DNA-LLM2Vec: Architecture-Aware Task-Conditioned Adaptation of Decoder DNA Foundation Models

غالبًا ما يُوصف الجينوم البشري بأنه دليل تعليمات ضخم، مكتوب بـأبجدية كيميائية مكونة من أربعة أحرف تخطط المخطط الأساسي للحياة. لعقود من الزمن، حاول العلماء بناء نماذج حاسوبية يمكنها قراءة هذا الدليل، آملين في فهم كيف تؤدي التغييرات الطفيفة في الشفرة إلى المرض أو كيف تتحكم تسلسلات محددة في وظائف الجسم. ويتمثل التحدي الرئيسي في هذا المسعى في أن التعليمات ليست مجرد قائمة بسيطة؛ بل هي شبكة معقدة حيث يعتمد نشاط جين واحد على إشارات تأتي من قبله ومن بعده في التسلسل. علاوة على ذلك، نظرًا لأن الحمض النووي (DNA) جزيء مزدوج الشريط، يمكن قراءة المعلومات نفسها من كلا الاتجاهين، مما يعني أن النموذج الحاسوبي يجب أن يفهم أن التسلسل وصورته المرآتية يحملان المعنى نفسه. وحتى وقت قريب، كانت أقوى النماذج الحاسوبية لقراءة الحمض النووي مصممة للقراءة في اتجاه واحد فقط، مثل شخص يقرأ كتابًا من اليسار إلى اليمين، مما يجعلها تفتقد السياق الحيوي الذي يأتي من الجانب الآخر.

لقد طور فريق من الباحثين الآن طريقة جديدة لإصلاح هذا القصور، محولين هذه القارئات أحادية الاتجاه إلى مفسرات قوية ثنائية الاتجاه دون الحاجة إلى إعادة بنائها من الصفر. لقد أخذوا نموذجين موجودين متطورين للغاية للحمض النووي — أحدهما يقرأ في قطع قصيرة والآخر يتعامل مع امتدادات طويلة جدًا من الشفرة الوراثية — وعلموهما النظر إلى الخلف وإلى الأمام في آن واحد. وبقيامهم بذلك، أنشأوا نظامًا يمكنه فهم السياق الكامل لموقع جيني، تمامًا مثل القارئ الذي يمكنه إلقاء نظرة على الفقرة التي تسبق وتلي الجملة لاستيعاب معناها الحقيقي. ووجد الباحثون أن هذا التحويل يعمل بشكل استثنائي جيد للمهام التي تتضمن تفاعلات جينية بعيدة المدى، مثل كيفية تواصل أجزاء متباعدة من الجينوم مع بعضها البعض لتشغيل الجينات أو إيقاف تشغيلها. ومع ذلك، فقد اكتشفوا أيضًا أن أفضل طريقة لتكييف هذه النماذج تعتمد بشدة على النوع المحدد للمهمة الجينية والتصميم الأصلي للنموذج نفسه؛ إذ لا توجد نسخة واحدة "مثالية" تعمل في كل شيء.

يتضمن جوهر هذا العمل عملية خطوة بخطوة لتحويل نموذج حمض نووي "سببي" (causal)، والذي يتنبأ بالحرف التالي في التسلسل بناءً فقط على ما سبقه، إلى نموذج "ثنائي الاتجاه" (bidirectional) يرى الصورة كاملة في وقت واحد. قام الباحثون أولاً بفتح آلية الانتباه في النموذج لتمكينه من النظر إلى التسلسل بأكم، وليس فقط إلى الماضي. ومع ذلك، خلق هذا نوعًا من عدم التطابق، لأن النموذج لم يسبق له التدرب على التعامل مع مفهوم "المعلومات المفقودة"، وهو أمر ضريد لهذه الطريقة الجديدة في القراءة. ولإصلاح ذلك، علموا النموذج التنبؤ بحرف مخفي بناءً على السياق المحيط، وهي تقنية سمحت له بتعلم كيفية استخدام رؤيته الجديدة ثنائية الاتجاه بفعالية. وأخيرًا، أضافوا خطوة تدريبية علمت النموذج أن التعرف على أن تسلسل الحمض النووي وصورته المرآتية العكسية هما في الأساس الشيء نفسه، مما يضمن أن يحترم النموذج التماثل الطبيعي للولب المزدوج.

عندما اختبر الفريق هذه النماذج المعدلة على مجموعة واسعة من المهام البيولوجية، كانت النتائج مذهلة ولكنها دقيقة. فبالنسبة للمهام التي تتطلب فهم مسافات طويلة، مثل كيفية تفاعل "المعزز" (محفز جيني) مع "المروج" (بداية الجين) على بعد مئات الآلاف من الحروف، وفرت الطريقة الجديدة دفعة هائلة في الدقة. في هذه السيناريوهات بعيدة المدى، حسنت النماذج المعدلة أداءها بنسبة تصل إلى 27 نقطة مئوية مقارنة بالنسخ الأصلية أحادية الاتجاه. ويشير هذا إلى أن القدرة على رؤية السياق الكامل أمر بالغ الأهمية لفهم كيفية تنظيم الجينوم لنفسه عبر مسافات كبيرة. وقد ثبت أن تقنية تدريب محددة، تضمنت إظهار مقاطع مختلفة قليلاً من نفس التسلسل الطويل للنموذج، كانت الأكثر فعالية لهذه المهام الممتدة.

ومع ذلك، تتغير القصة عند النظر إلى المهام الجينية المحلية والأقصر. فبالنسبة للمشكلات المتعلقة بالتعرف الدقيق على مواقع الربط (حيث يتم قطع ووصل الحمض النووي) أو ارتباط البروتينات بأنماط قصيرة محددة، لم تكن الفوائد موحدة. ففي بعض الحالات، كان أداء النماذج الجديدة ثنائية الاتجاه أسوأ من النسخ الأصلية أحادية الاتجاه، خاصة عندما استخدم التصميم الأصلي للنموذج نوعًا معينًا من "الترميز" (tokenization) الذي يجمع الحروف معًا بطرق لا تتناسب مع المهمة قصيرة المدى. وهذا الاكتشاف حاسم لأنه يوضح أن جعل النموذج ثنائي الاتجاه ليس حلًا سحريًا؛ إذ يعتمد نجاح التكييف على مطابقة الطريقة مع هيكل المشكلة وتصميم النموذج الأساسي.

نظر الباحثون أيضًا داخل النماذج لفهم ما يحدث بالفعل أثناء هذا التحول. استخدموا أداة تشخيصية تحاكي طفرات صغيرة في تسلسل الحمض النووي لمعرفة كيف يتغير الفهم الداخلي للنموذج للشفرة الوراثية. ووجدوا أن عملية التدريب قد نظمت بالفعل الهيكل الداخلي للنموذج ليتعرف بشكل أفضل على الأنماط التنظيمية المعروفة، وأن التدريب الذي علم النموذج احترام الطبيعة ثنائية الشريط للحمض النووي قد نجح في جعل فهمه متسقًا بغض النظر عن الشريط الذي يتم تقديمه. ومع ذلك، وجدوا أيضًا أن هذه التحسينات الداخلية لم تتنبأ دائمًا بالنسخة التي ستؤدي بشكل أفضل في مهمة خارجية محددة. فعلى سبيل المثال، النسخة التي فهمت تماثل أشرطة الحمض النووي بشكل أفضل لم تكن بالضرورة هي النسخة التي قدمت أفضل أداء في التنبؤ بالتفاعات الجينية بعيدة المدى.

يسلط هذا الانفصال الضوء على رؤية رئيسية من الدراسة: إن الطريقة التي ينظم بها النموذج معرفته الداخلية لا تترجم دائمًا بشكل مباشر إلى أداء أفضل في كل التطبيقات اللاحقة. وقد أثبت الباحثون أن قيمة طريقتهم تكمن في إنشاء تمثيل "مجمد" وقابل لإعادة الاستخدام للحمض النووي يلتقط السياق ثنائي الاتجاه وتماثل الشريط. وبينما يعد هذا التمثيل فعالاً للغاية لأنواع معينة من المهام، خاصة تلك التي تتضمن تفاعلات بعيدة المدى، فإنه يتطلب اختيار استراتيجية التكييف بعناية بناءً على الهدف المحدد. وتخلص الدراسة إلى أنه لا توجد طريقة واحدة مثلى لتحويل هذه النماذج القوية؛ وبدلاً من ذلك، يجب على العلماء اختيار نهج التكييف الذي يتوافق مع كل من السؤال البيولوجي الذي يطرحونه والتصميم المحدد للنموذج الذي يستخدمونه.

إن تداعيات هذا العمل تمتد إلى ما هو أبعد من مجرد تحسين خوارزمية واحدة. فهي تشير إلى أن مستقبل الذكاء الاصطناعي الجينومي لا يكمن في بناء نموذج واحد عالمي يفعل كل شيء بشكل مثالي، بل في تطوير أطر عمل مرنة يمكن ضبطها لتلبية الاحتياجات المختلفة للمشكلات البيولوجية المختلفة. ومن خلال إظهار إمكانية إعادة توظيف النماذج الموجودة للتعامل مع الطبيعة المعقدة وثنائية الاتجاه للحمض النووي، قدم الباحثون أداة جديدة للعلماء لاستكشاف الجينوم. يتيح هذا النهج لهم الاستفف من كميات البيانات الهائلة المستخدمة بالفعل لتدريب هذه النماذج مع إضافة القدرة الحاسمة على رؤية السياق الكامل للشفرة الوراثية، مما يفتح أبوابًا جديدة لفهم كيفية تنظيم الحياة على المستوى الجزيئي.