Learning alignment topology improves structural variant discovery from long-read sequencing

غالبًا ما يُوصف الجينوم البشري بأنه كتاب الحياة، وهو تسلسل شاسع من الحروف الكيميائية التي ترشد الجسم لكيفية بناء نفسه والحفاظ عليه. لعقود من الزمن، تمكن العلماء من قراءة هذا الكتاب بسرعة متزايدة، لكنهم واجهوا صعوبة في العثور على الأخطاء المطبعية الأكثر أهمية. وبينما تكون بعض الأخطاء مجرد استبدال حرف بآخر، فإن الأخطاء الأكثر خطورة غالبًا ما تكون تغييرات هيكلية كبيرة؛ وهي عبارة عن أجزاء من الشفرة الوراثية التي تُحذف، أو تُكرر، أو تُقلب رأساً على عقب، أو تُدرج في مكان خاطئ. مثل هذه الترتيبات واسعة النطاق يمكن أن تعطل تعليمات الجسم، مما يؤدي إلى اضطرابات وراثية شديدة، وحالات نمائية، وسرطان.

لفترة طويلة، كان العثور على هذه الأخطاء الكبيرة يشبه محاولة رصد فقرة مفقودة في رواية من خلال قراءتها كلمة بكلمة. لقد تطورت التكنولوجيا المستخدمة لقراءة الجينوم، مع ظهور آلات جديدة قادرة على قراءة مساحات أطول بكثير من النص في المرة الواحدة. ومع ذلك، ظهرت مشكلة جديدة: حتى مع هذه القراءات الطويلة، ظلت عملية تجميع هذه القطع معاً للعثور على الأخطاء عملية فوضوية. فالإشارات التي تشير إلى تغيير كبير غالبًا ما تكون متفرقة، أو غير متسقة، أو مخفية داخل أقسام متكررة من الجينوم تربك برامج الكمبيوتر المصممة لإيجادها. وعندما تحاول هذه البرامج تجميع الأدلة، فإنها غالبًا ما تخطئ في رصد الأخطاء الحقيقية أو تطلق إنذارات كاذبة، خاصة عندما تكون التغييرات صغيرة أو معقدة.

طوّر فريق من الباحثين نهجًا جديدًا لحل هذا اللغز، مبتعدين عن القواعد الصارمة نحو طريقة أكثر مرونة لفهم البيانات. فبدلاً من مجرد النظر إلى أين تترتب قطع الجينوم، ينظر أداة جديدة تسمى SGraSV إلى العلاقات بين تلك القطع. تخيل محاولة تحديد شخص معين في غرفة مزدحمة؛ قد تبحث الطريقة التقليدية فقط عن شخص يقف عند إحداثية محددة على الأرض، فإذا تحرك ذلك الشخص قليلاً أو تغير ترتيب الحشد، تفشل عملية البحث. أما الطريقة الجديدة، فهي تنظر إلى النمط الكامل لكيفية وقوف الأشخاص بالنسبة لبعضهم البعض؛ فهي تدرك أن مجموعة من الأشानों تقف في تشكيل معين هي إشارة، حتى لو تغير هذا التشكيل قليلاً أو إذا كان بعض الأشخاص مخفيين جزئيًا.

بنى الباحثون هذا النظام عبر تعليم الكمبيوتر التعرف على الأنماط الدقيقة التي تميز التغيير الوراثي الحقيقي عن الضجيج الناتج عن عملية التسلسل. بدأوا بتفكيك البيانات الخام من آلات التسلسل طويل القراءة إلى أوصاف تفصيلية صغيرة. ولم تقتصر هذه الأوصاف على مكان قطع أو وصل الحمض النووي فحسب، بل شملت أيضًا البيئة الكيميائية المحلية وجودة التطابق. ثم استخدم الكمبيوتر عملية تعلم لتحويل هذه الأوصاف إلى توقيع رياضي مدمج يلتقط جوهر الإشارة. ومن خلال تحليل الآلاف من هذه التوقيعات، تعلم النظام كيفية تجميعها بناءً على بنيتها الأساسية بدلاً من مجرد موقعها الفيزيائي. وقد سمح ذلك له برؤية أن مجموعة من الإشارات المتفرقة والفوضوية هي في الواقع حدث واحد متماسك، بينما كانت الإشارات المتفرقة الأخرى مجرد أخطاء عشوائية.

عندما اختبر الفريق هذه الأداة الجديدة مقابل الطرق الموجودة، كانت النتائج مذهلة. فقد جربوا النظام على بيانات من آلات تسلسل مختلفة، بما في ذلك آلات PacBio وOxford Nanopore، والتي تستخدم عمليات كيميائية مختلفة لقراءة الحمض النووي. وفي كل حالة، وجدت الأداة الجديدة تغييرات وراثية حقيقية أكثر وارتكبت أخطاء أقل من البرامج القياسية. وكان التحسن ملحوظًا بشكل خاص في الأنواع الأكثر صعوبة من الأخطاء: التغييرات الصغيرة التي يتراوح طولها بين 50 و200 حرف، وإعادة الترتيب المعقدة حيث تُكرر أو تُقلب مقاطع من الحمض النووي. في هذه المناطق الصعبة، كانت الأدوات القديمة تفشل غالبًا، إما بتجاهل التغييرات تمامًا أو بتقسيم الحدث الواحد إلى عدة أجزاء مربكة. ومع ذلك، حافظ النظام الجديد على تماسك القطع، وحدد الحدث بدقة عالية ومكانه الصحيح.

كما اختبر الباحثون الأداة على مجموعة كبيرة من الجينومات البشرية من مشروع "ألف جينوم" (1000 Genomes Project)، وهو جهد دولي ضخم لرسم خريطة التنوع الوراثي البشري. طبقوا النظام على 65 فردًا تم تسلسل جينوماتهم باستخدام نوعين مختلفين من الآلات. أنتجت الأداة نتائج متطابقة تقريبًا على كلا الجهازين، مما أظهر قدرتها على إيجاد نفس التغييرات الوراثية بغض النظر عن التكنولوجيا المستخدمة في القراءة. وهذا الاتساق أمر بالغ الأهمية للدراسات واسعة النطاق حيث قد تتم معالجة العينات في مختبرات مختلفة أو باستخدام معدات مختلفة. علاوة على ذلك، عندما فحص الباحثون أداء الأداة على العناصر الوراثية المتحركة — وهي تسلسلات تشبه الفيروسات وتنتقل حول الجينوم — نجحت الأداة في استعادة الطول الكامل لهذه الإدراجات. فبينما كانت الأدوات القديمة غالبًا ما تقطع هذه التسلسلات إلى أجز de، مما يجعل دراستها صعبة، حافظ النظام الجديد على بنيتها، مما وفر رؤية أوضح لكيفية تحرك هذه العناصر وتأثيرها على الجينوم.

لفهم سبب عمل الأداة بهذا الشكل الجيد، نظر الباحثون في داخل عملية اتخاذ القرار الخاصة بها. ووجدوا أن النظام لا يعتمد على عامل واحد، مثل عدد القراءات التي تدعم التغيير، بل كان يزن "تماسك" الأدلة. كان يتساءل عما إذا كانت الإشارات الداعمة تشكل مجموعة منطقية متماسكة في الفضاء المجرد الذي تعلمه الكمبيوتر. فإذا كانت الإشارات متفرقة وغير متسقة، كان النظام يصنفها بشكل صحيح كضجيج. أما إذا شكلت نمطًا متماسكًا، حتى لو كان فوضويًا قليلاً، فإن النظام يتعرف عليها كحدث حقيقي. وقد ثبت أن القدرة على تقييم جودة العلاقة بين الإشارات، بدلاً من مجرد عدّها، كانت المفتاح لنجاحه.

كما سلطت الدراسة الضوء على وجود مقايضة؛ فبسبب قيام النظام بهذا التحليل العميق للعلاقات، فإنه يتطلب قدرة حوسبية أكبر من الأدوات البسيطة القائمة على القواعد. فهو يستغرق وقتًا أطول للتشغيل ويستهلك ذاكرة أكبر. ومع ذلك، يرى الباحثون أن هذه التكلفة مبررة عندما يكون الهدف هو العثور على التغييرات الأكثر صعوبة وأهمية بيولوجية. فبالنسبة للدراسات التي تحتاج إلى اكتشاف الأمراض النادرة، أو فهم إعادة الترتيب الوراثي المعقد، أو مقارنة الجينومات عبر منصات تسلسل مختلفة، فإن الدقة الإضافية التي يوفرها هذا النهج الجديد تقدم ميزة كبيرة.

من خلال نقل التركيز من الإحداثيات البسيطة إلى طوبولوجيا الأدلة، يفتح هذا العمل مسارًا جديدًا لأبحاث الجينوم. فهو يثبت أن الطريقة التي نجمع بها الإشارات لا تقل أهمية عن الإشارات نفسها. وبينما يستمر العلماء في رسم خريطة الجينوم البشري والبحث عن أسباب الأمراض، ستكون الأدوات التي يمكنها التنقل في تعقيدات وضجيج البيانات بهذا المستوى من الرقي ضرورية للغاية. وتؤكد النتائج أن تعلم بنية الأدلة يسمح لنا برؤية الجينوم بوضوح أكبر، مما يكشف عن الأخطاء الخفية التي تشكل صحتنا وبيولوجيتنا.