من الجينوم كأجزاء إشكالية، مما يشير إلى أنهما ترصدان أنواعاً مختلفة من الأنماط المتكررة. وأشار الباحثون إلى أن استخدام الأداتين معاً يمكن أن يوفر الحماية الأكثر شمولاً ضد الأخطاء، لكن Kmask وحدها قدمت حلاً عالي الكفاءة مصمماً خصيصاً لاحتياجات التصنيف الميكروبي الحديث.

ولرؤية كيف يعمل هذا في سيناريو واقعي، طبق الفريق قاعدة بياناتهم الجديدة على مجموعة من النتائج المشبوهة من دراسة كبيرة لعينات السرطان البشرية. في التحليل الأصلي، ظهرت بعض العينات وكأنها تحتوي على كميات منخفضة جداً من بكتيريا معينة، وهي نتيجة غالباً ما تتبين أنها خطأ ناتج عن مطابقة الحمض النووي المتكرر. وعندما أعاد الباحثون تحليل هذه العينات باستخدام قاعدة البيانات الجديدة والمقنعة (masked)، اختفت أكثر من ثلث تلك الإشارات البكتيرية المشبوهة تماماً. كانت هذه على الأرجح إنذارات كاذبة تسبب فيها الضجيج المتكرر الذي نجحت Kmask في تصفيتها. أما الإشارات المتبقية فقد تم تأكيد كونها حقيقية أو إعادة تصنيفها إلى فئات أكثر دقة. أثبت هذا أن الطريقة الجديدة يمكنها تنقية البيانات دون تدمير الإشارات البيولوجية الحقيقية، مما يوفر رؤية أوضح للعالم الميكروبي الخفي داخل العينات المعقدة. ويشير هذا العمل إلى أن مفتاح العلم الأفضل ليس مجرد امتلاك المزيد من البيانات، بل امتلاك بيانات تم إعدادها بعناية لتناسب الأدوات المستخدمة في تحليلها.