corrdeconv corrects deconvolution's misreading of disease cell states as abundance, overturning benchmarks and outperforming every published deconvolution method
تقدم الورقة البحثية corrdeconv، وهي طريقة تصحح التفسير الخاطئ الجوهري لتحولات حالة الخلايا الناجمة عن المرض باعتبارها تغيرات في الوفرة في بيانات الأوميكس الشاملة والمكانية، مما يقلب الموازين للمقاييس المرجعية الحالية ويتفوق على جميع طرق فك الالتفاف المنشورة من خلال القضاء على غالبية الادعاءات الخاطئة حول تأثير المرض.
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 المعقد للطب الحديث، يحاول العلماء غالباً فهم المرض من خلال النظر إلى خليط من الخلايا، تماماً مثل محاولة تحديد مكونات حساء عن طريق تذوق المرق. فعندما يصاب المريض بعدوى، أو سرطان، أو حالة مناعية ذاتية، فإن عدد خلايا مناعية معينة في دمه أو أنسجته يتغير غالباً. ولمعرفة عدد كل نوع من الخلايا بدقة دون الحاجة لعدّ كل واحدة منها فعلياً، يستخدم الباحثون تقنية رياضية تسمى "تفكيك المكونات" (deconvolution). تحلل هذه الطريقة المادة الوراثية من عينة نسيج كاملة وتستخدم نماذج حاسوبية لتقدير نسب أنواع الخلايا المختلفة المختبئة بداخلها. وقد أصبحت هذه التقديرات أداة قياسية، توجه القرارات بشأن أي الأدوية يجب اختبارها، وكيفية تصميم التجارب السريرية، وحتى كيفية تفسير سبب حدوث المرض. والافتراض السائد منذ فترة طويلة هو أنه إذا تطابق النموذج الحاسوبي جيداً مع البيانات الوراثية، فإن أعداد الخلايا المقدرة تكون دقيقة بما يكفي للثقة بها.
ومع ذلك، يتحدى دراسة جديدة هذا الافتراض الذي طال أمد استمراره، كاشفةً أن هذه التقديرات الحاسوبية غالباً ما تكون مضللة. فقد وجد الباحثون أن النماذج تخطئ كثيراً عبر الخلط بين التغيرات في "حالة المزاج" أو نشاط الخلايا وبين التغيرات في العدد الفعلي للخلايا. فعندما تمر الخلايا بحالة مرض أو إجهاد، يتغير نشاطها الوراثي، وتفسر النماذج الحاسوبية هذا التحول كما لو كان نمواً أو تقلصاً في عدد تلك الخلايا. وهذا الخطأ ليس مجرد خلل بسيط، بل هو عيب جوهري أدى إلى تشويه السجل العلمي. وتظهر الدراسة أنه في كثير من الحالات، تكون النماذج واثقة في خطئها، حيث تخلق وهماً بتغيرات في الخلايا بينما لا توجد، أو تخفي تغيرات حقيقية تحدث بالفعل. ومن خلال مقارنة هذه التقديرات الحاسوبية مقابل أعداد الخلايا الفعلية من نفس المرضى، أثبت الباحثون أن الطرق القياسية تفشل في التقاط الواقع البيولوجي الحقيقي، مما يؤدي إلى استنتاجات خاطئة حول آليات المرض والاستجابات العلاجية.
قام الفريق وراء هذا العمل، بقيادة باحثين من مستشفى "بيكينغ يونيون ميديكال كوليدج" ومؤسسات أخرى، باختبار موثوقية هذه التقديرات المستخدمة على نطاق واسع. لقد جمعوا بيانات من آلاف الأشخاص عبر ستة وعشرين مرضاً مختلفاً، بما في ذلك التهاب المفاصل الروماتويدي، والذئبة، وأنواع مختلفة من السرطان. وفي كل حالة، كانت لديهم البيانات الوراثية المستخدمة في التقديرات الحاسوبية وأعداد الخلايا الفعلية الفيزيائية من نفس الأفراد. سمحت هذه المقارنة المباشرة لهم برؤية أين تخفق النماذج بالضبط. واكتشفوا أن طرق التحقق القياسية، التي تتحقق مما إذا كانت تقديرات النموذج ترتبط بالبيانات، لم تكن ترصد هذه الأخطاء. إذ يمكن لنموذج أن يظهر ارتباطاً عالياً جداً مع البيانات الوراثية ومع ذلك يكون مخطئاً تماماً بشأن عدد الخلايا. وتنشأ المشكلة لأن المرض يغير سلوك الخلايا، والنماذج تخطئ وتعتبر هذا التغير السلوكي تغيراً في حجم المجتمع الخلوي.
إن عواقب هذا الخطأ بعيدة المدى. فقد وجدت الدراسة أن النماذج الحاسوبية كانت خاطئة بشأن اتجاه أو أهمية تغيرات الخلايا في 42% من حالات أمراض الدم. والأكثر إثارة للدهشة، أنه في دراسات الأورام، فندت أعداد الخلايا من عينات الأنسجة نفسها 98% من التغيرات الخلوية الهامة التي أبلغت عنها النماذج. هذه الأخطاء ليست أكاديمية فحسب؛ بل أثرت بالفعل على القرارات الطبية في العالم الحقيقي. فعلى سبيل المثال، في تجربة سريرية عشوائية لالتهاب المفاصل الروماتويدي، استُخدمت التقديرات الحاسوبية لتصنيف المرضى وتحديد من يجب أن يتلقى دواءً معيناً. وعندما استبدل الباحثون التقديرات الحاسوبية بأعداد الخلايا الفعلية من عينات الأنسجة، تغير التصنيف بشكل كبير. فثلاثة عشر مريضاً من أصل عشرين وضعهم النموذج الحاسوبي في المجموعة التي ستستفيد من الدواء، كانوا في الواقع في مجموعة مختلفة عند قياسهم مباشرة. هذا التحول أدى إلى محو التفاعل الإحصائي الذي أوحى بأن الدواء يعمل بشكل أفضل لتلك المجموعة المحددة، مما غير القيمة الاحتمالية (p-value) من نتيجة ذات دلالة إحصائية إلى نتيجة غير دالة.
كما بحث الفريق في كيفية تأثير هذه الأخطاء على الأدبيات العلمية وقواعد البيانات العامة. ووجدوا أن الموارد المحسوبة مسبقاً، والتي يستخدمها آلاف العلماء لتصميم دراساتهم الخاصة، تحتوي على نفس هذه الأخطاء. ففي تحليل واحد لبيانات سرطان الثدي، أبلغت النماذج الحاسوبية عن فرق معنوي في الخلايا المناعية بين نوعين من الأورام، بينما أظهرت أعداد الخلايا الفعلية عدم وجود أي فرق على الإطلاق. هذه النتائج غير الصحيحة تم الاستشهاد بها آلاف المرات وأدت إلى اختيار جينات وجزيئات لمزيد من الدراسة قد لا تكون ذات صلة. كما فحصت الدراسة كيف تؤثر هذه الأخطاء على تصميم التجارب المستقبلية. فعندما يستخدم العلماء هذه التقديرات المعيبة لحساب عدد المرضى الذين يحتاجونهم للدراسة، ينتهي بهم الأمر غالباً بتصاميم تفتقر للقوة الإحصائية أو مبنية على الاتجاه الخاطئ للتغير، مما يهدر الموارد ويؤخر التقدم.
ولمعالجة هذه المشكلة، طور الفريق نهجاً جديداً يسمى "corrdeconv". فبدلاً من الاعتماد على الطرق القياسية التي تخلط بين حالة الخلية وعددها، يستخدم هذا الأسلوب الجديد أعداد الخلايا الفعلية من مجموعة مصدر لتصحيح التقديرات لمجموعة هدف. وهو لا يتطلب قياسات جديدة لكل مريض، بل يستخدم الأخطاء المعروفة من مجموعات مماثلة لتعديل النتائج. واختبر الباحثون هذه الطريقة الجديدة مقابل كل تقنيات تفكيك المكونات المنشورة الأخرى. وفي كل سيناريو، سواء لم يكن لديهم أعداد خلايا، أو أعداد قليلة، أو أعداد لمجموعة أصلية من الخلايا، تفوقت الطريقة الجديدة على جميع الطرق الأخرى. لقد قللت من عدد الاستنتاجات غير الصحيحة بنسبة تقارب النصف مقار بالمنافس الأفضل حالياً. علاوة على ذلك، عندما طبقوا هذا التصحيح على دراسات سابقة، فقد أصلحوا القرارات الخاطئة واستعادوا القرارات الصحيحة، مما أثبت أن الأخطاء كانت بسبب طريقة التقدير وليس بسبب البيولوجيا نفسها.
تخلص الدراسة إلى أن الادعاءات المتعلقة بعدد الخلايا في المرض يجب أن تدعمها أعداد فعلية، وليس مجرد تقديرات حاسوبية. وبينما لا تزال النماذج الحاسوبية مفيدة للتنبؤ بنشاط أو حالة الخلايا، إلا أنه لا يمكن الوثوق بها لإخبارنا بعدد الخلايا الموجودة. ويرى الباحثون أن المجال بحاجة لتغيير كيفية التحقق من هذه الطرق، والابتعاد عن الارتباطات البسيطة نحو التحقق مقابل أعداد الخلايا الحقيقية. لقد أتاحوا أدوات التصحيح وقاعدة بيانات للنتائج المصححة للمجتمع العلمي، مما يوفر وسيلة لإصلاح الأخطاء الماضية وتحسين البحث المستقبلي. ويعد هذا العمل تذكيراً حاسماً بأنه في خضم الاندفاع لتحليل كميات هائلة من البيانات الوراثية، يجب ألا تضيع الحقيقة الأساسية لما هو موجود فعلياً في الجسم لصالح سهولة النموذج الرياضي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.