HA-DMF: Hybrid Attention-Based Deep Matrix Factorization for Drug Combination Synergy Prediction

نادرًا ما يُهزم السرطان بسلاح واحد. ففي المشهد المعقد للورم، غالبًا ما يستهدف عقار واحد هدفًا تتعلم الخلا السرطانية بسرعة كيفية تجاوزه، أو قد يلحق ضررًا بالأنسجة السليمة بشدة لدرجة تضطر معها عملية العلاج إلى التوقف. وللتغلب على ذلك، يلجأ الأطباء كثيرًا إلى العلاج المشترك، باستخدام عقارين أو أكثر في آن واحد. والهدف هو إيجاد أزواج تعمل معًا بطريقة خاصة: عندما يكون التأثير المشترك أكبر من مجرد المجموع البسيط لتأثيراتها الفردية. ويطلق العلماء على هذا "التآزر" (Synergy). إنه الفرق بين جنديين يقاتلان في معركة وبين جنديين يقاتلان كوحدة واحدة لا تقهر. ومع ذلك، فإن العثور على هذه الأزواج القوية مهمة هائلة؛ فمع وجود آلاف الأدوية ومئات الأنواع المختلفة من الخلايا السرطانية، فإن عدد التركيبات الممكنة شاسع لدرجة أن اختبارها جميعًا في المختبر قد يستغקر قرونًا ويكلف مليارات الدولارات.

ولأن الاختبار الفيزيائي بطيء ومكلف للغاية، فقد لجأ الباحثون إلى الحواسيب لتعمل كمرشح (فلتر). فهم يبنون نماذج رياضية للتنبؤ بأفضل أزواج الأدوية التي ستعمل معًا قبل خلط قطرة واحدة من السائل في المختبر. لسنوات، اعتمدت هذه النماذج الحاسوبية على نوعين رئيسيين من المعلومات: البنية الكيميائية للأدوية والتركيبة الجينية للخلايا السرطانية. لكن هذه النماذج واجهت صعوبة في التعميم؛ إذ غالبًا ما تؤدي أداءً جيدًا عند التنبؤ بنتائج الأدوية والخلايا التي رأتته من قبل، لكنها تفشل فشلاً ذريعًا عندما تُسأل عن نتائج أدوية جديدة تمامًا أو أنواع جديدة من الخلايا السرطانية. كان التحدي يكمن في إنشاء نظام لا يكتفي بحفظ النتائج الماضية، بل يفهم حقًا كيفية تفاعل الأدوية والخلايا بطريقة يمكن تطبيقها على المجهول.

اقترح فريق من الباحثين من جامعة طهران وجامعة آلتو في فنلندا نهجًا جديدًا لهذه المشكلة، أطلقوا عليه اسم HA-DMF. ويشير عملهم إلى أن التنبؤ بتآزر الأدوج ليس مجرد مطابقة للميزات، مثل مطابقة مفتاح لقفل، بل يتعلق بتعلم الأنماط الخفية للتفاعل بين زوج الأدوية والبيئة الخلوية المحددة. ولتحقيق ذلك، بنوا نظامًا هجينًا يجمع بين طريقتين مختلفتين من التفكير. الجزء الأول من نظامهم ينظر إلى البيانات الخام للتجارب الماضية لتعلم القواعد "الكامنة" أو الخفية لكيفية تصرف الأدوية معًا. أما الجزء الثاني فيستحضر معلومات بيولوجية مفصلة حول الأدوية والخلايا، باستخدام نوع خاص من آلية الانتباه (Attention Mechanism) لتحديد قطع المعلومات الأكثر أهمية لحالة معينة.

اختبر الباحثون نظامهم على مجموعة ضخمة من البيانات من قاعدة بيانات DrugComb، والتي تحتوي على نتائج أكثر من 144,000 تجربة دواء عبر 211 خطًا مختلفًا من الخلايا السرطانية. وقد غدوا الحاسوب بنوع محدد من المعلومات حول الأدوية: بصمة كيميائية مفصلة ترسم شكل الجزيء، وتمثيل متعلم يلتقط سلوك الدواء بناءً على كميات هائلة من البيانات الكيميائية غير المصنفة. وبالنسبة للخلايا السرطانية، وبدلاً من استخدام المجموعة الكاملة والمشوشة من التعليمات الجينية، استخدموا مجموعة مدمجة من إشارات الحمض النووي الريبوزي الميكروي (microRNA)، وهي جزيئات صغيرة تعمل كمنظمات لكيفية تشغيل أو إيقاف الجينات. كان هذا الخيار متعمدًا؛ فقد وجد الباحثون أن هذه الإشارات التنظيمية الأصغر توفر صورة أوضح لحالة الخلية دون الارتباك الناتج عن الكثير من البيانات الإضافية.

يكمن جوهر ابتكارهم في كيفية معالجة الحاسوب لهذه المعلومات. فبدلاً من مجرد تكديس جميع البيانات معًا، يستخدم النظام وحدة "تحليل المصفوفات العميق" (Deep Matrix Factorization). تخيل هذا كطريقة لتنظيم التاريخ الهائل لتجارب الأدوية في خريطة مدمجة من العلاقات الخفية. يتعلم الحاسوب وضع الأدوية والخلايا في مساحة مشتركة حيث تكون تلك التي تتصرف بشكل متشابه قريبة من بعضها البعض. وهذا يسمح للنموذج بتقديم تخمينات مدروسة حول التركيبات الجديدة بناءً على الأنماط التي تعلمها بالفعل. لكن النموذج لا يتوقف عند هذا الحد؛ فهو يستخدم آليات انتباه توجيهية للنظر في الميزات الكيميائية المحددة للأدوية والإشارات التنظيمية للخلية. إنه يسأل السؤال التالي: بالنسبة لهذا الزوج من الأدوية في هذه الخلية المحددة، ما هي التفاصيل الكيميائية وإشارات الخلية التي تقود التآزر فعليًا؟ وهذا يسمح للنموذج بتكييف تركيزه، وتوزين المعلومات الأكثر صلة لكل سيناريو فريد.

عندما اختبر الباحثون نظام HA-DMF مقابل الأساليب الرائدة الأخرى، كانت النتائج واضحة. في الاختبار القياسي الأكثر شيوعًا، حيث يتنبأ النموذج بنتائج تركيبات الأدوية التي لم يرها من قبل ولكن حيث تكون الأدوية والخلايا الفردية مألوفة، حقق النموذج الجديد ارتباطًا قدره 0.832 مع النتائج التجريبية الفعلية. وكان هذا أعلى بكثير من الطريقة التالية الأفضل، والتي سجلت حوالي 0.70. والأهم من ذلك، ارتكب النموذج الجديد أخطاءً أقل حدة؛ فقد تنبأ بقوة التآزر بمتوسط خطأ قدره 5.7 نقطة، مقارنة بـ 7.35 للطريقة التالية الأفضل. هذه الدقة مهمة لأن الفرق الصغير في الدرجة المتوقعة في العالم الحقيقي يمكن أن يحدد ما إذا كان سيتم اختيار زوج من الأدوية للاختبار المختبري المكلف أو استبعاده.

كما دفع الباحثون بالنموذج إلى أقصى حدوده ليروا مدى قدرته على التعامل مع المواقف الجديدة حقًا. فقد اختبروه في سيناريوهات كانت فيها أزواج الأدوية بأكملها جديدة، أو خطوط الخلايا بأكملها جديدة، أو حتى عندما يكون دواء واحد فقط في الزوج لم يسبق رؤيته من قبل. وكما هو متوقع، انخفض أداء النموذج مع زيادة صعوبة المهام، وهو أمر طبيعي لأي نظام تنبؤي. ومع ذلك، ظل HA-DMF يتفوق على الطرق الأخرى في ترتيب التركيبات بشكل صحيح، حتى عندما لم يستطع التنبؤ بالأرقام الدقيقة بدقة عالية. وهذا يشير إلى أن النموذج قد تعلم فهمًا قويًا لقواعد التفاعل التي يمكن أن تنتقل إلى سياقات جديدة.

كشفت نظرة فاحصة على مكونات النموذج أن كل جزء لعب دورًا حيويًا. فعندما أزال الباحثون الأنماط المتعلمة من البيانات الخام، انخفضت دقة النموذج بشكل كبير، مما أثبت أن التعلم من التجارب الماضية أمر ضروري. وعندما أزالوا البصمات الكيميائية أو الإشارات التنظيمية، انخفض الأداء أيضًا، مما يظهر أن التفاصيل البيولوجية توفر سياقًا ضروريًا. ولعل الأمر الأكثر إثارة للدهشة هو أنه عندما أزالوا آلية "الانتباه" التي تسمح للنموذج بالتركيز على تفاصيل محددة، ساءت النتائج. وقد أكد هذا أن القدرة على وزن المعلومات المختلفة بشكل انتقائي ليست مجرد ميزة إضافية، بل هي مطلب أساسي للتنبؤ الدقيق. فالنموذج لا يعامل جميع الأدوية والخلايا بنفس الطريقة؛ بل يتعلم كيف يصغي إلى الإشارات الصحيحة للموقف الصحيح.

كما درست الدراسة كيفية سلوك النموذج عبر مستويات مختلفة من التفاعل الدوائي. لقد كان أداؤه جيدًا جدًا في النطاق المتوسط، حيث تقع معظم تركيبات الأدوية، متنبئًا بدقة بما إذا كان سيكون لها تأثير ضعيف أو متوسط. ومع ذلك، وكحال العديد من الأنظمة، مال إلى أن يكون متحفظًا عند التنبؤ بالحالات الأكثر تطرفًا. فعندما أظهر زوج من الأدوية تأثيرًا تآزريًا قويًا جدًا في المختبر، غالبًا ما تنبأ النموذج بتأثير قوي ولكنه أقل قليلاً مما لوحظ فعليًا. ويشير الباحثون إلى أن هذه نتيجة أكثر أمانًا من العكس؛ ففي اكتشاف الأدوية، من الأفضل التقليل قليلاً من تقدير تركيبة قوية واستكشافها أكثر من المبالغة في تقدير تركيبة ضعيفة وهدر الموارد على طريق مسدود.

إن العمل الذي قام به عباسي وروسو وغراقهاني يشير إلى تحول في كيفية مقاربتنا لاكتشاف الأدوية. فبدلاً من النظر إلى المشكلة ببساً على أنها مجرد مطابقة ميزات الدواء مع ميزات الخلية، يظهرون أنه من الأكثر فعالية معاملة المشكلة كمسألة تعلم حيث يكتشف النظام القواعد الخفية للتفاعل. ومن خلال الجمع بين القدرة على التعلم من البيانات الماضية والفهم العميق للبنية الجزيئية والتنظيم الخلوي، يقدم HA-DMF أداة عملية لتحديد أولويات تركيبات الأدوية التي تستحق الاختبار. ورغم أنه ليس حلاً سحريًا يمكنه التنبؤ بكل نتيجة بدقة مثالية، إلا أنه يوفر بوصلة موثوقة للإبحار في المحيط الشاسع والمعقد لجميع علاجات السرطان الممكنة، مما يساعد العلماء على تركيز جهودهم على التركيبات الأكثر احتمالًا للنجاح.