Neighbor-Contrastive Heterogeneous Graph Learning for Spatially Coherent Representation of Single-Cell Data

في جسم الإنسان، لا تُعد الأنسجة مجرد تجمعات عشوائية من الخلايا، بل هي أحياء منظمة للغاية. تماماً كما للمدينة مناطق متميزة —سوق صاخب، أو منتزه هادئ، أو حي سكني كثيف— تحتوي الأنسجة على مناطق متصلة حيث تعيش مجموعات محددة من الخلايا وتعمل معاً. وفي السنوات الأخيرة، طور العلماء مجاهر قوية قادرة على التقاط صورة لآلاف المئات من الخلايا الفردية في آن واحد، لا تسجل فقط الجينات التي تستخدمها كل خلية، بل تسجل أيضاً موقعها الدقيق داخل النسيج. لقد فتحت هذه التكنولوجيا أفقاً جديداً في علم الأحياء: القدرة على رسم خرائط بنية الحياة بمقياس مجهري. ومع ذلك، فإن تحويل هذه الخرائط الضخمة إلى رؤى ذات مغزى يتطلب وسيلة لتجميع الخلايا في أحياءها الصحيحة. وتكمن المشكلة في أن الخلايا من النوع نفسه يمكن أن تبدو مختلفة جداً اعتماداً على موقعها، بينما غالباً ما تعيش خلايا من أنواع مختلفة جنباً إلى جنب في نفس المنطقة الوظيفية. ولحل هذه المعضلة، يستخدم الباحثون نماذج حاسوبية تعامل النسيج كشبكة، حيث تساعد الروابط بين الخلايا المتجاورة في تحديد ماهية المنطقة.

لقد تناول باحث مؤخراً مشكلة جوهرية في كيفية تعلم هذه النماذج الحاسوبية التعرف على أحياء الأنسجة. لسنوات، اعتمدت الطريقة القياسية لتدريب هذه النماذج على منطق مستعار من كيفية تعرف البشر على الوجوه: حيث يُعرض على الحاسوب صورتان مختلفتان قليلاً لنفس الكائن ويُقال له إنهما متطابقان، بينما يُقال له إن كل كائن آخر في الغرفة مختلف. هذا النهج يجبر الحاسوب على معاملة كل خلية كفرد فريد، مما يدفعه إلى فصل كل خلية عن الأخرى. وبينما يعمل هذا بشكل جيد لتحديد أنواع الخلايا المحددة، فإنه يفشل عندما يكون الهدف هو إيجاد الأحياء الأكبر حيث تعيش الخلايا معاً. ففي النسيج، من المفترض أن الخلايا التي تتلامس فيزيائياً تنتمي إلى المجموعة نفسها، ومع ذلك، كانت طريقة التدريب القياسية تعلم الحاسوب فعلياً فصلها عن بعضها البعض.

ولإصلاح هذا عدم التطابق، اقترح "تشنغ تشاو"، وهو باحث في جامعة الطيران المدني في الصين، تغييراً بسيطاً ولكنه جذري في كيفية تعلم الحاسوب. فبدلاً من معاملة كل خلية كفئة فريدة، تعلم الطريقة الجديدة الحاسوب أن الخلايا التي تتلامس فيزيائياً يجب اعتبارها زوجاً إيجابياً، أو تطابقاً. تم تدريب النموذج على مجموعة بيانات ضخمة تضم ما يقرب من 459,000 خلية من تسعة أقسام مختلفة من أنسجة القولون البشري، والتي تغطي عينات سليمة وأخرى من مرضى يعانون من مرض التهاب الأمعاء. قام الباحث ببناء خريطة معقدة حيث ترتبط الخلايا بناءً على تقاربها الفيزيائي، مما خلق شبكة تضم أكثر من 2.6 مليون اتصال. ثم قام بتدريب شبكة عصبية، وهي نوع من الذكاء الاصطناعي المصمم لمعالجة هذه الروابط، لتقريب التمثيلات الخاصة بالخلايا المتلامسة في ذاكرتها الداخلية، بدلاً من دفعها بعيداً عن بعضها البعض.

كانت النتائج لهذا التغيير مذهلة. فعندما اختبر الباحث نموذجه الجديد مقابل أقوى الأساليب الموجودة، أنتج النهج الجديد صورة أكثر وضوحاً لتنظيم الأنسجة. فقد تحسن مقياس قياسي لمدى قدرة النموذج على التقاط التدفق الطبيعي للنسيج بشكل ملحوظ، حيث ارتفع من 0.633 إلى 0.756. ومقياس آخر لمدى اتساق تجميع الخلايا في نفس الحي معاً قفز من 0.765 إلى 0.862. وقد تحققت هذه التحسينات باستخدام نصف وقت الحوسبة ونصف الذاكرة المطلوبة من الطرق الأفضل السابقة. نجح النموذج في تحديد عشر مناطق متميزة عبر عينات الأنسجة. وكانت بعض هذه المناطق تهيمن عليها أنواع محددة من الخلايا، مثل منطقة مكونة بالكامل تقرياً من الخلايا الطلائية، بينما كانت مناطق أخرى عبارة عن خليط معقد من أنواع مختلفة من الخلايا التي تظهر فقط في حالات مرضية معينة، مثل المناطق المتميزة التي توجد فقط في داء كرون أو التهاب القولون التقرحي.

كشفت الدراسة أيضاً عن حقائق مفاجئة حول كيفية تقييم هذه النماذج وما يجب تجنبه. اختبر الباحث ما إذا كان إضافة ميزة تطلب من الحاسوب إعادة بناء بيانات الخلية الأصلية من نسخة تالفة سيساعد، وهو ممارسة شائعة في هذا المجال. ووجد العكس: إضافة مهمة إعادة البناء هذه جعلت النموذج أسوأ في تحديد الأحياء، مما أضر بأدائه في كل مقياس قاموا بقياسه. علاوة على ذلك، سلطت الدراسة الضوء على خلل في كيفية حكم العلماء على جودة هذه الخرائط. فقد وجد أن أحد المقاييس الشائعة، الذي يقيس مدى تماسك المناطق المحددة، كان غير مستقر للغاية. فعندما قام الباحث بتشغيل نفس النموذج تماماً مع نقطة بداية عشوائية مختلفة، تذبرت نتيجة هذا المقياس بشكل كبير، حيث تغيرت بمعامل قدره 2.4. وهذا يعني أن تشغيلاً واحداً للاختبار لا يمكن الوثوق به لمقارنة الأساليب المختلفة بشكل عادل، لأن النتيجة قد تعتمد على نقطة البداية العشوائية أكثر من اعتمادها على جودة النموذج نفسه.

تعلق اكتشاف رئيسي آخر بكيفية اختبار العلماء للتفاعلات بين أنواع الخلايا. تفترض أداة إحصائية شائعة أنه إذا لم تكن هناك تفاعلات بين نوعين من الخلايا، فإن ترتيبهما يجب أن يبدو كعملية إعادة خلط عشوائية للتسميات عبر النسيج بأك its. وقد أظهر الباحث أن هذا الافتراض معيب بالنسبة للأنسجة حيث تتجمع الخلايا طبيعياً. فعندما طبقوا هذا الاختبار القياسي، أشار خطأً إلى أن الخلايا البلعمية (macrophages) والخلايا الليفية (fibroblasts) يتجنبان بعضهما البعض. ومع ذلك، عندما استخدموا اختباراً أكثر دقة يحترم بنية الجوار المحلي، اختفى الإنذار الكاذب، مما أظهر أن هذه الخلايا تتفاعل بالمعدل المتوقع. هذا الاكتشاف يحذر الباحثين من أن الأدوات القياسية يمكن أن تخلق استنتاجات مضللة حول سلوك الخلايا إذا لم تأخذ في الاعتبار التجمع الطبيعي للخلايا في النسيج.

في نهاية المطاف، يوضح هذا العمل أن الطريقة التي يتعلم بها الحاسوب تهم بقدر أهمية البيانات التي يراها. فمن خلال تغيير تعريف ما يعتبر "تطابقاً" ببساطة من "نفس الخلية" إلى "الجيران المتلامسين"، مكن الباحث النموذج من رؤية النسيج كمجموعة من الأحياء المتماسكة بدلاً من مجموعة من الأفراد المنعزلين. لم يؤدِ النموذج أداءً أفضل فحسب، بل أنتج نوعاً مختلفاً من الخرائط، خريطة تعكس الواقع البيولوجي لتنظيم الأنسجة. ورغم أن الدراسة كانت مقتصرة على أنسجة القولون ولم تقارن نفسها بكل الأساليب الأخرى الموجودة، إلا أنها تقدم مساراً واضحاً للمضي قدماً في تحليل البيانات المكانية. إنها تقترح أنه بالنسبة للمهام التي تتضمن اكتشاف مناطق الأنسجة، يجب أن يكون الهدف هو الحفاظ على استمرارية المساحة، وأن تكون الأدوات المستخدمة لقياس النجاح قوية بما يكفي للتعامل مع التباين المتأصل في خوارزميات التجميع. إن الكود الخاص بهذا النهج الجديد متاح الآن للعلماء الآخرين لاستخدامه، مما يوفر طريقة أكثر كفاءة ودقة لرسم خرائط الأحياء المعقدة لجسم الإنسان.