A Two-step Feature Selection Framework for Computationally Efficient Machine Learning on Genome-wide SNP Data

يُعد الجينوم البشري مكتبة هائلة من التعليمات البيولوجية، المكتوبة بشفرة تتكون من أربعة أحرف كيميائية. وضمن هذه الشفرة، تعمل اختلافات ضئيلة تُسمى تعدد أشكال النوكليوتيدات المفردة (SNPs)، كعلامات فريدة تميز شخصاً عن آخر. هذه العلامات منتشرة عبر الجينوم بأكسره، وعندما يجمع العلماء هذه البيانات من آلاف الأشخاص، فإنهم ينشئون مجموعات بيانات ضخمة للغاية تحتوي على عشرات الملايين من هذه النقاط الجينية. ويكمكن التحدي الذي يواجه الباحثين ليس فقط في تخزين هذه المعلومات، بل في فهمها؛ فعندما يفوق عدد العلامات الجينية عدد الأشخاص الذين تتم دراستهم بشكل كبير، تعاني البرامج الحاسوبية القياسية في العثور على الإشارة وسط الضجيج، إذ غالباً ما تصاب بالارتباك، مما يؤدي إلى حدوث أخطاء أو يتطلب قدرة حوسبة غير موجودة ببساطة. وهذا يخلق عقبة أمام فهم كيفية ارتباط الاختلافات الجينية بالمكان الذي ينحدر منه أسلاف الشخص، وهو سؤال يقع في قلب علم الوراثة السكانية الحديث.

قام فريق من الباحثين من كوريا الجنوبية بتطوير طريقة جديدة للتنقل في هذه البرية الرقمية، محولين جبلاً من البيانات الجينية إلى مسار يمكن إدارته. ركز الفريق على مجموعة بيانات من "مشروع الألف جينوم" (1000 Genomes Project)، والتي تحتوي على معلومات جينية لأكثر من 3,000 فرد يمثلون 26 دولة مختلفة. احتوت البيانات الخام على ما يقرب من 61 مليوناً من تعدد أشكال النوكليوتيدات المفردة (SNPs)، وهو رقم ضخم لدرجة أن محاولة تحليلها جميعاً دفعة واحدة باستخدام أدوات التعلم الآلي المتقدمة كان سيمثل أمراً مستحيلاً على الحواسيب القياسية. أدرك الباحثون أن معظم هذه العلامات الجينية كانت مكررة أو غير مفيدة لمهمة تحديد الأصل الجغرافي للشخص. ولحل هذه المشكلة، صمموا عملية من خطوتين لتصفية البيانات، تبدأ بإزالة الضجيج الواضح أولاً، ثم استخدام خوارزمية ذكية للعثور على أكثر الأدلة قيمة.

كانت الخطوة الأولى من طريقتهم عبارة عن مسح واسع، يعمل مثل المنخل لالتقاط العلامات الجينية الأكثر نشاطاً. قام الفريق بحساب مدى تباين كل (SNP) عبر مختلف الأشخاص في الدراسة. وتم استبعاد العلامات التي أظهرت تغيراً ضئيلاً جداً لأنها لا يمكن أن تساعد في التمييز بين المجموعات السكانية. قللت هذه التصفية البسيطة القائمة على التباين من مجموعة البيانات من 61 مليون علامة إلى حوالي مليون علامة. ورغم أن هذا كان تقليلاً هائلاً، إلا أنه ظل كبيراً جداً بحيث يصعب التعامل معه بسرعة بواسطة أكثر أدوات التحليل تطوراً. ومع ذلك، كانت هذه الخطوة التمهيدية حاسمة لأنها حولت مهمة مستحيلة إلى مهمة عملية، مما سمح للباحثين بالانتقال إلى المرحلة الثانية دون الحاجة إلى حواسيب فائقة التطور قد تكلف ثروة لتشغيلها.

في الخطوة الثانية، طبق الباحثون أداة تعلم آلي قوية تُسمى (XGBoost) على المليون علامة المتبقية. هذه الأداة مصممة لتعلم أي الميزات هي الأكثر أهمية لإجراء التنبؤ. ومن خلال تدريب الحاسوب على مجموعة البيانات المختزلة، استطاع النظام ترتيب (SNPs) بناءً على مدى فعاليتها في التنبؤ بالبلد الذي ينتمي إليه الشخص. ووجد الفريق أن هذا الجمع بين مرشح أول خشن ثم اختيار ثانٍ ذكي كان أفضل بكثير من محاولة استخدام الأداة الذكية على المجموعة الكاملة أو استخدام الاختيار العشوائي. في الواقع، إن تطبيق الأداة الذكية مباشرة على الـ 61 مليون (SNP) كاملة كان سيتطلب ما يقدر بـ 1,250 ساعة من وقت الحاسوب وكمية هائلة من الذاكرة، بينما أتمت طريقتهم المكونة من خطوتين المهمة في حوالي 50 ساعة فقط. ويمثل هذا تحسناً في الكفاءة بمقدار خمسة وعشرين ضعفاً، مما يجعل التحليل الجيني رفيع المستوى متاحاً على الأجهزة القياسية.

كانت نتائج هذه العملية المبسطة مذهلة. فباستخدام مجموعات فرعية مختارة بعناية من (SNPs)، قام الباحثون بتدريب مصنف لتخمين الأصل الجغرافي للأفراد. وبالنسبة للعديد من المجموعات السكانية، حقق النموذج دقة تقترب من المثالية. على سبيل المثال، استطاع النظام تحديد الأفراد من فنلندا واليابان وعدة مجموعات أفريقية بشكل صحيح وبدون أخطاء تقريباً، حتى عند استخدام أعداد صغيرة جداً من العلامات الجينية. بعض المجموعات، مثل شعب "إيسان" من نيجيريا، أمكن تحديدها باستخدام 128 (SNP) فقط، بينما تطلبت مجموعات أخرى، مثل سكان بورتوريكو، ما يصل إلى 8,192 علامة للوصول إلى نفس المستوى من الدقة. يشير هذا التباين إلى أن المجموعات المختلفة تمتلك هياكل جينية مختلفة، حيث تكون بعض المجموعات أكثر تميزاً عن جيرانها من غيرها. كما كشفت الدراسة أن بعض المجموعات، مثل البريطانيين، كان من الصعب التمييز بينها، ويرجع ذلك على الأرجح إلى التاريخ الجيني المشترك والتنوع العالي داخل السكان.

على الرغم من هذه النجاحات، كان الباحثون حذرين في الإشارة إلى حدود عملهم. فقد أقروا بأن طريقتهم هي في المقام الأول أداة لجعل التحليل ممكناً، وليست حلاً مثالياً لكل سؤال جيني. وظلت الدقة لبعض الدول متواضعة، وهو ما عزوه الباحثون إلى صغر حجم العينات والواقع المعقد المتمثل في أن الحدود السياسية لا تتطابق دائماً مع الحدود الجينية. كما أشاروا إلى أن دراستهم لم تأخذ في الاعتبار بشكل كامل الأشخاص ذوي الأصول المختلطة، وهم فئة ديموغرافية متزايدة في العالم الحديث تزيد من تعقيد التصنيفات الجغرافية البسيطة. ومع ذلك، توفر الدراسة مخططاً واضحاً وعملياً لكيفية التعامل مع تدفق البيانات الجينومية. ومن خلال إثبات أن استراتيجية التصفية المكونة من خطوتين يمكن أن تقلل وقت الحوسبة بشكل جذري مع الحفاظ على الدقة، قدم الفريق مساراً قابلاً للتطبيق للباحثين الذين يحتاجون إلى تحليل مجموعات البيانات الجينية الضخمة دون الحاجة إلى الوصول إلى أغلى موارد الحوسبة.