Pre-binning correction of chimeric contigs reduces reference-discordant gene annotations in near-complete metagenome-assembled genomes
تقدم هذه الدراسة DeepMM، وهي أداة تعتمد على التعلم العميق تكتشف وتصحح القطع المتصلة (contigs) الهجينة بين الأنواع في الجينومات المجمعة من الميتاجينوم قبل عملية التجميع (binning)، مما يقلل بشكل كبير من التوصيفات الجينية والجينات المسببة للأمراض غير المتوافقة مع المراجع والتي غالباً ما تغفل عنها ضوابط الجودة القياسية القائمة على العلامات.
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 العالم الخفي للأمعاء البشرية، وقاع المحيط، والتربة تحت أقدامنا، تعيش تريليونات من الكائنات الحية الدقيقة في مجتمعات معقدة. لا يستطيع العلماء زراعة معظم هذه الميكروبات في المختبر، لذا يعتمدون على تقنية تسمى "الميتاجينوميات" لدراستها. فبدلاً من عزل كائن حي واحد، يأخذ الباحثون عينة من البيئة، ويقومون بتسلسل كل الحمض النووي الموجود بداخلها، ويستخدمون حواسيب قوية لإعادة تجميع الشفرة الوراثية مرة أخرى. والهدف هو إعادة بناء الجينوم الكامل للأنواع الفردية، وإنشاء مخطط رقمي يُعرف باسم "الجينوم المجمع من الميتاجينوم". هذه المخططات ضرورية لفهم ما تفعله هذه الأشكال الحياتية غير المرئية وكيف تتفاعل مع بيئتها. ومع ذلك، فإن عملية إعادة تجميع هذه الجينومات تشبه محاولة حل أحجية صور مقطوعة (jigsaw puzzle) ضخمة حيث تبدو العديد من قطعها متطابقة وتكون الصورة الموجودة على الصندوق مفقودة. في بعض الأحيان، يقوم الحاسوب عن طريق الخطأ بلصق قطع من أحجيتين مختلفتين، مما يخلق شريطاً واحداً طويلاً من الحمض النووي ينتمي إلى كائنين مختلفين.
لسنوات، استخدم العلماء قائمة مرجعية قياسية للحكم على جودة هذه الجينومات المعاد بناؤها. إنهم يبحثون عن جينات محددة وعالمية يجب أن يمتلكها كل بكتيريا. إذا كان الجينوم يحتوي على جميع هذه الجينات تقرياً ومع عدد قليل جداً من النسخ المكررة، فإنه يُعتبر "شبه كامل" وموثوقاً. لكن هذه الطريقة بها نقطة عمياء؛ إذ يمكنها إخبارك بأن الجينوم مكتمل في معظمه، لكنها لا تستطيع رؤية ما إذا كانت قطعة غريبة من الحمض النووي قد لُصقت في منتصف شريط واحد. هذا الخطأ الخفي، المعروف باسم "الكيميرا" (chimera)، يعني أن الجينوم قد يبدو مثالياً على الورق بينما يحتوي في الواقع على خليط من نوعين مختلفين. وإذا كانت القطعة الغريبة تحمل جيناً لسم أو مرض، فقد يعتقد العالم خطأً أن الكائن غير الضار الذي يدرسه خطير. هذه هي المشكلة التي سعى فريق من الباحثين من جامعة هونغ كونغ البابتيست وجامعة جيانغشي للطب الصيني لحلها. فقد اكتشفوا أن هذه الخلطات الخفية أكثر شيوعاً مما توقع أي شخص، حتى في الجينومات التي اجتازت جميع فحوصات الجودة القياسية، وطوروا أداة جديدة لإصلاحها قبل بدء التحليل النهائي.
فحص الباحثون مجموعة واسعة من البيانات من ثماني بيئات اختبار مختلفة، تتراوح من الأمعاء البشرية إلى جذور النباتات. ووجدوا أنه في ما يقرب من 70 بالمائة من الجينومات عالية الجودة التي أنشأها برنامج حاسوبي شهير واحد، وفي حوالي 20 بالمائة من تلك التي أنشأها برنامج آخر، كانت هناك حالة واحدة على الأقل حيث تم دمج حمض نووي من نوعين مختلفين في شريط واحد. وفي الحالات الأكثر تأثراً، شكلت هذه الشرائط المدمجة ما يقرب من 4 بالمائة من الجينوم بأكمله. والأهم من ذلك، أن هذه الأجزاء المدمجة غالباً ما حملت جينات لا تنتمي إلى الكائن الرئيسي. وفي بعض الحالات، تضمن الحمض النووي المدمج تعليمات لعوامل الضراوة، وهي أدوات تستخدمها البكتيريا للتسبب في الأمراض. ولأن فحوصات الجودة القياسية كانت تنظر فقط إلى العدد الإجمالي للجينات العالمية، فقد تسللت هذه التعليمات الخطيرة أو الغريبة دون اكتشافها، مما قد يؤدي بالعلماء إلى تحديد قدرات الميكروبات التي يدرسونها بشكل خاطئ.
ولمعالجة ذلك، بنى الفريق أداة برمجية جديدة تسمى DeepMM. فبدلاً من مجرد عد الجينات، تبحث هذه الأداة في كيفية محاذاة قراءات الحمض النووي مع المادة الوراثية الأصلية. تخيل شريطاً طويلاً من الحمض النووي كطريق؛ إذا مرت سيارة فوق قسم تغير فيه ملمس أو لون الرصف فجأة، فإنها تترك علامة محددة. تقوم أداة DeepMM بمسح بيانات المحاذاة بحثاً عن هذه "التغيرات في الرصف" الدقيقة، مثل التحولات المفاجئة في كيفية تغطية عدد قطع الحمض النووي لنقطة ما أو كيفية توجيه تلك القطع. وهي تستخدم نوعاً من الذكاء الاصطناعي المدرب على ملايين السيناريوهات المحاكية للتعرف على هذه الأنماط وتحديد مكان حدوث الاندماج بدقة. وبمجرد أن تجد المكان، تقوم بقطع شريط الحمض النووي الطويل إلى قطعتين منفصلتين قبل أن يحاول الحاسوب تجميعهما في جينوم. وهذا يسم يسمح للبرنامج بالاحتفاظ بالجزء الصحيح من التسلسل واستبعاد القطعة الغريبة، مما يضمن أن يكون الجينوم النهائي نقياً.
عندما اختبر الباحثون هذه الطريقة الجديدة، كانت النتائج مذهلة. في مجموعات بيانات الاختبار، كانت DeepMM أفضل بكثير في رصد هذه الأخطاء الخفية مقارنة بالأدوات الموجودة. والأهم من ذلك، عندما استخدموا DeepMM لتنظيف البيانات قبل بناء الجينومات، زاد عدد الجينومات عالية الجودة وشبه الكاملة التي استطاعوا استعادتها بالفعل. إن عملية قطع الشرائط المدمجة لم تدمر البيانات؛ بل سمحت للحاسوب بتجميع جينومات أكثر دقة واكتمالاً. وفي حالات الاختبار المحددة حيث أمكنهم مقارنة النتائج بحقيقة معروفة، قللت الطريقة الجديدة من عدد الجينات الغريبة بنسبة 35 بالمائة وقللت عدد بلاغات الجينات المرتبطة بالأمراض الخاطئة بنسبة 43 بالمائة. تضمن أحد الأمثلة المحددة بكتيريا بدت وكأنها تمتلك جيناً لسم قوي؛ فبعد أن قامت DeepMM بشطر الشريط المدمج، اتضح أن جين السم ينتمي إلى بكتيريا أخرى تماماً وتمت إزالته من الجينوم النهائي، تاركة وراءها فقط المعلومات الوراثية الصحيحة.
تخلص الدراسة إلى أن الاعتماد فقط على فحوصات الجودة القياسية ليس كافياً لضمان دقة الجينومات الميكروبية. فحتى عندما يبدو الجينوم مكتملاً ونقياً وفقاً للمقاييس التقليدية، فقد يظل يحوي أخطاء خفية تشوه فهمنا لبيولوجيا الكائن. ومن خلال تقسيم هذه الشرائط المدمجة قبل التجميع النهائي، يمكن للعلماء منع الحمض النووي الغريب من تلويث بياناتهم. هذا النهج لا يصلح الأخطاء فحسب، بل يحسن أيضاً الاستعادة الإجمالية للجينومات، مما يسمح للباحثين برؤية صورة أوضح للعالم الميكروبي. وبينما تم اختبار الأداة على مجموعات بيانات وبيئات محاكية محددة، فإن النتائج تشير إلى أن خطوة بسيطة تتمثل في فحص وتصحيح هذه الاندماجات يمكن أن تحسن بشكل كبير من موثوقية الدراسات المستقبلية في عالم الميكروبات الشاسع وغير المستزرع.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.