Slide-level batch structure limits histology-guided supervision of transcriptomic foundation models
تُظهر هذه الدراسة أن استخدام نسيج (H&E) المطابق كإشارة إشرافية أثناء التدريب يفشل في تحسين النماذج التأسيسية للنسخ المتماثلة بشكل متسق، لأن هياكل الدفعات الخاصة بالشرائح في علم النسخ المتماثل المكاني القائم على البقع تحد من الإشارة المشتركة بين الجينات والمورفولوجيا، مما يؤدي في النهاية إلى إعادة تنظيم المعلومات الموجودة دون استعادة التفاصيل البيولوجية المفقودة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
في عالم الأنسجة البشرية الهادئ والمعقد، تُتحدث لغتان باستمرار. إحداهما مكتوبة بالشيفرة الكيميائية للجينات، وهي التعليمات الدقيقة التي تخبر الخلايا بكيفية التصرف والبقاء والتفاعل. والأخرى مكتوبة في شكل وملمس النسيج نفسه، والتي تظهر للعين المجردة أو المجهر كمنظر طبيعي من الخلايا والألياف والهياكل. لعقود من الزمن، قرأ علماء الأمراض اللغة الثانية، حيث نظروا إلى شرائح الأنسجة المصبوغة لتشخيص الأمراض، بينما فكك علماء الأحياء شفرة اللغة الأولى، وقاسوا نشاط الجينات لفهم آليات الحياة. ومؤخرًا، ظهر مجال جديد يسمى "علم النسخ المكاني" (spatial transcriptomics)، والذي يسمح للعلماء بقراءة اللغتين معًا في آن واحد من نفس البقعة الصغيرة في عينة نسيجية. وهذا يعد باتحاد قوي: فهم أي الجينات هي النشطة بالضبط في أجزاء معينة من الورم أو العضو، مرسومة مباشرة على البنية الفيزيائية للجسم.
كان الأمل هو أن يمكن لهاتين اللغتين أن تُعلما بعضهما البعض. فإذا استطاع الحاسوب تعلم قراءة الأنماط البصرية لشريحة نسيجية، فربما يمكنه استخدام تلك المعرفة لفهم بيانات الجينات المعقدة بشكل أفضل، حتى عندما تكون البيانات البصرية مفقودة لاحقًا. تعتمد هذه الفكرة على مفهوم يسمى "نماذج التأسيس" (foundation models)، وهي أنظمة ذكاء اصطناعي ضخمة تم تدريبها مسبقًا على كميات هائلة من البيانات للتعرف على الأنماط العامة. تساءل الباحثون عما إذا كان بإمكانهم تدريب نماذج قراءة الجينات هذه عن طريق إظهار صور الأنسجة المطابقة لها خلال مرحلة التعلم، مستخدمين الصورة أساسًا كمعلم، ثم التخلص من الصورة بمجرد تدريب النموذج. كان الهدف هو إنشاء أداة لقراءة الجينات تكون أكثر حدة ودقة وقدرة على التعرف على الأنماط في المرضى الجدد، ببساطة لأنها تعلمت النظر إلى بنية النسيج أثناء دراستها للجينات.
شرع فريق من الباحثين في اختبار هذه الفرضية من خلال تجربة صارمة تتضمن ثلاثة نماذج مختلفة ومتطورة لقراءة الجينات. جمعوا بيانات من عينات أنسجة بشرية، وتحديدًا من البقع التي تم فيها قياس نشاط الجينات جنبًا إلى جنب مع صور عالية الدقة للأنسجة المصبوغة بصبغة وردية وبنفسجية قياسية. لكل بقعة صغيرة، كان لديهم قائمة بالجينات النشطة وقطعة صورة مقابلة لها. أخذوا نماذج الجينات المدربة مسبقًا وحاولوا صقلها عبر إجبارها على التنبؤ بصورة النسيج بناءً على قائمة الجينات وحدها. وإذا نجح النموذج في تخمين شكل النسيج بمجرد قراءة الجينات، فقد استنتج الباحثون أنه لا بد وأن النموذج قد تعلم رابطًا أعمق وأكثر فائدة بين الاثنين. وبمجرد اكتمال هذا التدريب، أزالوا جزء التنبؤ بالصورة من النظام واختبروا نماذج الجينات المصقولة على مرضى جدد لم يسبق رؤيتهم، لمعرفة ما إذا كانت أفضل في تحديد أنواع الأنسجة، مثل التمييز بين الورم والنسيج السليم.
كانت النتائج مفاجئة وقدمت إجابة واضحة، وإن كانت واقعية؛ فبالرغم من الحدس القوي بأن الإرشاد البصري سيساعد، إلا أن النماذج المصقولة لم تصبح أفضل في التعرف على أنواع الأنسج لدى المرضى الجدد مقارنة بالنماذج الأصلية غير المصقولة. وفي الواقع، ظل الأداء كما هو تمامًا في معظم الحالات. وجد الباحثون أنه بينما احتوت صور الأنسجة نفسها على ثروة من المعلومات التي يمكنها بسهولة تحديد أنواع الأنسج المختلفة، فإن بيانات الجينات من هذه العينات المكانية المحددة لم تكن تحتوي على قدر كافٍ من تلك المعلومات ذاتها التي يمكن تحسينها بواسطة الصور. كانت نماذج الجينات "عمياء" جوهريًا عن الإشارات البصرية التي أمل الباحثون أن تعلمها إياها، ليس بسبب عيوب في النماذج، بل لأن بيانات الجينات التي بُنيت عليها لم تكن تحمل الإشارات اللازمة لذلك.
كشفت الدراسة عن مشكلة هيكلية خفية داخل بيانات الجينات نفسها. فالمعلومات التي تلتقطها هذه القياسات الجينية المكانية كانت منخفضة الأبعاد بشكل مثير للدهشة، مما يعني أنها شغلت مساحة ضيقة جدًا ومحدودة من الاحتمالات بدلاً من كونها مشهدًا غنيًا ومتنوعًا. علاوة على ذلك، كانت هذه المساحة الضيقة تهيمن عليها هوية شريحة النسيج المحددة التي جاءت منها، بدلاً من الاختلافات البيولوجية بين المرضى. كان الأمر كما لو أن بيانات الجينات مرتبطة ارتباطًا وثيقًا بالدفعة المحددة من الأنسجة التي جاءت منها لدرجة أنها طغت على الإشارات البيولوجية العالمية التي تحتاجها النماذج للتعلم. وعندما حاول الباحثون إجبار النماذج على التوافق مع الصور، لم تتعلم النماذج رؤية البيولوجيا بشكل أفضل، بل قامت ببساطة بإعادة تنظيم المعلومات المحدودة التي تمتلكها بالفعل، وغالبًا على حساب قدرتها على التنبؤ بأنشطة جينية أخرى.
كانت هناك بعض الاستثناءات حيث ساعد الإرشاد البصري، ولكن فقط لأنواع الأنسج التي تبدو متميزة وفريدة للغاية تحت المجهر، مثل بعض الأورام العدوانية. بالنسبة لهذه الحالات المحددة، سمحت التلميحات البصرية للنموذج بشحذ تركيزه. ومع ذلك، بالنسبة للغالبية العظمى من أنواع الأنسج، خاصة تلك التي تبدو متشابهة أو ذات اختلافات طفيفة، لم يقدم الإرشاد أي فائدة بل جعل النموذج أسوأ أحيانًا في التنبؤ بنشاط الجينات. وخلص الباحثون إلى أن المعلومات البصرية لم تستطع إنقاذ أو استعادة الإشارات البيولوجية التي كانت مفقودة من بيانات الجينات منذ البداية. فالنماذج لم تستطع سوى إعادة ترتيب ما هو موجود بالفعل؛ ولم تستطع ابتكار معلومات جديدة.
تشير هذه النتيجة إلى وجود حد حرج في كيفية تحسين هذه الأدوات البيولوجية القوية. وبينما من المغري إلقاء كل مصدر بيانات متاح على مشكلة ما، تظهر الدراسة أن إضافة لغة ثانية لا تؤدي تلقائيًا إلى تحسين فهم اللغة الأولى إذا كانت اللغة الأولى تفتقر إلى المفردات اللازمة. قبل محاولة استخدام صور الأنسجة لتوجيه نماذج الجينات، يجب على العلماء أولاً تشخيص ما إذا كانت بيانات الجينات تحتوي بالفعل على الإشارات المشتركة اللازمة لهذا التوجيه. إن هذا العمل بمثابة تذكير بأنه في المهمة المعقدة لفك رموز الحياة، فإن المزيد من البيانات ليس دائمًا أفضل إذا كان الهيكل الأساسي لتلك البيانات مقيدًا جدًا بحيث لا يستطيع حمل وزن المعلومات الجديدة. إن الطريق إلى الأمام يتطلب تشخيصًا دقيقًا لما يمكن للبيانات أن تخبرنا به وما لا يمكنها إخبارنا به، بدلاً من افتراض أن معلمًا بصريًا يمكنه دائمًا إصلاح طالب صامت.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.