تقدم هذه الورقة Hybrax، وهو إطار عمل مفتوح المصدر بلغة بايثون يعمل على تبسيط نمذجة العمليات الحيوية من خلال توفير تنسيق بيانات موحد ومسار تدريب آلي شامل للنماذج الهجينة الميكانيكية-العصبية، مما يعزز قابلية التكرار ويقلل من الجهد البرمجي المطلوب لتطوير هذه النماذح ومشاركتها.
المؤلفون الأصليون:Libiseller-Egger, J., Gotsmy, M., Guillen-Gosalbez, G., Zanghellini, J.
في المصانع التي تصنع الأدوية المنقذة للحياة، غالبًا ما يحدث العمل الأكثر أهمية داخل أوعية زجاجية غير مرئية حيث يتم حث خلايا دقيقة على إنتاج بروتينات معقدة. هذه العمليات الحيوية دقيقة، ومكلفة، ويصعب التحكم فيها لأن الكائنات الحية داخلها تغير سلوكها باستمرار استجابةً لبيئتها. لقد حاول العلماء منذ فترة طويلة بناء نماذج حاسوبية للتنبؤ بكيفية تصرف هذه الخلايا، آملين في تحسين الإنتاج دون إجراء تجارب لا نهاية لها ومكلفة. كان النهج الأكثر نجاحًا حتى الآن هو الطريقة الهجينة: الجمع بين قوانين الفيزياء والكيمياء المعروفة والبرامج الحاسوبية المرنة التي تتعلم الأنماط مباشرة من البيانات. ومع ذلك، كان بناء هذه النماذج تقليديًا مهمة شاقة ومخصصة لكل مشروع على حدة، تتطلب من الباحثين كتابة كميات هائلة من الأكواد البرمجية لمجرد التعامل مع التفاصيل الفوضوية المتعلقة بتغذية الخلايا، أو سحب العينات، أو تتبع تغيرات الحجم. هذا العمل المتكرر جعل من الصعب مشاركة النماذج أو مقارنة المنهجيات المختلفة، مما أدى إلى إبطاء التقدم في هذا المجال.
ولحل هذه العقبة، طور فريق من الباحثين إطار عمل برمجي جديد مفتوح المصدر يسمى "Hybrax". فكر في هذه الأداة كشاسيه (هيكل) قياسي لبناء نماذج العمليات الحيوية، تمامًا كما يسمح هيكل السيارة للمهندسين باستبدال المحركات دون إعادة بناء المركبة بأكملها. قبل "Hybrax"، كان على العلماء كتابة الكود الذي يحسب كيفية تأثير إضافة السائل أو سحب عينة على تركيز المواد في المفاعل يدويًا. يقوم "Hybrax" بأتمتة هذه العملية بأكملها؛ فهو يأخذ البيانات الخام من المختبر — قياسات ما تمت إضافته، وما تم سحبه، وما أنتجته الخلايا — ويحسب تلقائيًا التعديلات الفيزيائية اللازمة. وهذا يسمح للباحثين بتجاوز أعمال "السباكة" المملة في الكود والتركيز تمامًا على السؤال البيولوجي: كيف تتصرف الخلايا بالفعل؟
تم تصميم إطار العمل ليكون مرنًا بما يكفي للتعامل مع أنواع مختلفة من النماذج، بدءًا من تلك القائمة حصريًا على المعادلات الكيميائية المعروفة وصولًا إلى تلك التي تستخدم الذكاء الاصطناعي لتخمين الأجزاء المجهولة من العملية. وقد أثبت الباحثون قوة الأداة من خلال إعادة إنشاء نموذجين موجودين في الأدبيات العلمية. تضمن الأول بكتيريا معروفة، وهي "إي كولاي" (E. coli)، تُستخدم لإنتاج مركب معين. ومن خلال تغذية البيانات الواقعية من دراسة سابقة في "Hybrax"، بنى الفريق نموذجًا طابق النتائج الأصلية، محققًا مستوى عالٍ من الدقة في التنبؤ بالكتلة الحيوية ومستويات المنتج. أما الاختبار الثاني فقد استخدم بيانات اصطناعية من خط خلايا ثديية، وهي خلايا "HEK293"، المستخدمة عادةً لصنع الأجسام المضادة. هذه العملية أكثر تعقيدًا، حيث تتضمن عشرات العناصر الغذائية ونواتج الفضلات المختلفة. بنى الفريق نموذجًا باستخدام نوع من الذكاء الاصطناعي يُعرف باسم "الشبكة العصبية ذات الذاكرة الطويلة قصيرة المدى" (LSTM)، وهي جيدة في تذكر الأنماط بمرور الوقت. وقد قدم هذا النموذج أداءً يضاهي النسخة الأصلية المكتوبة بلغة برمجة مختلفة، حيث تنبأ بدقة بمستويات الكتلة الحيوية، والأجسام المضادة، والجلوكوز بمرور الوقت.
تعد واحدة من أهم ميزات "Hybrax" هي كيفية تعامله مع مشاركة العمل العلمي. في العديد من المجالات، يصعب إعادة إنتاج دراسة ما لأن البيانات الأصلية تكون مدفونة في جداول بيانات مخصصة والكود مشتت عبر ملفات مختلفة. يقوم "Hybrax" بتجميع كل شيء معًا؛ ففي كل مرة يتم فيها تدريب نموذج، يحفظ البرنامج "نقطة تفتيش" (checkpoint) كاملة تحتوي على إعدادات النموذج، والكود المستخدم لتعريفه، والتكوين، والبيانات المعالجة. وهذا يعني أن أي باحث آخر يمكنه أخذ ذلك الملف الوحيد، وتشغيل النموذج فورًا، أو إعادة تدريبه من البداية دون الحاجة للبحث عن مجموعة البيانات الأصلية أو فك رموز ملاحظات المؤلف الأصلي. وجد الباحثون أن هذا النهج لم يجعل عملهم أسرع فحسب، بل جعل من الممكن أيضًا تبديل بنيات نماذج مختلفة على نفس مجموعة البيانات بسهولة، مما سمح بإجراء مقارنات مباشرة وعادلة حول أي الطرق هي الأفضل.
كما أظهر الفريق أن البرنامج يمكنه التعامل مع المشكلة الصعبة المتمثلة في الحفاظ على تنبؤات واقعية فيزيائيًا. ففي اختباراتهم مع الخلايا الثديية، تنبأت النماذج الأولية أحيانًا بوجود كميات سالبة من مادة ما، وهو أمر مستحيل في العالم الحقيقي. ومن خلال إضافة قاعدة بسيطة إلى البرنامج تقوم بمعاقبة هذه التنبؤات المستحيلة، تمكنوا من تدريب نسخة ثانية من النموذج أدت أداءً جيدًا مثل الأولى ولكنها حافظت على كون جميع تنبؤاتها موجبة. تشير هذه المرونة إلى أن الأداة يمكن تكييفها لفرض القوانين الفيزيائية للعملية المحددة قيد الدراسة دون الحاجة إلى إعادة كتابة الكود الأساسي بالكامل.
في النهاية، يمثل "Hybrax" تحولًا نحو جعل نمذجة العمليات الحيوية أكثر سهولة وقابلية لإعادة الإنتاج. فمن خلال رفع مهام إعداد البيانات وإعداد المعادلات الروتينية والمتكررة عن كاهل الباحثين، يحرر هذا البرنامج العلماء للتركيز على العلم الفعلي لكيفية عمل الخلايا. ويشير المؤلفون إلى أنه بينما تظل الأداة مفتوحة المصدر ومتاحة لأي شخص لاستخدامها، إلا أنها لا تزال في طور التطور. وستهدف الإصدارات المستقبلية إلى تحسين سرعة التدريب وإضافة أدوات أفضل لفهم الأسباب التي تجعل النموذج يقدم تنبؤات معينة. وفي الوقت الحالي، يقف إطار العمل كحل عملي لمشكلة طويلة الأمد، موفرًا طريقة لبناء ومشاركة ومقارنة النماذج البيولوجية المعقدة بمستوى من الوضوح والاتساق كان بعيد المنال في السابق.
ملخص تقني: Hybrax – إطار عمل للنمذجة الهجينة للعمليات الحيوية
بيان المشكلة تعتمد نمذجة العمليات الحيوية بشكل متزايد على النماذج الهجينة (HMs)—وهي أنظمة من المعادلات التفاضلية العادية (ODEs) حيث يتم تقدير المعلمات بواسطة الشبكات العصبية الاصطناعية (ANNs)—لسد الفجوة بين التفسير الميكانيكي والمرونة القائمة على البيانات. ومع ذلك، لا يزال التنفيذ العملي لهذه النماذج يمثل عقبة كبيرة. يواجه الباحثون حاليًا ثلاثة تحديات رئيسية:
الجهد البرمجي المتكرر: يتطلب إعداد نموذج هجين (HM) جهداً كبيراً في كتابة الأكواد المخصصة لاستيراد البيانات، والمعالجة المسبقة، والتعامل مع الأحداث غير المستمرة (مثل التغذية بالدفعات، أو أخذ العينات)، واشتقاق مصطلحات النقل (موازنة الكتلة) لتغيرات الحجم. وغالباً ما يتم إعادة كتابة هذا الكود "النمطي" (boilerplate) من الصفر لكل مشروع.
غياب التوحيد القياسي: لا يوجد تنسيق معتمد على نطاق واسع لبيانات العمليات الحيوية. عادة ما تُنشر مجموعات البيانات في جداول بيانات مخصصة أو لا تُنشر على الإطلاق، مما يجعل من الصعب إعادة إنتاج النماذج، أو إعادة استخدامها، أو مقارنتها عبر الأدبيات العلمية.
تجزؤ الأدوات: تفتقر الأدوات مفتوحة المصدر الموجودة إما إلى آليات تدريب فعالة للشبكات العصبية الاصطناعية (مثل pyFOOMB) أو تستهدف بيولوجيا الأنظمة بشكل عام دون ميزات محددة للعمليات الحيوية مثل التغذية وأخذ العينات (مثل PEtab SciML وSiNDAE). وبينما تغطي بعض الأدوات مثل HYBpy تطبيقات العمليات الحيوية، إلا أنها غالباً ما تضحي بالمرونة مقابل سهولة الاستخدام، حيث تدعم مجموعة فرعية فقط من بنيات النماذج وتفتقر إلى دالات الخسارة المخصصة. أما الأدوات التجارية فهي مملوكة ومغلقة المصدر.
المنهجية يقدم المؤلفون Hybrax، وهو إطار عمل مفتوح المصدر بلغة بايثون (Python) صُمم ليكون بمثابة "هيكل أساسي" (chassis) للنمذجة الهجينة للعمليات الحيوية. يدمج Hybrax تمثيلاً مرناً للبيانات مع مسار تدريب متكامل وقابل للتخصيص.
البنية الأساسية: بُني Hybrax على JAX وEquinox وDiffrax، باستخدام حلالات المعادلات التفاضلية العادية (ODE solvers) القابلة للاشتقاق لتمكين التدريب المباشر على بيانات التركيز دون الحاجة لتقدير المعدلات الوسيطة.
تمثيل البيانات (hybrax.format): يقدم إطار العمل بنية بيانات مبتكرة مستوحاة من الأنطولوجيا (Ontology) (كائنات BioProcessCollection وBioProcess). تشفر هذه البنية صراحةً ما يلي:
تكوين العملية (التدفقات الداخلة، التدفقات الخارجة، تركيب الوسط).
المتغيرات المقاسة والمتحكم بها (مثل الكتلة الحيوية، الأس الهيدروجيني pH، درجة الحرارة).
الأحداث المنفصلة (مثل أخذ العينات، التغذية بالدفعات).
الاشتقاق التلقائي للنقل: بناءً على تكوين العملية، يقوم Hybrax تلقائياً بإنشاء مصطلحات النقل (T) للمعادلات التفاضلية العادية (dtdy=R(y,q)+T(y,u)). وهذا يلغي حاجة الباحثين للاشتقاق اليدوي لمصطلحات موازنة الكتلة لتغيرات الحجم.
ديناميكيات التفاعل: يعرّف المستخدمون مصطلح التفاعل (R) عبر ReactionOde الذي يمكن أن يتضمن تعبيرات رمزية للكميات الجبرية (مثل الكتلة الحيوية النشطة مقابل الكتلة الحيوية الكلية) وأماكن مخصصة للمعدلات (q) التي سيتم تقديرها بواسطة الشبكة العصبية (fθ).
مسار التدريب (hybrax.train): يوفر إطار العمل واجهة سطر أوامر نمطية تتضمن أربع نقاط دخول:
prepare: يتولى عمليات تحويل البيانات (التعزيز، التنعيم) والتحقق من الصحة دون تعديل البيانات الخام.
train: يقوم بملاءمة النماذج للبيانات باستخدام وحدات custom.py الخاصة بالمستخدم لبنية الشبكة العصبية.
loo: يقوم بإجراء التحقق المتقاطع (Cross-validation)، وبالاعتماد على طريقة "ترك واحد للخارج" (leave-one-out) لتدريب المجموعات (ensembles).
forward: يقوم بتوليد التنبؤات على بيانات جديدة.
إعادة الإنتاج (Reproducibility): نقاط فحص التدريب (Checkpoints) هي ملفات مستقلة بذاتها، تجمع بين معلمات النموذج، وحالات المحسن (optimizer states)، والكود المخصص، والبيانات المعالجة مسبقاً، مما يسمح بإعادة التشغيل الفوري أو إعادة التدريب من البداية.
المساهمات الرئيسية
إطار عمل موحد: Hybrax هو إطار عمل مفتوح المصدر يجمع بين تنسيق بيانات متعدد الاستخدامات ومسار تدريب كامل ومرن للنماذج الميكانيكية والهجينة، مما يعالج نقص الأدوات التي توازن بين الأتمتة الروتينية ومرونة التصميم.
أتمتة مصطلحات النقل: من خلال اشتقاق مصطلحات التخفيف والتغذية تلقائياً من تكوين العملية، يقلل Hybrax بشكل كبير من عبء البرمجة واحتمالية الخطأ البشري في صياغة موازنة الكتلة.
تصميم نموذج منفصل: يسمح فصل ديناميكيات العملية (النقل وبنية التفاعل) عن دالة تقدير المعدل (fθ) للباحثين باستبدال بنيات النماذج (على سبيل المثال، من التعبيرات الحركية إلى الشبكات العصبية الاصطناعية) دون إعادة كتابة المسار بالكامل.
تعزيز إمكانية إعادة الإنتاج: يسهل إطار العمل مشاركة نواتج التدريب الكاملة، مما يعالج مشكلة "جداول البيانات المخصصة" ويسمح بإجراء مقارنات معيارية مباشرة لبنيات النماذج المختلفة على مجموعات بيانات متطابقة.
النتائج قام المؤلفون بالتحقق من صحة Hybrax من خلال إعادة تنفيذ نموذجين متميزين من الأدبيات العلمية:
النموذج الميكانيكي (E. coli): تم تطبيق نموذج ميكانيكي مهذب (OptFed) مباشرة على بيانات التركيز الخام. حقق Hybrax توافقاً مماثلاً أو أفضل مع القياسات مقارنة بالدراسة الأصلية (معامل تحديد R2 بلغ 0.86 للكتلة الحيوية و0.85 للمنتج، مقابل 0.83 و0.82 في الدراسة الأصلية).
النموذج الهجين (E. coli): تم تدريب نموذج هجين بسيط يعتمد على الشبكة العصبية الاصطناعية (طبقتان كثيفتان) على نفس مجموعة البيانات. وعلى الرغم من صغر حجمه (59 معلمة)، فقد حقق خسائر إعادة بناء مشابهة للنموذج الحركي الكامل (R2 بلغ 0.90 و0.85).
نموذج LSTM الهجين (HEK293): تم تنفيذ نموذج هجين يعتمد على LSTM لعملية زراعة خلايا ثديية (مستوحى من دراسة Ramos et al.). باستخدام تحليل المكونات الرئيسية (PCA) لتقليل أبعاد معدلات التفاعل، حقق تنفيذ Hybrax قيم جذر متوسط مربعات الخطأ المعياري (NRMSE) على بيانات الاختبار (0.0348) قريبة جداً من نموذج MATLAB الأصلي (0.0376). علاوة على ذلك، أظهر إطار العمل سهولة إضافة حدود الجزاء (penalty terms) إلى دالة الخسارة لفرض قيود التركيز غير السالبة، مما قلل من عيوب التنبؤات السالبة بمقدار عشرة أضعاف.
الأهمية والادعاءات يضع البحث Hybrax كخطوة ضرورية نحو توحيد معايير نمذجة العمليات الحيوية، وهو مجال يتخلف عن مجالات الجينوميات والبروتيوميات في زخم المصادر المفتوحة. يزعم المؤلفون أنه من خلال التعامل مع المهام الوظيفية الروتينية (مصطلحات نقل المعادلات التفاضلية العادية، القياس، حلقات التدريب)، يتيح Hybrax للباحثين التركيز على التحدي العلمي الجوهري: تطوير النموذج الخاص بالعملية نفسها.
يُقدم إطار العمل ليس كحل لجميع تحديات النمذجة، بل كقاعدة قوية للنماذج الأولية السريعة ومقارنة النماذج. ويؤكد المؤلفون أن Hybrax يتيح إجراء اختبارات معيارية شاملة—بمقارنة أجزاء ذات معنى من بنيات النماذج المنشورة على بيانات متنوعة ومتاحة للجمهور—وهي عملية كانت "صعبة للغاية" في السابق بسبب غياب المسارات وتنسيقات البيانات الموحدة. يهدف العمل إلى تقليل الجهد المكرر وتسريع التقدم في هذا المجال من خلال جعل مشاركة النماذج وإعادة إنتاجها أمراً سلساً.