Additive-input encoding fails operator-level target-held-out prediction on current Perturb-seq screens
تُظهر هذه الدراسة أن نماذج الترميز ذات المدخلات الجمعية المستخدمة في فحوصات "Perturb-seq" الحالية تفشل في التعميم على أهداف اضطراب جديدة ومستبعدة، مما يكشف أن المشغلات التنظيمية المستنتجة لم يتم التحقق من قدرتها على التنبؤ بالاستجابات للجينات غير المرئية رغم قابليتها للتعريف الرياضي.
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
تخيل عالماً يستطيع فيه العلماء إيقاف تشغيل جينات فردية في خلية ومراقبة ما سيحدث، كل ذلك في وقت واحد. هذا هو الوعد الذي تقدمه تقنية تسمى "Perturb-seq". فمن خلال استخدام أداة جزيئية لإسكات جينات محددة ثم قراءة الاستجابة الجينية الكاملة للخلية، يأمل الباحثون في بناء خريطة لكيفية تواصل الجينات مع بعضها البعض. الهدف النهائي هو فهم القواعد الخفية للحياة: إذا سحبت خيطاً واحداً، أي الخيووت الأخرى ستشتد، وأيها سيرتخي؟ لسنوات، كانت الطريقة القياسية لتفسير هذه التجارب الضخمة هي افتراض أن استجابة الخلية هي مجرد مجموع بسيط للأجزاء. الفكرة هي أنه إذا أوقفت الجين (أ)، فإنه يضيف مقداراً معيناً من التغيير؛ وإذا أوقفت الجين (ب)، فإنه يضيف مقداراً آخر؛ وإذا أوقفت كليهما، فيجب أن تكون النتيجة مجرد هذين التغييرين مضافين إلى بعضهما. هذه الرؤية "التراكمية" جذابة لأنها نظيفة رياضياً وسهلة الحساب، مما يسمح للعلماء باستنتاج خريطة تحكم رئيسية للأسلاك الداخلية للخلية.
ومع ذلك، يشير دراسة جديدة من باحثين في جامعة بريغهام يونغ إلى أن قاعدة الجمع البسيطة هذه قد تكون مكسورة بشكل جوهري عند تطبيقها على البيانات البيولوجية الحقيقية. فقد قام الفريق، بقيادة كايلر فولمر، ودالتون كوتزن، وتومي دبليو تيرويتي، بأخذ ثلاث من أكبر تجارب إسكات الجينات الأكثر احتراماً والتي أُجريت على الإطلاق، واختبار ما إذا كان النموذج التراكمي يمكنه حقاً التنبؤ بما سيحدث لجين لم يسبق للباحثين رؤيته من قبل. لم يكتفوا بمجرد النظر إلى البيانات؛ بل بنوا ميدان اختبار صارم لمعرفة ما إذا كان النموذج يمكنه التعميم. لقد طرحوا سؤالاً مباشماً: إذا تعلم جهاز كمبيوتر قواعد اللعبة من مجموعة من الجينات المعروفة، فهل يمكنه تخمين نتيجة جين جديد تماماً لم يواجهه من قبل؟
كانت الإجابة، كما وجدوا، هي "لا" مدوية. فعندما حاول الباحثون استخدام النموذج التراكمي للتنبؤ بسلوك جين جديد لم يسبق له مواجهته، فشل النموذج تماماً. في الواقع، لم يكن أداء النموذج أفضل من شخص يخمن ببساطة أنه لن يحدث أي تغيير على الإطلاق. وللتأكد من أن هذا الفشل لم يكن مجرد صدفة أو نتيجة لبيانات مشوشة، أنشأ الفريق محاكاة مثالية؛ حيث قاموا بتوليد بيانات وهمية كانت القواعد فيها معروفة بأنها تراكمية تماماً، تماماً كما تدعي النظرية. وعندما قاموا بتشغيل نموذجهم على هذه البيانات الوهمية، عمل بشكل رائع، مستعيداً القواعد الخفية بدقة عالية. أثبت هذا أن منهجية الاختبار الخاصة بهم كانت سليمة وأن الكمبيوتر كان قادراً على التعلم. وبالتالي، لم تكن المشكلة في الرياضيات أو الضجيج في البيانات، بل في الافتراض بأن الخلايا الحقيقية تتصرف مثل مجرد مجموع أجزاء بسيطة.
اختبر الباحثون ذلك على ثلاث مجموعات بيانات مختلفة: اثنتان من المسوحات الضخمة التي شملت خلايا بشرية نمت في أطباق مخبرية، وواحد اختبر جرعات مختلفة من إسكات الجينات. وفي كل حالة، لم يستطع النموذج الذي يفترض أن الجينات تجمع آثارها ببساة أن يتنبأ بنتيجة جين جديد. كان معدل الخطأ مرتفعاً لدرجة أن تنبؤات النموذج كانت لا تختلف عن التخمين العشوائي. وقد استبعد الفريق عدة أسباب محتملة لهذا الفشل؛ فقد تحققوا مما إذا كانت المشكلة ناتجة عن اختيار "أسهل" الجينات للدراسة، ووجدوا أنه حتى عندما اختاروا الجينات عشوائياً، ظل النموذج يفشل. وتحققوا مما إذا كانت المشكلة تعود إلى عدد الجينات المدروسة أو الطريقة المحددة لقياس الجينات، ووجدوا أن الفشل استمر بغض النظر عن هذه العوامل. وحتى عندما جردوا التفاصيل المتعلقة بقوة إسكات الجين ونظروا فقط إلى اتجاه التغيير، لم يستطع النموذج التنبؤ بالنتيجة.
كان هناك استثناء واحد صغير قدم بصيصاً من الأمل، لكنه كان متواضعاً. ففي مجموعة واحدة محددة من الخلايا، استطاع النموذج التنبؤ بنتيجة الجينات الجديدة بشكل أفضل قليلاً من مجرد التخمين بالنتيجة المتوسطة. ومع ذلك، حتى في أفضل سيناريو لهم، لم يستعد النموذج سوى حوالي سبعة بالمائة فقط من المعلومات التي كان سيقدمها نظام مثالي ومنضبط. لقد كان نصراً ضئيلاً في بحر من الفشل. كما اختبر الباحثون طرقاً أكثر تطوراً لترميز معلومات الجينات، بما في ذلك الطرق التي تنظر في كيفية اتصال الجينات في حالتها الطبيعية أو التي تستخدم التعلم الآلي لتعلم "بصمة" الجين من البيانات. ولم تستطع أي من هذه الطرق المتقدمة التغلب على المشكلة الأساسية؛ فقد فشلت في التنبؤ بالجينات الجديدة في نوعين من أصل ثلاثة أنواع من الخلايا المختبرة، وفي النوع الثالث، لم يتمكنوا إلا من تحقيق تحسن طفيف بعيد جداً عما وعدت به النظرية.
تخلص الدراسة إلى أن الطريقة الحالية لتفسير مسوحات إسكات الجينات الضخمة هذه من المرجح أن تكون معيبة. فالافتراض بأن الجينات تعمل كمفاتيح مستقلة تضيف آثارها ببساطة لا يصمد أمام الاختبار عندما يُطبق على أهداف غير مرئية. ويقترح الباحثون احتمالين رئيسيين لحدوث ذلك: أولاً، أن الطريقة التي يتم بها ترجمة هوية الجين إلى مدخل رياضي قد تؤدي إلى التخلص من معظم المعلومات المهمة، تماماً مثل محاولة وصف منظر طبيعي معقد من خلال النظر فقط إلى صورة واحدة ضبابية. ثانياً، قد يكون الواقع البيولوجي هو أن الجينات لا تعمل بطريقة خطية بسيطة؛ بدلاً من ذلك، قد تصل آثارها إلى مرحلة التشبع أو تصطدم بعتبة معينة، مما يعني أن إيقاف تشغيل جين ما لا ينتج تغييراً ثابتاً وقابلاً للتنبؤ.
هذا العمل لا يعني أن مسوحات إسكات الجينات عديمة الفائدة، لكنه يعني أيضاً أن الخرائط التي بنيناها منها حتى الآن قد لا تكون أدلة موثوقة للتنبؤ بما يحدث عند استهداف جينات جديدة. وقد أصدر الباحثون مجموعة أدوات جديدة لمساعدة العلماء الآخرين على التحقق من نماذجهم الخاصة وفقاً لهذه المعايير الصارمة، لضمان بناء الاكتشافات المستقبلية على أرض صلبة. الدرس واضح: البيولوجيا غالباً ما تكون أكثر تعقيداً مما تسمح به أبسط معادلاتنا، وإلى أن نجد طريقة لالتقاط هذا التعقيد، ستظل تنبؤاتنا بكيفية تفاعل الخلايا مع التدخلات الجديدة غير مؤكدة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.