Missing by design: why genomic metadata must be captured at submission, not recovered from the literature

تخيل مكتبة تُضاف إليها ملايين الكتب كل عام، لكن رفوفها خالية من المعلومات الأكثر أهمية: من كتبها، وفي أي لغة كُتبت، وما هي القصة التي ترويها. في عالم البيولوجيا، هذه المكتبة هي أرشيف عالمي ضخم حيث يخزن العلماء المخططات الجينية للنباتات والحيوانات. هذه المخططات، المعروفة باسم تجميعات الجينوم، هي التعليمات الأساسية للحياة. ومع ذلك، ولجعل هذه التعليمات مفهومة، يحتاج الباحثون إلى تفاصيل محددة حول الكائن الحي، مثل ما إذا كان يمتلك مجموعة واحدة من الكروموسومات أم عدة مجموعات، وما هي الصنف المحدد الذي ينتمي إليه، وكيف يتم تنظيم مادته الوراثية. وبدون هذه التفاصيل، يصبح المخطط مجرد فوضى من الحروف التي لا يمكن قراءتها أو مقارنتها بالنماذج الحياتية الأخرى بشكل موثوق.

لسنوات، كان العلماء يودعون هذه المخططات الجينية في الأرشيف بوتيرة متسارعة للغاية. ومع ذلك، فإن السياق الضروري لتفسيرها غالبًا ما يكون مفقودًا. فالمعلومات إما لا يُطلب توفيرها عند تقديم البيانات، أو تُكتب بطريقة لا تستطيع الحواسيب فهمها. وهذا يخلق مشكلة كبيرة لأي شخص يحاول استخدام هذه البيانات لدراسة الأمراض، أو تحسين المحاصيل، أو فهم التطور. فإذا حاول برنامج حاسوبي تحليل جينات نبات دون معرفة هيكله المحدد، فقد يتوصل إلى استنتاجات واثقة ولكنها خاطئة تمامًا، حيث يخلط بين الاختلافات الطبيعية وبين الأخطاء.

قام فريق من الباحثين الآن بالتحقيق في كيفية تشكل هذه الفجوة المعلوماتية وما إذا كان يمكن إصلاحها من خلال النظر في الأوراق العلمية التي ترافق هذه السجلات الجينية. ووجدوا أن التفاصيل المفقودة ليست مجرد سهو عشوائي؛ بل هي نتيجة لنظام يسمح للمُرسلين بتجاوز أسئلة مهمة، وعدم وجود اتفاق على كيفية كتابة الإجابات. قام الباحثون ببناء برنامج حاسوبي للبحث عبر آلاف الأوراق العلمية لإيجاد هذه التفاصيل المفقودة للسجلات الموجودة بالفعل في الأرشيف. وبينما نجح البرنامج في استعادة حوالي نصف المعلومات المفقودة، إلا أنه كشف أيضًا عن واقع قاسٍ: بالنسبة للعديد من السجلات، لم تُكتب المعلومات ببساطة بطريقة يمكن العثور عليها، أو كانت مفقودة تمامًا.

تخلص الدراسة إلى أن محاولة إصلاح المشكلة بعد وصول البيانات إلى الأرشيف تشبه محاولة تنظيف بقعة بعد أن تحطم الزجاج؛ فمن الممكن جمع القطع، لكن الفوضى ستستمر في الحدوث. والحل المستدام الوحيد هو تغيير قواعد المكتبة نفسها. ويجادل الباحثون بأن على الأرشيف أن يلزم العلماء بتقديم هذه التفاصيل المحددة كخطوة إلزامية عند تقديم بياناتهم لأول مرة، باستخدام قائمة كلمات معيارية يتفق عليها الجميع. ومن خلال التقاط الحقيقة في لحظة إنشائها، بدلاً من محاولة إعادة بنائها لاحقًا، يمكن للمجتمع العلمي ضمان بقاء مكتبة الحياة المتنامية موردًا مفيدًا ودقيقًا للمستقبل.

يكمن جوهر المشكلة في كيفية تصميم الأرشيف حاليًا. فعندما يرسل عالم جينومًا جديدًا إلى قاعدة البيانات، يطلب النظام اسم النوع، وهو أمر إلزامي. ومع ذلك، فإن تفاصيل حيوية أخرى، مثل عدد مجموعات الكروموسومات التي يمتلكها الكائن الحي أو الصنف المحدد لمحصول ما، غالبًا ما تكون اختيارية. وحتى عندما يمتلك العلماء هذه المعلومات، فإنهم غالبًا ما يتركون الحقول فارغة لأن ملأها يتطلب جهدًا إضافيًا ولا يقدم مكافأة فورية لنشرهم. علاوة على ذلك، عندما يقدمون المعلومات، فإنهم غالبًا ما يكتبونها كنص حر، مستخدمين كلمات أو تنسيقات مختلفة لنفس المفهوم. قد يكتب أحد العلماء "أربع مجموعات"، وآخر "4x"، وثالث يستخدم رمزًا معقدًا. بالنسبة للقارئ البشري، هذه الأشياء هي ذاتها بوضوح، ولكن بالنسبة لبرنامج الحاسوب، فهي مختلفة تمامًا وغير مترابطة.

هذا النقص في المعايير يصبح عقبة رئيسية عند محاولة فهم الكائنات المعقدة. ففي العديد من النباتات، يمكن أن يختلف عدد مجموعات الكروموسومات حتى داخل النوع الواحد. على سبيل المثال، تمتلك معظم أشجار التفاح مجموعتين من الكروموسومات، لكن بعض الأصناف الشهيرة تمتلك ثلاث مجموعات. فإذا سجلت قاعدة البيانات نوع النبات باسم "تفاح" فقط، فلن تتمكن من التمييز بين أصناف المجموعتين وأصناف المجموعات الثلاث، مما يؤدي إلى الارتباك. وبالمثل، فإن الطريقة التي يسمي بها العلماء الكروموسومات الفردية داخل الجينوم تختلف بشكل كبير بين المجموعات البحثية المختلفة. ففي بعض المحاصيل، تُصنف الكروموسومات بأرقام بسيطة، بينما في غيرها، تُصنف بأحرف وأرقام تشير إلى الجزء السلفي الذي جاءت منه من الجينوم. وبدون اتفاق مشترك على هذه الأسماء، لا يمكن للحاسوب مطابقة الكروموسومات تلقائيًا من دراسة إلى أخرى، حتى لو كانوا يدرسون نفس النبات.

ولمعرفة مدى عمق هذه المشكلة، بنى الباحثون مسار عمل (pipeline)، وهو أداة برمجية متخصصة مصممة لتعمل كـ "محقق رقمي". تأخذ هذه الأداة سجلًا جينيًا من الأرشيف، وتجد الورقة العلمية التي تصفه، وتقرأ النص لاستخراج التفاصيل المفقودة. اختبر الباحثون هذه الأداة على مجموعة كبيرة من جينومات النباتات. ووجدوا أنه بالنسبة لنحو نصف السجلات، تمكنت الأداة من العثور على المعلومات المفقودة في الورقة العلمية المرتبطة بها. ومع ذلك، بالنسبة لما يقرب من ثلث السجلات، وجدت الأداة الورقة العلمية ولكنها لم تجد بيانًا واضحًا للتفاصيل المفقودة داخل النص. وفي حالات عديدة، لم تكن المعلومة مكتوبة بصيغة يمكن استرجاعها، أو كانت مدفونة في ورقة غير مرتبطة مباشرة بالسجل الجيني.

كما بحثت الدراسة فيما إذا كان حجم المجتمع العلمي الذي يدرس نباتًا معينًا يحدث فرقًا. قد يفترض المرء أن المحاصيل الشعبية التي يدرسها عدد كبير من الباحثين سيكون لها سجلات أكثر اتساقًا واكتمالًا. ومع ذلك، أظهرت البيانات عدم وجود مثل هذا الرابط. فحتى بالنسبة للمحاصيل التي لها آلاف الأوراق المنشورة، ظلت اصطلاحات تسمية الكروموسومات غير متسقة إذا لم يتفق المجتمع على معيار واحد. وهذا يشير إلى أن المشكلة ليست نقصًا في الجهد أو الاهتمام، بل هي نقص في التنسيق. ينشأ عدم الاتساق لأن المجموعات المختلفة طورت طرقها الخاصة في الوصف، وبدون اتفاق مركزي، تستمر هذه الاختلافات.

أدرك الباحثون أن "محققهم الرقمي"، رغم كونه مثيرًا للإعجاب، له حد أساسي. فهو لا يمكنه إلا العثد على المعلومات الموجودة بالفعل في الأدبيات. فإذا لم تُكتب المعلومة أصلًا، أو إذا كانت الورقة خلف جدار دفع (paywall) أو غير موجودة ببساطة، فإن الأداة لا تستطيع ابتكارها. وقد سلطت الدراسة الضوء على حالات محددة حيث كانت المعلومة الصحيحة مخبأة في قسم "الطرق" (methods) في ورقة لم تكن مرتبطة بالجينوم، أو حيث لم يكن للسجل الجيني ورقة مرفقة به على الإطلاق. وهذا يثبت أن الاعتماد على الاستعادة بعد وقوع الحدث هو أمر غير كافٍ. إن الفجوة في البيانات ليست مجرد تحدٍ تقني في العثور على الكلمات؛ بل هي فشل هيكلي في عملية التقديم نفسها.

إن المسار إلى الأمام، وفقًا للمؤلفين، هو التوقف عن محاولة إصلاح المشكلة بعد وصول البيانات، وبدلاً من ذلك منع حدوث المشكلة من الأساس. وهم يقترحون أن يقوم الأرشيف بتغيير نماذج التقديم لجعل تفاصيل مثل مجموعات الكروموسومات، والأصناف المحددة، وبنية الجينوم، أمورًا إلزامية. وبدلاً من السماح للعلماء بكتابة ما يريدون، يجب أن يتطلب النظام منهم الاختيار من قائمة معيارية من المصطلحات المعتمدة. وهذا سيضمن أن يأتي كل سجل مع السياق اللازم، مكتوبًا بلغة يمكن لكل من البشر والحواسيب فهمها. والبنية التحتية للقيام بذلك موجودة بالفعل؛ فقد نجحت مجالات أخرى من البيولوجيا في إجراء تغييرات مماثلة في متطلبات التقديم الخاصة بها.

ويؤكد الباحثون أن هذا التغيير لن يشكل عبئًا ثقيلًا على العلماء. فالمعلومات عادة ما تكون معروفة للفريق البحثي قبل تقديم بياناتهم، وغالبًا قبل نشر ورقتهم العلمية. وإذا كان تفصيل ما مجهولًا حقًا، يمكن للنظام ببساطة تسجيل أنه مفقود، تمامًا كما يفعل حاليًا مع نقاط بيانات أخرى مثل الموقع الدقيق الذي جُمعت منه العينة. ومن خلال جعل هذه الحقول إلزامية ومعيارية، يمكن للمجتمع العلمي ضمان أن بناء المستقبل للبحوث الجينية يقوم على أساس من المعلومات الكاملة والموثوقة. الهدف هو تحويل العبء المتكرر للتصحيح اليدوي إلى إصلاح لمرة واحدة عند المصدر، مما يضمن بقاء مكتبة الحياة موردًا يمكن فهم كل كتاب فيه بشكل صحيح.