Incorporating cell states for mapping eQTLs in single-cell studies

تُعد الجينات بمثابة كتيبات التعليمات لبناء وكفاءة تشغيل الكائن الحي، لكنها لا تعمل في فراغ؛ إذ يتم ضبط نشاطها باستمرار من خلال اختلافات طفيفة في شفرة الحمض النووي (DNA) نفسها، والتي تُعرف بالمتغيرات الجينية. ويطلق العلماء على المواقع المحددة التي تؤثر فيها هذه المتغيرات على نشاط الجينات اسم "مواقع سمات الكمية التعبيرية"، أو ما يعرف بـ eQTLs. لعقود من الزمن، قام الباحثون برسم خرائط لهذه العلاقات من خلال دراسة مجموعات من الخلايا المختلطة معاً، مثل أخذ "سموذي" من نسيج ما وقياس متوسط نكهته. وقد كشف هذا النهج عن كيفية تنظيم الجينات عبر أعضاء مختلفة وأنواع خلوية واسعة. ومع ذلك، فإن جسم الإنسان ليس "سموذي"، بل هو نظام بيئي معقد حيث يمكن للخلايا الفردية داخل نفس النسيج أن تكون في حالات متفاوتة تماماً من النشاط، أو النضج، أو الاستجابة لبيئتها. فقد تكون الخلية في حالة راحة، أو انقسام، أو محاربة لعدوى، ويمكن لتنظيمها الجيني أن يتغير بناءً على تلك الحالة المحددة.

يكمن التحدي الذي يواجه العلم الحديث في أن هذه التغييرات الدقيقة المرتبطة بالحالة غالباً ما تضيع عندما تُخلط الخلايا معاً. علاوة على ذلك، فإن البيانات التي يتم جمعها من الخلايا الفردية تكون شحيحة ومليئة بالضجيج بشكل كبير، مما يجعل من الصعب تطبيق الأدوات الإحصائية القياسية دون الوقوع في الأخطاء. احتاج الباحثون إلى وسيلة للنظر في التنظيم الجيني للجينات ليس فقط عبر أنواع الخلايا، ولكن عبر الطيف المستمر لحالات الخلايا، مع التعامل أيضاً مع الواقع الفوضوي لبيانات الخلية الواحدة. وبدون طريقة يمكنها التنقل عبر هذا التعقيد، ظلت العديد من الإشارات الجينية الهامة مخفية، إما بسبب عملية المتوسط الحسابي أو بسبب اعتبارها ضجيجاً إحصائياً.

ولحل هذه المعضلة، طور فريق من الإحصائيين وعلماء الأحياء من جامعة تسينغهوا، وجامعة العاصمة للاقتصاد والأعمال، وجامعة ييل، إطار عمل جديداً يسمى scarf-QTL. صُممت هذه الطريقة لرسم خرائط لكيفية تأثير المتغيرات الجينية على التعبير الجيني أثناء انتقال الخلايا عبر حالات مختلفة، مثل مراحل تطورها أو استجابتها للمؤثرات. وبدلاً من تجميع الخلايا في مجموعات جامدة ومحددة مسبقاً، عامل الباحثون حالة الخلية كإحداثي مستمر، يشبه الخط الزمني أو الطيف. وقد قاموا بنمذجة التعبير الجيني كدالة سلسة تتحرك على طول هذا الإحداثي، مما سمح لهم برصد كيف يمكن للتأثير الجيني أن يكون قوياً في جزء معين من الطيف وضعيفاً في جزء آخر.

يكمن الابتكار الجوهري لـ scarf-QTL في كيفية تعامله مع رياضيات الارتباط. تفترض الطرق التقليدية غالباً أن التعبير الجيني يتبع منحنى جرس (منحنى طبيعي) مثالياً، وهو افتراض يفشل كثيراً مع بيانات الخلية الواحدة، التي تمتاز بكثرة الأصفار والارتفاعات غير المنتظمة. وعندما تكون هذه الافتراضات خاطئة، يمكن للاختبارات القياسية أن تنتج إنذارات كاذبة أو تغفل عن إشارات حقيقية. تستخدم الطريقة الجديدة نهجاً "استرجاعياً"؛ فبدلاً من السؤال عن كيفية تغير التعبير الجيني بناءً على نمط جيني معين، تسأل عن كيفية توزيع النمط الجيني بناءً على التعبير الجيني الملحوظ. هذا التحول الطفيف في المنظور يجعل الاختبار قوياً ضد التوزيعات غير الطبيعية الفوضوية النموذجية لبيانات الخلية الواحدة. كما يسمح للباحثين باستخدام نموذج فعال حاسوبياً مع الحفاظ في الوقت نفسه على رقابة صارمة على النتائج الإيجابية الكاذبة، مما يضمن أن الإشارات التي يجدونها هي إشارات حقيقية.

اختبر الباحثون طريقتهم على نطاق واسع باستخدام عمليات محاكاة حاسوبية قبل تطبيقها على بيانات حقيقية. فقد أنشأوا مجموعات بيانات اصطناعية تحاكي سيناريوهات بيولوجية متنوعة، بما في ذلك خلايا ذات تأثيرات جينية ثابتة، وتأثيرات تزداد خطياً، وأنماط معقدة مثل القمم أو الدورات. وفي هذه المحاكاة، نجحت الطريقة الجديدة في التحكم في معدل الإنذارات الكاذبة، حتى عندما تم توليد البيانات من توزيعات لا تتبع القواعد الإحصائية القياسية. وفي المقابل، بدأت الطرق القديمة التي اعتمدت على افتراضات صارمة حول توزيع البيانات في إنتاج الكثير من النتائج الإيجابية الكاذبة. وعندما تعلق الأمر بإيجاد إشارات حقيقية، أثبتت الطريقة الجديدة أنها أكثر قوة من نهج "الكتلة الكاذبة" (pseudobulk) القياسي، الذي يقوم بمتوسط الخلايا معاً. وقد كانت فعالة بشكل خاص في اكتشاف التأثيرات الجينية التي تتركز في حالات خلوية محددة أو التي يتغير اتجاهها، وهي الأنماط التي غالباً ما تقوم طريقة المتوسط بتنعيمها حتى تختفي.

ثم طبق الفريق طريقة scarf-QTL على مجموعة بيانات OneK1K، وهي مجموعة ضخمة من بيانات تسلسل الحمض النووي الريبي (RNA) للخلية الواحدة من 982 شخصاً سليماً، تحتوي على أكثر من 1.2 مليون خلية دم من 14 نوعاً مختلفاً من الخلايا المناعية. وفي هذا الاختبار الواقعي، حددت الطة 30% أكثر من الجينات ذات التنظيم الجيني الهام مقارنة بتحليل الكتلة الكاذبة السابق. ولم يكن هذه الزيادة مجرد مسألة إيجاد المزيد من الضجيج؛ بل كشفت الطريقة الجديدة عن جينات محددة غابت تماماً عن النهج القديم. على سبيل المثال، في الخلايا التغصنية (dendritic cells)، وهي نوع من الخلايا المناعية الحيوية لمكافحة العدوى، كشفت الطريقة أن التنظيم الجيني غالباً ما يختلف اعتماداً على المجموعة الفرعية المحددة للخلية. فقد أظهر جين واحد، يُعرف بأنه علامة لمجموعة فرعية معينة من الخلايا التغصنية، تأثيراً جينياً قوياً فقط في الخلايا التي تقدمت إلى حالة معينة. وفشل النهج القديم، الذي عامل جميع الخلايا التغصرية كمجموعة واحدة، في اكتشاف هذا الارتباط لأن التأثير تضاءل عند متوسطه عبر المجموعة السكانية بأكملها.

ومن خلال تجميع أنماط هذه التأثيرات الجينية المكتشفة حديثاً، وجد الباحثون مجموعات متميزة من الجينات التي تتصرف بشكل مختلف مع تغير حالة الخلايا. فأظهرت بعض الجينات تأثيراً جينياً متزايداً مع تحرك الخلايا نحو حالة الخلية التغصنية التقليدية، بينما أظهرت جينات أخرى تأثيراً تناقصياً مع التحرك نحو حالة الخلايا البلازمية. وتماشى هذا مع الوظائف البيولوجية المعروفة، مثل تقديم المستضدات، مما أكد أن الطريقة تلتقط تنظيماً بيولوجياً حقيقياً وليس مجرد آثار إحصائية. إن القدرة على رؤية هذه التغييرات المستمرة المعتمدة على الحالة تشير إلى أن العديد من المتغيرات الجينية لا تعمل كمجرد مفاتيح تشغيل/إيقاف بسيطة، بل كأدوات ضبط (دوال) ترفع أو تخفض شدتها بناءً على الحالة الراهنة للخلية.

كانت الكفاءة الحسابية للطريقة أيضاً اكتشافاً رئيسياً. فعلى الرغم من تعقيد نمذجة ملايين الخلايا الفردية، إلا أن الخوارزمية توسعت بشكل جيد، حيث استغرقت وقتاً مشابهاً لطرق الكتلة الكاذبة الأبسط عند تحليل مجموعات البيانات النموذجية. ويتحقق هذا من خلال استخدام اختصارات رياضية تقلل من أبعاد المشكلة دون فقدان دقة بيانات الخلية الواحدة. وهذا يعني إمكانية تطبيق الطريقة على مجموعات بيانات أكبر وأكثر تنوعاً مع توفرها، دون الحاجة إلى قدرات حوسبة باهظة.

تخلص الدراسة إلى أنه على الرغم من وجود قيود للطريقة الجديدة، مثل صعوبة الاختبار المباشر لما إذا كان التأثير يتغير عبر الحالات أو الحاجة إلى خيارات دقيقة في تحديد إحداثي حالة الخلية، إلا أنها تمثل خطوة كبيرة للأمام. فهي توفر طريقة صارمة وقابلة للتوسع للكشف عن الطبقات المخفية من التنظيم الجيني الموجودة داخل المشهد الديناميكي للخلايا الفردية. ومن خلال تجاوز الرؤية الثابتة لأنواع الخلايا وتبني الطبيعة المستمرة لحالات الخلايا، يمكن للباحثين الآن رسم خرائط البنية الجينية للجهاز المناعي بمستوى من التفصيل كان بعيد المنال سابقاً. وتشير النتائج إلى أن التنظيم الجيني لخلايانا أكثر سيولة واعتماداً على السياق مما كان مفهوماً في السابق، مما يفتح آفاقاً جديدة لفهم كيفية تأثير التباين الجيني على الصحة والمرض عند المستوى الأكثر جوهرية.