GraphTransformer-CoGNN: A two-stage dynamic graph learning framework for label-scarce cell-type annotation in spatial transcriptomics

تخيل أنك تحاول حل لغز صور (jigsaw puzzle) ضخم ثلاثي الأبعاد، حيث قطع اللغز هي خلايا حية متناهية الصغر، والصورة التي تحاول كشفها هي كيفية عمل جسم الإنسان. هذا هو عالم علم النسخ المكاني (spatial transcriptomics)، وهو مجال متطور في علم الأحياء لا يخبرك فقط ما هي الجينات النشطة داخل الخلية، بل يخبرك أيضاً أين تقع هذه الخلية في النسيج. الأمر يشبه امتلاك خريطة لمدينة صاخبة حيث يمكنك رؤية أي متجر مفتوح بالضبط وماذا يبيع، بدلاً من مجرد الحصول على قائمة بجميع المتاجر في المدينة.

ولفهم هذه البيانات، يستخدم العلماء أداة رياضية تسمى الرسم البياني (graph). فكر في الرسم البياني كخريطة شبكة اجتماعية: كل خلية هي شخص (عقدة/node)، والخطوط التي تربط بينها (حواف/edges) تمثل مدى قربهم من بعضهم البعض أو مدى تشابههم. عادةً، ترسم الحواسيب هذه الخطوط بناءً على قواعد بسيطة، مثل "إذا كان شخصان يقفان بجانب بعضهما البعض، فلا بد أنهما صديقان". ولكن في الواقع البيولوجي الفوضوي، ليس الجيران دائماً أصدقاء، وقد يكون الخلايا البعيدة هم في الواقع أعز الأصدقاء الذين يعملون معاً. العقبة الكبرى في هذا المجال هي ندرة الملصقات (label scarcity): العلماء لديهم الخريطة، لكنهم يعرفون أسماء عدد قليل فقط من الأشخاص (الخلايا). إنهم بحاجة لمعرفة من هم الآخرون بناءً على تلك الأسماء القليلة المعروفة، وهو تحدٍ يُعرف باسم التعلم شبه المُشرف عليه (semi-supervised learning). إذا كانت خريطة الروابط التي يرسمها الكمبيوتر خاطئة، فسيخمن الأسماء الخاطئة لبقية الحشد.

هنا يأتي دور البحث الجديد. فقد قام المؤلفون، يوان يوان دانغ، وشيني هان، وبينغ ليو، ببناء نظام ذكي مكون من مرحلتين يسمى GraphTransformer-CoGCC لإصلاح هذه الخرائط الفوضوية وتحديد أنواع الخلايا بشكل صحيح، حتى عندما يمتلكون جزءاً ضئيلاً جداً من الأمثلة المصنفة.

المشكلة: خريطة صامتة وضوضائية

تخيل أنك تحاول تنظيم حفلة ضخمة حيث لا تعرف سوى أسماء عدد قليل من الضيوف. قررت تجميع الناس بناءً على من يقف بالقرب منهم. ولكن العلة هنا هي أن الغرفة مزدحمة، وبعض الناس يرتدون أقنعة (ضوضاء تقنية)، وأحياناً يكون الشخص "الأقرب" هو في الواقع غريب، بينما صديقك المفضل في الطرف الآخر من الغرفة. تعمل نماذج الكمبيوتر التقليدية كحارس بوابة جامد لا يسمح إلا للجيران المباشرين بالتحدث. إذا كانت الخريطة الأولية لمن يقترب ممن خاطئة، فإن الحارس سينشر معلومات خاطئة، وستصاب الحفلة بأكملها بالارتباك.

يجادل البحث بأن الاعتماد على هذه الخرائط الثابتة والمرسومة مسبقاً هو طريق مسدود. يوضح المؤلفون أن الخرائط الثابتة تفشل في التقاط العلاقات المعقدة وطويلة المدى بين الخلايا، خاصة عندما يكون هناك أمثلة مصنفة قليلة جداً لتوجيه الكمبيوتر. إنهم يرفضون صراحةً فكرة أن قائمة بسيطة وغير متغيرة من الجيران تكفي لفهم الأنسجة المعقدة.

الحل: فريق تحقيق مكون من مرحلتين

يقترح المؤلفون حلاً ديناميكياً يعمل كفريق تحقيق من خطوتين، يعيد تقييم الحفلة باستمرار للعثج الروابط الحقيقية.

المرحلة الأولى: المراقب العالمي (Graph Transformer)
أولاً، يستخدم النظام "محول الرسم البياني" (Graph Transformer). فكر في هذا كأنه محقق يمتلك كاميرا طائرة (درون) يمكنها رؤية الحفلة بأكملها دفعة واحدة، وليس فقط الأشخاص الواقفين بجوار بعضهم البعض. بدلاً من مجرد النظر إلى من هو قريب جسدياً، فإنه ينظر إلى "الأجواء" (التعبير الجيني) و"التخطيط" (الإحداثيات المكانية) للغرفة بأكملها.

الأمر الحاسم هو أن هذا المحقق يستخدم أداة خاصة تسمى مسافة المقاومة (Resistance Distance). تخيل أن النسيج عبارة عن دائرة كهربائية عملاقة. إذا حاولت إرسال إشارة من خلية إلى أخرى، فما مدى صعوبة ذلك؟ إذا كانت هناك مسارات عديدة تربط بينهما، فإن "المقاومة" تكون منخفضة، وهما مرتبطان بقوة. إذا كانا معزولين، فإن المقاومة تكون عالية. تساعد هذه الطريقة النموذج على فهم أن خليتين قد تكونان متباعدتين جسدياً ولكن لا تزالان جزءاً من نفس "الدائرة" أو الفريق. يستخدم "المحول" هذا لبناء خريطة روابط جديدة وأكثر ذكاءً لا تتقيد بمجرد القرب المكاني.

المرحلة الثانية: الفلتر الاجتماعي (Cooperative Graph Neural Network)
بمجرد أن تنتهي المرحلة الأولى من رسم خريطة أفضل، تبدأ المرحلة الثانية. هذه هي CoGNN (الشبكة العصبية الرسومية التعاونية). تخيل مجموعة من الأخصائيين الاجتماعيين يسيرون عبر الحفلة، ويتفحصون كل رابط في الخريطة الجديدة. لديهم قدرة خاصة على سؤال كل خلية: "هل يجب أن أستمع إلى هذا الجار؟ هل يجب أن أتجاهله؟ هل يجب أن أبث معلوماتي الخاصة؟"

تعمل الـ CoGNN كفلتر ديناميكي. فهي تعمل على كبح "الحواف الزائفة" (spurious edges)—تلك الروابط الوهمية التي تبدو حقيقية ولكنها في الواقع مجرد ضوضاء. كما أنها تقوي الروابط المهمة للمهمة المطلوبة. إنها تشبه حارس البوابة الذي لا يكتفي بفحص قائمة ثابتة، بل يقرر بنشاط: "أنتما تبدوان منتميين لبعضكما البعض، حتى لو لم تكونا واقفين بجوار بعضكما"، بينما يطرد الأصدقاء المزيفين. يحدث هذا طبقة تلو الأخرى، مما يؤدي إلى تنقية الخريطة حتى تصبح الروابط دقيقة قدر الإمكان.

التدريب: التعلم من خلال المقارنة

لتعليم هذا النظام دون وجود أسماء للجميع، استخدم المؤلفون خدعة ذكية تسمى فقدان الثلاثي (Triplet Loss). تخيل أن لديك شخصاً معروفاً واحداً (المرتكز/Anchor). تجد شخصاً آخر هو بالتأكيد من نفس النوع (الإيجابي/Positive) وشخصاً آخر مختلف تماماً (السلبي/Negative). يتم تدريب الكمبيوتر على سحب "المرتكز" و"الإيجابي" ليصبحا أقرب في خريطته الذهنية، ودفع "السلبي" بعيداً.

يشير البحث إلى لمسة محددة هنا: فهم يضمن أن الأمثلة "الإيجابية" و"السلبية" ليست مجرد جيران مباشرين. هذا يجبر النموذج على تعلم أن الخلايا من نفس النوع يمكن أن تكون متباعدة، مما يمنعه من مجرد حفظ قاعدة "الجيران متشابهون". يساعد هذا النموذج على إيجاد أنواع الخلايا النادرة التي قد تكون مبعثرة عبر النسيج.

النتائج: عين حادة مع أدلة قليلة

اختبر المؤلفون نظامهم على بيانات حقيقية من أنسجة سرطان الرئة البشرية وأنسجة الدماغ. لقد وضعوا تحدياً صعباً للغاية: سمحوا للكمبيوتر برؤية 18% فقط من تسميات الخلايا. هذا يشبه محاولة حل اللغز مع وجود أقل من خمس قطع فقط تحمل أسماءً.

رغم هذا الندرة، تفوق منهجهم، GraphTransformer-CoGNN، على جميع الطرق الرائدة الأخرى.

• في مجموعة بيانات سرطان الرئة، حقق دقة بلغت 84.70% في أصعب سيناريو اختبار (حيث كانت الخلاً المصنفة متباعدة جداً)، متفوقاً على ثاني أفضل طريقة والتي سجلت 83.26%.
• في مجموعة بيانات الدماغ، وصل إلى دقة 83.52%، متفوقاً مرة أخرى على المنافسين.
• كما كان أفضل في تحديد أنواع الخلايا النادرة، والتي غالباً ما تفشل الأدوات الأخرى في رصدها.

أجرى المؤلفون "دراسات الاستئصال" (Ablation studies) (أي إزالة أجزاء من النظام) لإثبات أن كل قطعة كانت ضرورية. عندما أزالوا "مسافة المقاومة" أو الفلترة "التعاونية"، انخفضت الدقة بشكل كبير. وهذا يشير إلى أن الجمع بين الرؤية العالمية، والفلترة الذكية، وطريقة التدريب المحددة هو ما جعل النظام يعمل بهذا الشكل الجيد.

الخلاصة

باختصار، يظهر هذا البحث أنه لفهم مدينة الخلايا المعقدة في أجسامنا، لا يمكننا الاعتماد فقط على خريطة ثابتة لمن يقف بجوار من. نحن بحاجة إلى نظام يمكنه رؤية الصورة الكاملة، وفهم الروابط الكهربائية الخفية بين الخلايا البعيدة، وتصفية الضوضاء بنشاط. ومن خلال استخدام هذا النهج المكون من مرحلتين، استطاع المؤلفون ابتكار أداة يمكنها تحديد أنواع الخلايا بدقة حتى عندما يكون لديهم القليل جداً من المعلومات للبدء بها، مما يقدم طريقة جديدة وقوية لرسم خرائط جسم الإنسان على المستوى الخلوي.