Mendel, a foundation model of human genetic variation, prioritizes regulatory variants and improves gene expression prediction
يُعد Mendel نموذجاً تأسيسياً جديداً للحمض النووي (DNA) تم تدريبه على هدف متمحور حول المتغيرات، وهو يتفوق على النماذج الحالية مثل Evo 2 في التنبؤ بالأحداث الأليلية، مما يعطي الأولوية بفعالية للمتغيرات التنظيمية ويحسن بشكل كبير التنبؤ بالتعبير الجيني عبر الأنسجة البشرية.
المؤلفون الأصليون:Chong Wu, Arham Salman, Haonan Feng, Peng Wei, Ryan Sun, Lang Wu, Wei Pan
بُني جسم الإنسان من دليل تعليمات هائل ومعقد مكتوب بشفرة كيميائية مكونة من أربعة أحرف. لعقود من الزمن، كان العلماء يقرؤون هذا الدليل للعثور على الأخطاء المطبعية الضئيلة —تغييرات في حرف واحد في تسلسل الحمض النووي (DNA)— المرتبطة بالأمراض، والسمات الجسدية، وكيفية استجابة أجسامنا للعالم. وقد تمت هذه الاكتشافات من خلال مقارنة الحمض النووي لملايين البشر، ورصد الأنماط حيث يظهر تغيير حرف معين بشكل متكرر إلى جانب نتيجة صحية محددة. ومع ذلك، فإن إيجاد الرابط ليس سوى البداية؛ فالتحدي الحقيقي يكمن في فهم ما يفعله ذلك التغيير في الحرف فعلياً. هل يقوم بتشغيل جين ما أو إيقافه؟ هل يعطل آلة ما؟ تقع معظم هذه الأخطاء المطبعية في المناطق غير المشفرة الشاسعة من الجينوم، وهي المناطق التي لا تبني البروتينات مباشرة، بل تعمل كمفاتيح وأدوات تحكم (dimmers) تتحكم في متى وأين تكون الجينات نشطة. لقد ظل فهم العواقب الميكانيكية لهذه الأخطاء المطبعية التنظيمية بمثابة عقبة مستعصية في علم الوراثة، مما ترك الباحثين مع قائمة طويلة من المشتبه بهم ولكن دون صورة واضحة لجرائمهم.
ولحل هذه المعضلة، طور فريق من الباحثين نوعاً جديداً من الذكاء الاصطناł يُدعى "مندل" (Mendel). وخلافاً للنماذج السابقة التي تم تدريبها لفهم قواعد اللغة العامة للحمض النووي عبر قراءة التسلسل الكامل للعديد من الأنواع المختلفة، تم بناء "مندل" بهدف مختلف. فقد تم تدريبه من الصفر خصيصاً على الحمض النووي للبشر، مع التركيز تماماً على الاختلافات بين الأفراد. تخيل طالباً حفظ قاموساً وقواعد النحو ولكنه يكافح لفهم سبب اختلاف تهجئة شخصين لنفس الكلمة؛ "مندل" يشبه طالباً قضى سنوات في دراسة تلك الاختلافات المحددة في التهجئة، ليتعلم كيف تؤثر الأحرف المحيطة على ما إذا كان التغيير ضاراً أم مهماً. ومن خلال تركيز تعلمه على المواضع التي يختلف فيها الحمض النووي البشري فعلياً، تعلم "مندل" التنبؤ بالشفرة الوراثية التي يجب أن يمتلكها الشخص في موقع معين بناءً على التسلسل المحيط بها. وعند اختباره على أشخاص لم يسبق له رؤيتهم، تنبأ "مندل" بهذه الاختلافات الوراثية بدقة بلغت 98.4%، وهي قفزة هائلة مقارنة بالأدوات الحالية التي حققت دقة تبلغ حوالي 31% فقط في المهمة نفسها.
ومع ذلك، فإن القوة الحقيقية لـ "مندل" لا تكمن في قدرته على التنبؤ بالشفرة الوراثية الشائعة والمتوقعة، بل في الأخطاء التي يرتكبها. فعندما يخطئ النموذج في التنبؤ، فإن هذا الخطأ ليس ضجيجاً عشوائياً، بل هو إشارة. فقد وجد الباحثون أن النموذج يواجه الصعوبة الأكبر في المواقع الموجودة في الجينوم والتي تُعرف بتنظيم نشاط الجينات، وتحديداً في المواقع المسماة "مواقع سمات التعبير الكمي" (eQTLs). وهذه هي المواقع ذاتها التي يُعرف فيها أن التغيير الوراثي يؤدي إلى تغيير كمية البروتين التي تنتجها الخلية. وبينما كانت النماذج القديمة تعامل هذه المواقع التنظيمية الهامة كأي جزء آخر من الحمض النووي، فإن صعوبة "مندل" في التنبؤ بها كشفت عن أهميتها الوظيفية. فكلما وجد النموذج صعوبة أكبر في تخمين الشفرة الوراثية الصحيحة في نقطة معينة، زاد احتمال أن تكون تلك النقطة منظماً رئيسياً للتعبير الجيني. وقد عملت هذه "الصعوبة المتبقية" كأداة تحديد طبيعية، حيث أشارت مباشرة إلى المتغيرات الأكثر أهمية للبيولوجيا البشرية.
ثم وضع الباحثون هذه الرؤية موضع التنفيذ في اختبار عملي؛ حيث استخدموا درجات صعوبة النموذج كدليل لتحسين التنبؤات بالتعبير الجيني عبر 50 نسيجاً بشرياً مختلفاً، مثل الكبد والدماغ والقلب. وفي كل نسيج، أدى وزن المتغيرات الوراثية بناءً على مدى صعوبة التنبؤ بها بالنسبة لـ "مندل" إلى تنبؤات أكثر دقة بنشاط الجينات مقارنة بالطرق القياسية. وقد ظل هذا التحسن قائماً حتى عند مقارنته بأدوات متطورة أخرى تعتمد على قواعد بيانات موجودة مسبقاً للطفرات الضارة. تشير الدراسة إلى أنه من خلال تدريب ذكاء اصطناعي للتركيز على الاختلافات الفردية النادرة التي تجعلنا فريدين، بدلاً من الخلفية المشتركة لأنواعنا، يمكن للعلماء الكشف عن طبقة جديدة من المعلومات الوظيفية. إن "مندل" لا يحل محل النماذج الحالية التي تفهم لغة الحياة الواسعة، بل يكملها من خلال تقديم عدسة متخصصة مضبوطة خصيصاً على الاختلافات التي تحدد التنوع البشري والأمراض.
ملخص تقني: مندل (Mendel) – نموذج تأسيسي للحمض النووي يرتكز على المتغيرات
بيان المشكلة
حددت دراسات الارتباط الجينومي الكامل (GWAS) مئات الآلاف من الارتباطات بين المتغيرات والسمات، ومع ذلك لا يزال تفسير عواقبها الميكانيكية على مستوى الأليل يمثل عقبة رئيسية. وبينما يمكن لنماذج الحمض النووي التأسيسية (DNA-FMs) المدربة مسبقاً على التسلسلات الجينومية تعلم القواعد التنظيمية، فإن أهداف تدريبها تهيمن عليها عادةً الخلفية المتسقة التي تشترك فيها جميع الأفراد. ونتيجة لذلك، يتم تحسين هذه النماذج لفهم التسلسل العام بدلاً من البنية المتفرقة على مستوى الفرد في الجينوم البشري. تقوم نماذج DNA-FMs الحالية بتقييم تأثيرات المتغيرات بعد عملية التدريب (post-hoc) عبر مقارنة تنبؤات الأليل المرجعي والأليل البديل، بدلاً من معاملة التباين الأليلي كهدف أساسي للتعلم. وهذا يخلق فجوة حيث تفتقر النماذج الحالية إلى تمثيل مصمم خصيصاً لتعلم بنية التباين الأليلي عبر الجينومات الشخصية.
المنهجية
قدم المؤلفون مندل (Mendel)، وهو نموذج تأسيسي للحمض النووي تم تدريبه من الصفر على بيانات تسلسل الجينوم الكامل (WGS) البشرية باستخدام هدف يرتكز على المتغيرات.
البنية والترميز (Tokenization)
البنية الأساسية: يستخدم مندل بنية StripedHyena (مليار معلمة، سياق بطول 8,192 زوجاً من القواعد) ومُرمز النيوكليوتيدات الأساسي الخاص بـ Evo 2.
تمثيل حدث المتغير: على عكس النماذج القياسية التي تعامل التسلسلات كسلاسل خطية من النيوكليوتيدات، يقوم مندل بترميز الأنماط الجينية ثنائية الصيغة الصبغية (diploid genotypes) كأحداث منفصلة ضمن تسلسلات محاذية للمرجع.
عند كل موقع لمتغير النيوكليوتيد المفرد (SNV)، يتم تمثيل النمط الجيني ثنائي الصيغة الصبغية بواسطة رمز غموض واحد من الاتحاد الدولي للكيمياء البحتة والتطبيقية (IUPAC) (على سبيل المثال، 'R' لـ A/G، أو 'Y' لـ C/T).
تُحاط هذه الرموز المتغيرة برموز حدودية خاصة (^ و &) لتحديد الحدث.
يحافظ هذا التمثيل على سياق المرجع المحلي، ويستوعب كلا الأليلين دون مضاعفة طول التسلسل، ويتكيف مع الأنماط الجينية غير المنسقة (unphased).
أخذ العينات التباينية للموقع (Locus-Contrastive Sampling): أثناء التدريب، يتم بناء الدفعات (batches) عن طريق سحب نوافذ خاصة بالمتبرعين من مجموعة مواقع مشتركة. هذا يعرض النموذج لتمثيلات أليلية مختلفة لنفس المنطقة الجينومية المحلية في آن واحد، مما يجبر النموذج على تعلم الأنماط على مستوى المجتمع.
هدف التدريب
خسارة مركزة على المتغير (Variant-Centric Loss): يتم تدريب مندل بشكل تلقفي (autoregressively)، ولكن يتم حساب خسارة الإنتروبيا المتقاطعة (cross-entropy loss) فقط للرموز الأليلية داخل حدود حدث المتغير (^...&). الرموز غير المستهدفة (الخلفية المرجعية) توفر السياق ولكنها لا تساهم في أي خسارة مباشرة.
مصدر البيانات: تم تدريب النموذج من الصفر على بيانات الجينوم الكامل المنسقة (phased) من GTEx v8 (838 متبرعاً)، مقسمة إلى مجموعات تدريب (ن=670)، وتحقق (ن=83)، واختبار (ن=85). تم تدريب نماذج منفصلة لكل كروموسوم لتسهيل عملية أخذ العينات التباينية للموقع.
النتائج الرئيسية
1. تفوق التنبؤ بالنمط الجيني لدى الأفراد المستبعدين
تم تقييم مندل بناءً على قدرته على التنبؤ بالنمط الجيني ثنائي الصيغة الصبغية لدى الأفراد المستبعدين عند مواقع المتغيرات الممثلة أثناء التدريب.
الدقة: حقق مندل دقة متوسطة في التنبؤ بالأليل بلغت 0.984، متفوقاً بشكل كبير على نموذج DNA-FM العام Evo 2 (0.311).
الاتساق: استمر هذا التفوق عبر جميع الأفراد الـ 85 وجميع الكروموسومات الـ 22. كما حافظ مندل على دقة عالية عبر فئات تكرار الأليل الأدنى (MAF)، بما في ذلك المتغيرات النادرة (MAF < 1%)، حيث حقق دقة 0.99 مقارنة بـ 0.31 لـ Evo 2.
خصوصية النمط الجيني: أظهر مندل تحسناً في استعادة الأنماط الجينية متباينة الصيغة (heterozygous) مع زيادة MAF، بينما ظل أداء Evo 2 قريباً من مستوى الصدفة عبر فئات الأنماط الجينية.
2. الصعوبة المتبقية كإشارة وظيفية
حلل المؤلفون "الصعوبة المتبقية" (خطأ التنبؤ) لمندل، ووجدوا أن الأخطاء لم تكن عشوائية بل كانت غنية في المواقع ذات الصلة وظيفياً.
الإثراء في QTLs: ارتفدت الصعوبة المتبقية بشكل كبير عند مواقع سمات التعبير الكمي لـ cis (cis-eQTLs) مقارنة بالمجموعات الضابطة المتطابقة (ذات احتمالية الاشتمال اللاحقة المنخفضة) والمتغيرات الخلفية العشوائية. في المقابل، لم تظهر بقايا Evo 2 هذا الفصل.
تحديد أولويات المتغيرات: باستخدام ميزات الصعوبة المتبقية، استطنف مصنف الغابة العشوائية (Random Forest) التمييز بين high-PIP cis-eQTLs والمجموعات الضابطة بمعامل AUROC بلغ 0.731 (مقابل 0.545 لـ Evo 2).
الارتباط مع المقاييس التنظيمية: ارتبطت الصعوبة المتبقية لمندل ارتباطاً عكسياً مع حجم تأثير eQTL المطلق، وارتباطاً طردياً مع PIP الخاص بعملية التحديد الدقيق (fine-mapping)، مما يشير إلى أنه يلتقط بُعداً من البنية التنظيمية المتوافقة مع أدلة التحديد الدقيق بدلاً من مجرد حجم التأثير.
3. تحسين التنبؤ بالتعبير الجيني
أعاد المؤلفون استخدام الصعوبة المتبقية لمندل كمعطى وظيفي (prior) خالي من التوصيف لتحسين التنبؤ بـ cis-expression باستخدام نماذج الشبكة المرنة (elastic-net).
تحسن الأداء: أدى وزن المتغيرات بناءً على الصعوبة المتبقية إلى تحسين متوسط معامل ارتباط بيرسون المتقاطع عبر التحقق (cross-validated Pearson correlation) في جميع أنسجة GTEx الخمسين مقارنة بخط الأساس غير الموزون (زيادة نسبية متوسطة قدرها 3.93%).
المقارنة مع CADD: تفوق وزن مندل على الوزن القائم على CADD-Phred (وهو درجة تدهور شائعة الاستخدام تعتمد على التوصيف) في 49 من أصل 50 نسيجاً.
الأهمية: يثبت هذا أن بقايا التنبؤ المستمدة من السكان يمكن أن تعمل كإشارة وظيفية قوية للمهام الجينومية اللاحقة.
الأهمية والادعاءات
يضع البحث نموذج مندل كأداة مكملة لنماذج الحمض النووي التأسيسية الحالية بدلاً من كونها بديلاً لها.
تحول في النموذج: يعيد مندل صياغة نماذج DNA-FMs لتعامل التباين الجيني البشري نفسه كهدف أساسي للتعلم، بدلاً من كونه مجرد اضطراب لاحق لنموذج يرتكز على المرجع.
الفائدة الوظيفية: توضح الدراسة أن مواءمة تعلم التمثيل مع البنية المتفرقة على مستوى الفرد للتباين البشري تسمح للنموذج بتعلم ميزات تحمل فيها أخطاء التنبؤ معلومات وظيفية ذات معنى.
التكامل: بينما تتعلم نماذج مثل Evo 2 تمثيلات التسلسل الخاصة بالموقع، وتتنبأ نماذج مثل Enformer أو AlphaGenome بالنشاط التنظيمي، يقوم مندل بنمذجة العلاقة بين التسلسل والتنوع الأليلي للسكان. ويقترح المؤلفون أن دمج هذه الإشارات (على سبيل المثال، الجمع بين تنبؤات التأثير القائمة على المسارات مع معطيات الصعوبة المتبقية لمندل) يمكن أن يعزز التفسير الميكانيكي والاكتشاف.
القيود: يقر المؤلفون بالقيود الحالية، بما في ذلك تدريب نماذج منفصلة لكل كروموسوم (مما يحد من الاستدلال عبر الكروموسومات)، وعدم اختبار المواقع غير المرئية، وتكوين أسلاف مجموعة GTEx، والكثافة الحسابية للبنية الحالية. ويشيرون إلى أن العمل المستقبلي يجب أن يعالج هذه النقاط لدعم الاستخدام المتساوي عبر مختلف الأصول العرقية.