2,234 attempts to harmonize a multi-platform B-cell lymphoma bulk transcriptomic dataset: ComBat is superior by cross-batch prediction quality

في عالم الطب الحديث، يحاول العلماء غالباً فهم الأمراض من خلال قراءة التعليمات الجينية داخل الخلايا. هذه التعليمات، المعروفة باسم التعبير الجيني، تعمل مثل سجل مفصل لما تفعله الخلية في لحظة معينة. عندما يدرس الباحثون حالات مثل الليمفوما، وهي نوع من سرطان الدم، فإنهم يأملون في إيجية أنماط في هذه السجلات تتنبأ بكيفية استجابة المريض للعلاج أو بمدى احتمالية بقائه على قيد الحياة. ومع ذلك، يقف عائق رئيسي في طريق هذه الاكتشافات: البيانات نفسها غالباً ما تكون غير متسقة. فـسجلات التعبير الجيني تُكتب بواسطة آلات مختلفة، وباستخدام وصفات كيميائية مختلفة، وتُخزن بطرق مختلفة عبر المختبرات حول العالم. تماماً كما قد لا تتطابق قراءة درجة الحرارة المأخوذة بميزان حرارة زئبقي في بلد ما مع قراءة رقمية في بلد آخر، فإن سجلات الجينات من مصادر مختلفة غالباً ما تبدو مختلفة تماماً، حتى عندما تصف نفس الواقع البيولوجي. هذا التباين، المسمى "تأثير الدفعة" (batch effect)، يمكن أن يخفي الإشارات الدقيقة للمرض أو يخلق إشارات وهمية، مما يجعل من المستحيل تقريباً دمج البيانات من دراسات مختلفة لإيجال إجابات موثوقة.

ولحل هذه المشكلة، طور العلماء أدوات رياضية مصممة لتنعيم هذه الاختلافات، وهي عملية تسمى "التناغم" (harmonization). الهدف هو جعل البيانات من مصادر مختلفة تبدو كما لو أنها تم إنتاجها جميعاً في نفس المختبر، دون محو الاختلافات البيولوجية الحقيقية بين الخلايا السليمة والمريضة. لكن هناك عقبة: لا توجد طريقة واحدة متفق عليها لتقييم مدى جودة عمل هذه الأدوات. فبعض العلماء ينظرون إلى مدى قدرة نقاط البيانات على التجمع معاً في خريطة، بينما يتحقق آخرون مما إذا كان بإمكان برنامج كمبيوتر التعرف بشكل صحيح على نوع السرطان بعد تعديل البيانات. ولأن طرق قياس النجاح المختلفة هذه غالباً ما تشير إلى حلول متباينة، فقد تُرك الباحثون في حيرة من أمرهم بشأن الأداة التي يجب الوثوق بها. تعالج دراسة جديدة أجراها دانييل نيكيتين وأرسين أراكليان هذا الارتباك من خلال اختبار الآلاف من الطرق المختلفة لتناغم البيانات، كاشفةً أن الأداة "الأفضل" تعتمد كلياً على ما تحاول قياسه، وأن الطرق الأكثر شعبية قد لا تكون الأكثر موثوقية للتنبؤ بنتائج المرضى.

بدأ الباحثون بمجموعة ضخمة من البيانات الجينية لأكثر من 7,000 مريض مصاب بليمفوما الخلايا البائية، جُمعت من 88 مجموعة بحثية مختلفة. كانت مجموعة البيانات هذه عبارة عن قطع مجمعة من عينات تمت معالجتها بتقنيات متنوعة، مما خلق لغزاً معقداً من الضجيج التقني. قاموا باختبار 2,234 تركيبة مختلفة من الطرق الرياضية لتنظيف هذه البيانات. مثلت كل تركيبة استراتيجية فريدة: بعضها حاول إزالة الضجيج التقني بلطف، بينما حاول البعض الآخر إعادة تشكيل البيانات بقوة لفرض نمط موحد عليها. ثم قام الفريق بتقييم كل محاولة من هذه المحاولات الـ 2,234 باستخدام مجموعة واسعة من الاختبارات. لم يستخدموا مسطرة واحدة فحسب؛ بل استخدموا خمس فئات مختلفة من القياس. تحققت بعض الاختبارات مما إذا كانت البيانات تبدو سلسة ومنتظمة، وتحققت اختبارات أخرى مما إذا كانت المجموعات البيولوجية لا تزال متميزة، وحاولت مجموعة ثالثة من الاختبارات التنبؤ بنوع الليمفوما في دفعة من العينات التي لم يرها الكمبيوتر من قبل، محاكيةً بذلك اختباراً سريرياً في العالم الحقيقي.

كانت النتائج مفاجئة وكشفت عن صراع عميق بين الطرق المختلفة للحكم على النجاح. فعندما نظر الباحثون إلى الطرق التي تعيد تشكيل البيانات بقوة لجعل جميع الدفعات تبدو متطابقة، سجلت هذه الطرق درجات عالية جداً في الاختبارات التي تقيس مدى اختلاط نقاط البيانات معاً. ومع ذلك، فشلت هذه الطرق القوية فشلاً ذريعاً عند اختبار قدرتها على الحفاظ على الإشارات البيولوجية الحقيقية؛ فقد قامت أساساً بتنعيم الاختلافات التي يحتاجها الأطباء لرؤيتها. وعلى العكس من ذلك، فإن الطرق التي أجرت تغييرات طفيفة ولطيفة على البيانات حافظت على الإشارات البيولوجية بشكل مثالي، لكنها فشلت في دمج الدفعات معاً، مما ترك الضجيج التقني مرئياً. ووجدت الدراسة أنه لا توجد طريقة واحدة هي "البطل المثالي". بدلاً من ذلك، فإن الأدوات التي عملت بشكل أفضل لنوع واحد من الاختبارات غالباً ما كان أداؤها سيئاً في نوع آخر. فعلى سبيل المثال، الطرق التي كانت ممتازة في جعل البيانات تبدو موحدة كانت سيئة للغاية في التنبؤ بنوع السرطان الذي يعاني منه المرضى.

ظهرت النتيجة الأكثر أهمية عندما ركز الباحثون على القدرة على التنبؤ بأنواع الأمراض في بيانات جديدة وغير مرئية. هذا هو الاختبار النهائي لأي أداة طبية: إذا قمت بتدريب كمبيوتر على بيانات من مجموعة مستشفيات، فهل يمكنه تشخيص المرضى من مستشفى مختلف تماماً بشكل صحيح؟ في هذا الاختبار المحدد، تفوقت باستمرار عائلة من الأدوات تُعرف باسم "ComBat" على جميع الأدوات الأخرى. نجحت هذه الطرق في إزالة الضجيج التقني مع الحفاظ على الإشارات البيولوجية سليمة، مما سمح للكمبيوتر بإجراء تنبؤات دقيقة. في المقابل، تبين أن بعض الطرق التي تم الاحتفاء بها في دراسات سابقة لقدرتها على خلط نقاط البيانات، كانت ضارة. فقد شوهت المعلومات الجينية بشدة لدرجة أنها دمرت القدرة على التمييز بين أنواع الليمفوما المختلفة. كما أظهرت الدراسة أن الطرق الأكثر شعبية التي يتم اختيارها عن طريق الفحص البصري أو عبر خرائط التجميع البسيطة غالباً ما فشلت في أن تكون الأفضل في هذه الاختبارات التنبؤية، مما يشير إلى أن ما يبدو جيداً على الرسم البياني لا يترجم دائماً إلى فائدة في العالم الحقيقي.

خلص الباحثون إلى أنه لا توجد طريقة "أفضل" عالمية لتناغم البيانات الجينية. إن اختيار الطريقة يعتمد كلياً على الهدف. فإذا كان الهدف هو مجرد جعل البيانات تبدو موحدة، فقد تنجح الطرق القوية، لكنها تخاطر بتدمير الحقيقة البيولوجية. أما إذا كان الهدف هو بناء نموذج يمكنه التنبؤ بالمرض لدى المرضى الجدد، فإن الطرق اللطيفة والمحددة مثل "ComBat" هي الأفضل بكثير. تقترح الدراسة إطار عمل جديداً مكوناً من ست خطوات للأبحوث المستقبلية. يشير هذا الإطار إلى أنه لا ينبغي للعلماء الاعتماد على اختبار واحد للحكم على بياناتهم. بدلاً من ذلك، يجب عليهم التحقق من أمور متعددة: هل لا تزال البيانات تشبه البيولوجيا الأصلية؟ هل تتفق الدفعات المختلفة مع بعضها البعض؟ والأهم من ذلك، هل لا تزال البيانات المنظفة قادرة على التنبؤ بالمرض بدقة؟ ومن خلال استخدام هذا النهج متعدد الطبقات، يمكن للباحثين تجنب فخ اختيار أداة تبدو جيدة على الورق ولكنها تفشل في العيادة، مما يضمن أن الرؤى الجينية التي يكشفون عنها حقيقية وموثوقة.