OmicFormer: a statistical priors–informed transformer for accurate and generalizable omics prediction of diseases and complex traits
تُعد OmicFormer بنية جديدة قائمة على نموذج المحولات (Transformer) تعمل على دمج الأولويات الإحصائية لالتقاط التبعيات البيولوجية المعقدة، مما يتفوق بشكل كبير على الأساليب الحالية في الدقة والقدرة على التعميم عبر مهام التنبؤ بالأمراض ومجموعات البيانات الأومية المتنوعة.
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
تخيل أنك تحاول التنبؤ بالمستقبل، ولكن بدلاً من النظر في كرات بلورية، أنت تنظر إلى جدول بيانات ضخم للبيانات البيولوجية. هذا هو عالم "الأوميكس" (omics)، وهو مجال يجمع فيه العلماء قوائم هائلة من القياسات من أجسادنا — مثل آلاف البروتينات العائمة في دمائنا، أو مئات المواد الكيميائية في عملية التمثيل الغذائي لدينا، أو خرائط مفصلة لتوصيلات أدمغتنا. فكر في هذه القوائم كأنها مكتبة فوضوية حيث يمثل كل كتاب فيها جزءاً صغيراً من بيولوجيتك. والهدف من الطب الدقيق هو قراءة هذه الكتب للتنبؤ بما إذا كان شخص ما قد يصاب بالمرض في المستقبل، مثل السكري أو أمراض القلب، حتى يتمكن من تلقي المساعدة مبكراً.
ومع ذلك، فإن قراءة هذه المكتبة أمر صعب للغاية. فالكتب فوضوية، والروابط بينها معقدة، والمعلومات غالباً ما تكون مبعثرة عبر مئات الصفحات. لفترة طويلة، استخدم العلماء أدوات قياسية للبحث في هذه البيانات، تماماً مثل استخدام كتاب قواعد بسيط للعثور على إبرة في كومة قش. كانت هذه الأدوات جيدة، لكنها غالباً ما كانت تفوت الروابط الخفية والبعيدة المدى بين أجزاء مختلفة من الجسم. لقد عانت هذه الأدوات عندما تتغير البيانات قليلاً، مثل مقارنة المرضى من مستشفى لآخر. وهنا يأتي دور فكرة جديدة: ماذا لو استطعنا تعليم الكمبيوتر ليس فقط قراءة الكتب، بل فهم القصة التي ترويها معاً، باستخدام الأنماط الخفية لكيفية عمل بيولوجيتنا حقاً؟
هذا بالضبط ما سعى الباحثون وراءه عند تطوير OmicFormer. فقد بنوا نوعاً جديداً من الذكاء الاصطناعي (AI) المصمم خصيصاً لفهم هذه الجداول البيولوجية الفوضوية. وبدلاً من معاملة كل قطعة من البيانات كحقيقة معزولة، يستخدم OmicFormer حيلة ذكية لتنظيم البيانات حتى قبل أن يبدأ في التعلم. تخيل أنك تحاول تعلم لغة جديدة؛ إذا حفظت قاموساً بالترتيب الأبجدي فقط، فسيكون من الصعب رؤية كيفية ارتباط الكلمات ببعضها البعض. ولكن إذا أعدت ترتيب القاموس بحيث توضع الكلمات التي تُستخدم معاً (مثل "قهوة" و"كوب") بجانب بعضها البعض، تصبح الأنماط واضحة. يقوم OmicFormer بشيء مماثل؛ فهو يستخدم "أولويات إحصائية" (statistical priors) — وهي مجرد طريقة منمقة لقول "تخمينات ذكية قائمة على الرياضيات" — لإعادة تنظيم البيانات البيولوجية.
أولاً، يقوم بمحاذاة البيانات بناءً على مدى احتمالية أن يتنبأ كل جزء بمرض معين. ثانياً، يستخدم خريطة رياضية معقدة (تسمى نقل "غرو-واسرشتاين" الأمثل - Gromov–Wasserstein optimal transport) لتجميع الميزات البيولوجية التي تتواجد مع بعضها بشكل طبيعي، مثل البروتينات التي تعمل في نفس الفريق. ومن خلال تغذية هذا المحرك من البيانات المنظمة بعناًة في محرك ذكاء اصطناعي قوي يسمى "المحول" (Transformer) — وهو نفس النوع من التكنولوجيا التي تساعد برامج الدردشة الآلية على فهم المحادثات البشرية — يمكن للنموذج رصد الروابط التي تفقدها الطرق الأخرى. الأمر يشبه إعطاء الذكاء الاصطناعي خريطة للمكتبة توضح الكتب المرتبطة ببعضها، بدلاً من مجرد مطالبته بالتخمين.
اختبر الفريق هذا الذكاء الاصطني الجديد على مجموعة بيانات ضخمة من "UK Biobank"، والتي تتضمن معلومات عن حوالي 500,000 شخص. وقد طلبوا من OmicFormer التنبؤ بمخاطر 450 مرضاً مختلفاً وتقدير 900 سمة صحية مختلفة، باستخدام بيانات من البروتينات، والتمثيل الغذائي، وفحوصات الدماغ. كانت النتائج مبهرة؛ فقد تفوق OmicFormer باستمرار على أفضل الأدوات الموجودة، بما في ذلك الطرق "القائمة على الأشجار" (tree-based) التي اعتمد عليها العلماء لسنوات. فعلى سبيل المثال، في التنبؤ بالأمراض باستخدام بيانات البروتين، حسّن OmicFormer الدقة بنحو 3.5% مقارنة بالطريقة التالية في الأفضلية. ورغم أن هذا قد يبدو صغيراً، إلا أنه في عالم التنبؤ بالأمراض النادرة أو المعقدة، يمثل قفزة هائلة قد تعني الفرق بين رصد المشكلة مبكراً أو تفويتها تماماً.
ما يجعل هذا الاكتشاف أكثر إثارة هو مدى جودة تعامله مع الفوضى في العالم الحقيقي. لم يكتفِ الباحثون باختباره على البيانات التي تم تدريبه عليها فحسب، بل وضعوه في مجموعات بيانات مختلفة تماماً؛ حيث اختبروه على مجموعة منفصلة من الأشخاص من "الكونسورتيوم العالمي لبروتينات التنكس العصبي" (Global Neurodegeneration Proteomics Consortium) وعلى فحوصات دماغ من مستشفيات مختلفة حول العالم. وفي هذه البيئات "الغريبة"، حيث تبدو البيانات مختلفة قليلاً، لم يتعثر OmicFormer، بل استمر في الأداء بشكل أفضل من الطرق القديمة، مما يشير إلى أنه قد تعلم قواعد البيولوجيا بدلاً من مجرد حفظ الأمثلة المحددة التي عُرضت عليه. وهذا أمر بالغ الأهمية، لأن الأداة التي تعمل في مستشفى واحد فقط ليست مفيدة جداً في الطب.
كما بحث الباحثون في كيفية اتخاذ الذكاء الاصطناعي لقراراته لضمان أنه لا يقوم بمجرد التخمين. ووجدوا أن OmicFormer يسلط الضوء على العلامات البيولوجية التي يعرف الأطباء بالفعل أنها مهمة، مثل بروتينات معينة مرتبطة بأمراض القلب أو الالتهابات. وهذا يمنح العلماء الثقة في أن الذكاء الاصطناعي يجد إشارات بيولوجية حقيقية. علاوة على ذلك، أظهروا أنه من خلال تعليم الذكاء الاصطناعي النظر في أمراض متعددة في وقت واحد (تقنية تسمى التعلم متعدد المهام)، يمكنه أن يصبح أفضل في التنبؤ بالحالات النادرة من خلال استعارة المعرفة من الحالات الأكثر شيوعاً.
باختاً، يشير OmicFormer إلى أنه من خلال احترام الهيكل الطبيعي للبيانات البيولوجية وتنظيمها بذكاء قبل التحليل، يمكننا بناء نماذج ذكاء اصطناعي ليست أكثر دقة فحسب، بل أكثر موثوقية أيضاً عند تطبيقها على مجموعات مختلفة من الناس. هو لا يدعي أنه حل كل الألغاز الطبية، لكنه يقدم طريقة جديدة وقوية لقراءة القصة المعقدة لصحتنا، مما قد يؤدي إلى تنبؤات أفضل وتدخلات مبكرة لمجموعة واسعة من الأمراض.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.