Meta-analysis of Human Serum DIA proteome: Combining Datasets for AI Analysis
تُظهر هذه الدراسة أن دمج مجموعات بيانات البروتيوميات القائمة على تحليل التجزئة والتمييز (DIA) للمصل البشري من المستودعات العامة لإجراء تحليل تلوّي مدفوع بالذكاء الاصطناعي غير ممكن حالياً بسبب تأثيرات الدفعة القوية والمستمرة التي تولد ارتباطات وإيجابيات كاذبة، مما يشير إلى وجوب تحليل هذه المجموعات بشكل فردي بدلاً من ذلك.
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
خلطة البروتينات الكبرى: لماذا لا تندمج بعض البيانات العلمية ببساطة؟
تخيل أنك تحاول فهم كيفية عمل جسم الإنسان من خلال النظر إلى "قائمة أجزائه". في عالم البيولوجيا، تُسمى هذه القائمة "البروتيوم" (proteome)، وهي مكونة من آلاف الآلات الصغيرة التي تسمى البروتينات. يمكن للعلماء أخذ قطرة من الدم (المصل) واستخدام مجهر فائق القوة يسمى "مطياف الكتلة" لعدّ هذه البروتينات. هذا يشبه التقاط صورة لملعب مزدحم ومحاولة عدّ كل شخص يرتدي قميصاً بلون معين.
لفترة طويلة، استخدم العلماء طريقة تسمى "الاستحواذ المعتمد على البيانات" (DDA) لالتقاط هذه الصور. كانت تشبه كاميرا لا تلتقط إلا صور الأشخاص الأكثر شهرة وضجيجاً في الحشد، مما يؤدي غالباً إلى تفويت الأشخاص الأقل ضجيجاً أو الأقل وفرة. مؤخراً، أصبحت طريقة كاميرا جديدة تسمى "الاستحواذ غير المعتمد على البيانات" (DIA) شائعة. هذه الكاميرا الجديدة تلتقط صوراً لـ الجميع في الحشد، بغض النظر عن مدى ضجيجهم، مما يعطي صورة أكثر اكتمالاً وإنصافاً للبروتيوم.
الآن، تخيل أن لديك صوراً من 11 ملعباً مختلفاً، التقطها 11 مصوراً مختلفاً باستخدام كاميرات مختلفة قلياً، وفي أوقات مختلفة من اليوم، وبإضاءة مختلفة. تريد دمج كل هذه الصور في صورة واحدة ضخمة وفائقة الوضوية للعثور على أنماط—مثل "هل يرتدي الناس قمصاناً حمراء أكثر مع تقدمهم في العمر؟" أو "هل هناك لون قميص محدد ترتديه الفتيات فقط؟". يسمى هذا "التحليل التلوي" (meta-analysis). يبدو الأمر فكرة رائعة لأن دمج البيانات يجب أن يمنحك قوة أكبر للعثين على الحقيقة. ولكن ماذا لو كانت الإضاءة في كل ملعب مختلفة جداً بحيث تبدو في صورة ما وكأن الجميع يرتدون الأحمر، وفي صورة أخرى كأنهم يرتدون الأزرق، ليس بسبب العمر أو الجنس، بل لمجرد اختلاف ضوء الشمس؟ هذا "الاختلاف في الإضاءة" يسمى "تأثير الدفعة" (batch effect)، وهو المشكل الكبير الذي يبحث فيه هذا البحث.
التجربة: محاولة مزج 11 عالماً مختلفاً
في هذه الدراسة، قرر فريق من الباحثين من جامعة ليفربول، والمعهد الأوروبي للمعلوماتية الحيوية، ومعهد دراسات النظم، اختبار ما إذا كان بإمكاننا بالفعل خلط هذه المجموعات الـ 11 المختلفة من مصل الإنسان. أرادوا معرفة ما إذا كان بإمكانهم إنشاء "مجموعة بيانات فائقة" تكون جاهزة للذكاء الاصطناعي (AI) لاستخراج اكتشافات طبية جديدة.
بدأوا بـ 11 مجموعة بيانات عالية الجودة من مكتبة عامة تسمى PRIDE. احتوت هذه المجموعات على معلومات عن 1,393 شخصاً مختلفاً. بعضهم أصحاء، وبعضهم يعاني من أمراض مثل كوفيد-19 أو أمراض القلب الروماتيزمية، وكان لديهم تفاصيل عن العمر، والجنس، ومؤشر كتلة الجسم (BMI). استخدم الباحثون أداة برمجية حديثة تسمى DIA-NN لإعادة تحليل جميع البيانات الخام، لضمان أنهم جميعاً ينظرون إلى نفس قائمة البروتينات.
أولاً، فحصوا البيانات بشكل فردي. عندما نظروا إلى كل مجموعة بيانات على حدة، وجدوا بعض الأنماط الواضحة والحقيقية. على سبيل المثال، رأوا أن بروتينات معينة (مثل IGFALS و IGFBP3) تتغير باستمرار مع تقدم الناس في العمر، وأخرى (مثل Serum Amyloid P-component) تختلف بين الرجال والنساء. كانت هذه هي "الإشارات الحقيقية" التي كانوا يأملون العثور عليها في الخليط الكبير.
محاولة المزج الكبرى: هل تنجح؟
بعد ذلك، حاول الفريق دمج المجموعات الـ 11 كلها في كومة واحدة ضخمة. جربوا ثلاث طرق لتحضير البيانات للمزج:
- قيم iBAQ الأصلية: استخدام الأرقام الخام مباشرة من الجهاز.
- القيم المرتبة: تحويل الأرقام إلى رتب بسيطة (مثل المركز الأول، والثاني، والثالث، والرابع، والخامس) لتنعيم الاختلافات.
- أجزاء في المليار (PPB): تحويل الأرقام إلى نسب مئوية من الإجمالي، مثل القول بأن "هذا البروتين يشكل 5 مليارات جزء من المليار من الحساء بأكمله".
ثم، حاولوا استخدام أدوات "تصحيح الدفعة" (وهي حيل رياضية تسمى ComBat و Limma) لمحو الاختلافات الناتجة عن الدراسات المختلفة، آملين في ترك الحقيقة البيولوجية وراءها فقط.
النتيجة؟ فوضى عارمة.
على الرغم من بذل قصارى جهدهم، وجد الباحثون أنهم لم يستطيعوا إزالة "تأثيرات الدفعة" بفعالية. كانت الاختلافات بين الدراسات الـ 11 قوية جداً لدرجة أن الحيل الرياضية لم تستطع الفصل بين "ضجيج الدراسة" و"الإشارة البيولوجية".
عندما دمجوا البيانات، بدأت نماذج الذكاء الاصطناعي والإحصاء في إعطاء إنذارات كاذبة. وجدوا بروتينات تبدو مرتبطة بالعمر أو الجنس، ولكن عندما تحققوا من المجموعات الـ 11 المنفصلة الأصلية، وجدوا أن تلك الروابط لم تكن موجودة. كان الأمر أشبه بعملية المزج التي خلقت قصة أشباح حيث تتحدث البروتينات عن العمر بينما هي في الواقع تتحدث فقط عن المختبر الذي جاءت منه.
على سبيل المثال، إذا كانت إحدى الدراسات تضم أغلب كبار السن، ودراسة أخرى تضم أغلب الشباب، فإن البيانات المدمجة ستخدع الكمبيوتر وتجعله يعتقد أن كل بروتين يتغير مع العمر، حتى لو لم يكن كذلك. كان "تأثير الدفعة" (هوية الدراسة) صاخباً جداً لدرجة أنه غطى على الهمسات البيولوجية الحقيقية.
اختبار مصنف الذكاء الاصطناعي: هل يمكن للروبوت التعلم من الخليط؟
لاختبار الخطورة حقاً، حاول الباحثون بناء روبوت ذكاء اصطناعي لتخمين جنس الشخص (ذكر أم أنثى) بناءً على مستويات البروتين لديه. استخدموا اثنتين من أكبر مجموعات البيانات وجربوا نهجين:
- نهج "التنظيف": حاولوا إزالة اختلافات الدراسة رياضياً أولاً، ثم قاموا بتدريب الذكاء الاصطناعي.
- النهج "الخام": تركوا الذكاء الاصطناعي يتعلم اختلافات الدراسة كسمة (مثل تعليم الروبوت التعرف على معرف "PXD" الخاص بمجموعة البيانات).
جعل كلا النهجين الروبوت يبدو ذكياً. فقد خمن الجنس بشكل صحيح بنسبة 80% تقريباً. ومع ذلك، عندما فحص الباحثون ما الذي كان يستخدمه الروبوت فعلياً لاتخاذ تخميناته، وجدوا مشكلة. كان الروبوت يلتقط سمات إيجابية كاذبة—وهي بروتينات بدت مهمة فقط بسبب تأثير الدفعة، وليس لأنها مرتبة فعلياً مع كون الشخص ذكراً أو أنثى.
إذا استخدم طبيب هذا الروبوت للعثور على علامة حيوية جديدة لمرض ما، فقد ينتهي به الأمر بمطاردة شبح، متبعاً خيطاً كان مجرد وهم إحصائي ناتج عن دمج بيانات غير متوافقة.
الخلاصة
النتيجة الرئيسية لهذا البحث هي درس تحذيري. بينما يبدو دمج مجموعات البيانات وسيلة رائعة لزيادة قوة الذكاء الاصطناعي والاكتشاف، فإن الأمر ينطوي حالياً على مخاطرة كبيرة بالنسبة لبيانات مصل الإنسان من نوع DIA.
يقترح المؤلفون ما يلي:
- لا تخلطوا كل شيء معاً بعد: "تأثيرات الدفعة" (الاختلافات بين الدراسات) قوية جداً بحيث لا يمكن إصلاحها بالأدوات الرياضية الحالية.
- الإيجابيات الكاذبة خطر حقيقي: محاولة فرض هذه المجموعات معاً تخلق ارتباطات وهمية تبدو حقيقية لكنها ليست كذلك.
- تعاملوا معها بشكل فردي: من الأكثر أماناً ودقة تحليل كل مجموعة بيانات على حدة والبحث عن الأنماط التي تتكرر عبرها، بدلاً من دمجها في حساء واحد كبير.
باختصار، بينما نمتلك كنزاً من البيانات، فإن محاولة دمج هذه المجموعات الـ 11 المحددة من مصل الإنسان الآن تشبه محاولة خلط الزيت والماء وتوقع الحصول على سموذي ناعم. النتيجة هي خليط فوضوي حيث تضيع الإشارات الحقيقية في الضجيج، ويبدأ الذكاء الاصطناعي في رؤية أشياء ليست موجودة. خلص الباحثون إلى أنه حتى تتوفر لدينا طرق أفضل لتنظيف هذه البيانات، يجب علينا التعامل مع هذه التحليلات التلوية واسعة النطاق بحذر شديد.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.