Unsupervised decomposition of massively parallel TraDIS-Xpress fitness data from Escherichia coli identifies distinct functional and expression modules of antimicrobial resistance determinants

تُعد البكتيريا أستاذة في التكيف؛ فعندما تواجه تهديداً، مثل مضاد حيوي، فإنها لا تكتفي بمجرد الجلوس والانتظار حتى يتم تدميرها، بل تقوم بتنشيط نظام دفاع داخلي معقد. ولفهم كيفية عمل ذلك، غالباً ما يستخدم العلماء تقنية تُسمى "تسلسل إدراج العناصر القافزة" (transposon insertion sequencing). تخيل الجينوم كأنه دليل تعليمات طويل لبناء وتشغيل بكتيريا؛ في هذه الطريقة، يقوم الباحثون بإدراج قطع صغيرة من المادة الوراثية عشوائياً داخل دليل التعليمات، مما يؤدي فعلياً إلى تعطيل التعليمات في نقاط محددة. إذا نجت البكتيريا ونمت جيداً رغم تعطل تعليمات معينة، فمن المرجح أن ذلك الجزء من الدليل لم يكن ضرورياً للبقاء تحت تلك الظروف. أما إذا ماتت البكتيريا أو عانت، فهذا يعني أن تلك التعليمات كانت حاسمة. ومن خلال اختبار الملايين من هذه البكتيريا المعطلة في وقت واحد، يمكن للعلماء إنشاء خريطة توضح أي الجينات حيوية للبقاء في بيئات مختلفة.

ومع ذلك، فإن الطرق التقليدية لقراءة هذه الخرائط تواجه قصوراً كبيًراً. فعادةً ما ينظر العلماء إلى كل جين بشكل منعزل، ويقارنون سلوكه في بيئة ضابطة مقابل بيئة مجهدة. هذا النهج ينتج مئات القوائم المنفصلة، قائمة واحدة لكل حالة تم اختبارها، مما يجعل من الصعب رؤية الصورة الأكبر لكيفية عمل الجينات المختلفة معاً كفريق. علاوة على ذلك، غالباً ما تغفل الطرق القياسية الإشارات الدقيقة للجينات التي لم تتعطل، بل تم تشغيلها أو إيقافها فحسب، وهو جزء أساسي من كيفية مقاومة البكتيريا للأدوية. تعالج دراسة جديدة أجراها باحثون من معهد كوادرام وجامعة شرق أنجليا هذه الفجوات من خلال تطبيق أداة رياضية قوية على مجموعة هائلة من البيانات البكتيرية. فبدلاً من النظر إلى الجينات واحداً تلو الآخر، بحثوا عن أنماط خفية تربط مجموعات من الجينات معاً، مما كشف عن كيفية تنسيق البكتيريا لدفاعاتها في الوقت الفعلي.

بدأ الباحثون بمكتبة ضخمة تضم ما يقرب من 800,000 سلالة طافرة من بكتيريا "إيشيريشيا كولاي" (Escherichia coli)، وهي بكتيريا شائعة تُستخدم غالباً في المختبرات. تم إنشاء هذه المكتبة باستخدام أداة وراثية خاصة لا تكتفي بكسر الجينات فحسب، بل يمكنها أيضاً تشغيلها أو إيقافها، مما سمح للعلماء بدراسة الجينات الأساسية التي لا يمكن كسرها عادةً دون قتل الخلية. عرضوا هذه البكتيريا لـ 754 حالة مختلفة، بما في ذلك مضادات حيوية متنوعة وضغوط بيئية أخرى. كان الهدف هو تجاوز الطريقة القياسية لتحليل كل تجربة على حدة. وبدلاً من ذلك، قاموا بتغذية جميع البيانات في برنامج حاسوبي مصمم لإيجاد أنماط مستقلة، أو "نماذج" (modules)، تظهر عندما تواجه البكتيريا تحديات مختلفة. سمحت هذه العملية، المعروفة باسم "تحليل المكونات المستقلة" (independent component analysis)، بتجميع الجينات التي تستجيب معاً، بغض النظر عما إذا كانت تقع بجوار بعضها البعض على الكروموسوم أو تنتمي إلى نفس المسار البيولوجي المعروف.

كشف التحليل عن 99 مجموعة وظيفية متميزة، أطلق عليها الباحثون اسم "fxModules". هذه المجموعات لا تُعرَّف بناءً على معرفة مسبقة بما تفعله الجينات، بل بناءً على كيفية تصرفها معاً في البيانات. وجدت الدراسة أن هذه النماذج قدمت صورة أوضح للمقاومة البكتيرية من النظر إلى الجينات الفردية. فعلى سبيل المثال، عند تعرض البكتيريا للمضاد الحيوي "فوسفوميسين" (fosfomycin)، حدد التحليل نموذجاً معيناً يحتوي على الجينات المسؤولة عن دخول العقار إلى الخلية، وتنظيمه، ومعالجته الأيضية. أعاد هذا النموذج إنتاج آليات المقاومة المعروفة بدقة، لكنه فعل ذلك بربط الجينات عبر مسارات بيولوجية مختلفة، وهو أمر فات الطرق التقليدية. استطاع الباحثون رؤية أن دفاع البكتيريا تضمن جهداً منسقاً للتحكم في تدفق العقار، بدلاً من مجرد جين واحد يعمل بمفرده.

أصبحت قوة هذا النهج أكثر وضوحاً عند دراسة "كلورامفينيكول" (chloramphenicol)، وهو مضاد حيوي آخر. في هذه الحالة، سلط التحليل الضوء على نموذج مدفوع بالكامل تقريباً بإشارات من المناطق التي تسبق الجينات مباشرة، والمعروفة باسم "المُحفزات" (promoters). تتحكم هذه المناطق في مدى قوة تعبير الجين. أظهرت الدراسة أن مقاومة البكتيريا اعتمدت بشكل كبير على رفع مستوى تعبير جينات معينة تقوم بضخ العقار خارج الخلية. ولأن الطرق التقليدية غالباً ما تتجاهل هذه المناطق التنظيمية أو تعاملها ككيانات منفصلة عن الجينات التي تتحكم فيها، فقد فاتها هذا الاستبصار الحاسم. من خلال فصل إشارة التعبير الجيني عن إشارة تعطيل الجين، استطاع الباحثون رؤية أن البكتيريا كانت تنجو من خلال الإفراط في إنتاج مضخات التدفق (efflux pumps)، وهي آلية كانت ستظل غير مرئية في التحليل الجيني التقليدي (جين بجين).

وبالمثل، قدمت الدراسة نظرة تفصيلية حول كيفية استجابة البكتيريا لـ "جنتاميسين" (gentamicin). قسم التحليل السلسلة التنفسية للبكتيريا، وهي النظام الذي يولد الطاقة، إلى ثلاثة نماذج متميزة تفاعلت بشكل مختلف مع العقار. أظهرت مجموعة من الجينات، المشاركة في بناء إمدادات الطاقة، استجابة إيجابية قوية، مما يعني أن كسر هذه الجينات ساعد البكتيريا على البقاء. بينما أظهرت مجموعة أخرى، تستخدم تلك الطاقة لصنع (ATP)، استجابة سلبية، مما يعني أن كسر هذه الجينات أضر بالبقاء. كشف هذا المستوى من التفصيل أن البكتيريا لا تعامل نظام الطاقة لديها ككتلة واحدة؛ بل تقوم بضبط أجزاء محددة منه بدقة لتقليل دخول المضاد الحيوي. كما حدد الباحثون منظمات محددة تتحكم في هذه الاستجابات، وبعضها لم يكن مرتبطاً سابقاً بمقاومة الجنتاميسين، مما يوفر أهدافاً جديدة للدراسة المستقبلية.

كما كشفت الدراسة عن نموذج مخصص لجدار الخلية، وهو الغلاف الخارجي للبكتيريا، والذي استجاب خصيصاً لفئة من الأدوية تُعرف باسم "بيتا-لاكتام" (beta-lactams). تضمنت هذه المجموعة بروتينات تبني الجدار، وإنزيمات تقطع الجدار، ومنظمات تستشعر سلامته. ومن المثير للاهتمام أن التحليل وجد أن هذه البروتينات، المرتبطة فيزيائياً داخل الخلية، قد جُمعت معاً بواسطة الحاسوب رغم أنها مبعثرة في قواعد بيانات بيولوجية مختلفة. يشير هذا إلى أن النهج الرياضي يمكنه العثور على وحدات وظيفية قد تغفلها قواعد البيانات المنسقة بشرياً لأنها منظمة وفق معايير مختلفة. وأشار الباحثون إلى أنه بينما نجحت الطريقة في استعادة الآليات المعروفة، إلا أنها اقترحت أيضاً روابط جديدة، مثل منظم محدد قد يربط جدار الخلية بالاستجابة للإجهاد، وهو ما يتطلب الآن مزيداً من الاختبارات التجريبية.

كان أحد أهم النتائج هو أن هذه الطريقة تعمل دون الحاجة لمعرفة وظيفة الجينات مسبقاً. فقد قامت المجموعة الحاسوبية بتجميع الجينات بناءً فقط على كيفية تغير مستويات نشاطها معاً عبر جميع ظروف الإجهاد المختلفة. وهذا يعني أن النهج يمكنه تحديد علاقات جديدة بين الجينات وأدوارها في البقاء دون الاعتماد على الكتب المدرسية أو قواعد البيانات الموجودة. أثبت الباحثون أنه من خلال تحليل مجموعة ضخمة من البيانات دفعة واحدة، يمكنهم إنشاء إطار مشترك حيث يمكن مقارنة التجارب الجديدة بالتجارب القديمة مباشرة. وهذا يحول الطريقة التي يتعامل بها العلماء مع مجموعات البيانات الكبيرة، محولاً مئات القوائم المنفصلة إلى خريطة واحدة متماسكة للسلوك البكتيري.

وقد لاحظ الباحثون بعناية أنه بينما تعد الطريقة قوية وقابلة للتكرار، فإن المجموعات التي تحددها تعتمد على أنماط الحركة الإحصائية، وليس بالضرورة على الروابط الفيزيائية. فمجرد تحرك الجينات معاً في البيانات لا يضمن تفاعلها مباشرة، وإن كان في كثير من الحالات طابقت المجموعات المركبات البيولوجية المعروفة. كما سلطت الدراسة الضوء على أن العتبات المحددة المستخدمة لتحديد هذه المجموعات تم تحديدها تجريبياً لهذا النوع من البيانات، مما يعني أنها قد تحتاج إلى تعديل لأنواع أخرى من التجارب. وبالرغم من هذه التحفظات، فإن القدرة على حل الإشارات التنظيمية وتجميع الجينات حسب تأثيرها الوظيفي الفعلي تمثل خطوة كبيرة للأمام؛ فهي تسمح للعلماء برؤية الغابة بدلاً من مجرد الأشجار، مما يكشف عن كيفية تنسيق البكتيريا لدفاعاتها ضد المضادات الحيوية بطريقة كانت مخفية سابقاً في ضجيج قوائم الجينات الفردية.

في نهاية المطاف، يقدم هذا العمل عدسة جديدة لفهم المعركة بين البكتيريا والأدوية. فمن خلال التعامل مع الجينوم كنظام ديناميكي تعمل فيه الجينات بتناغم، بدلاً من كونه قائمة ثابتة من الأجزب، تمكن الباحثون من فتح طبقة أعمق من البصيرة البيولوجية. لا تكتفي هذه الطوة بتأكيد ما هو معروف بالفعل، بل توفر وسيلة للتنبؤ بكيفية استجابة البكتيريا للتحديات الجديدة وتحديد الروافع المحددة التي تسحبها للنجاة. ومع نمو مجموعة البيانات البكتيرية، يعد هذا النهج بجعل من السهل تفسير اللغة المعقدة للحياة الميكروبية، مما قد يؤدي إلى استراتيجيات أفضل لمكافحة مقاومة المضادات الحيوية. وتقف هذه الدراسة كدليل على أنه مع امتلاك الأدوات التحليلية المناسبة، يمكن الكشف عن الهيكل الخفي داخل مجموعات البيانات البيولوجية الضخمة، مما يوفر مساراً أوضح لفهم القواعد الأساسية للحياة.