Machine Learning based Classification of Ocular Pathogens using Host-transcriptomic Signatures: a proof-of-concept
تثبت هذه الدراسة التجريبية لإثبات المفهوم أن نماذج تعلم الآلة المدربة على البصمات النسخية للمضيف يمكنها تصنيف مسببات الأمراض العينية المتنوعة (الفيروسية، والفطرية، والبكتيرية) بدقة أعلى بكثير من مستوى الصدفة، حتى في ظل التحقق المتبادل الصارم والمستقل عن الدراسة، رغم القيود الحالية المتعلقة بمصدر البيانات.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
عندما يستقر ميكروب في العين، لا يكتفي الجسم بالوقوف سلبياً؛ بل يشن دفاعاً جزيئياً معقداً يترك بصمة كيميائية مميزة. هذه الاستجابة مكتوبة بلغة تعليمات الخلية الخاصة، وهي عبارة عن مكتبة هائلة من الجينات النشطة التي يتغير سلوكها اعتماداً على ما إذا كان الغازي فيروساً، أو فطراً، أو بكتيريا. لعقود من الزمن، اعتمد الأطباء على إيجاد الميكروب نفسه لتشخيص هذه العدوى المهددة للبصر، باستخدام طرق تبحث عن الحمض النووي للممرض أو تحاول استزراعه في المختبر. ومع ذلك، غالباً ما تفشل هذه التقنيات عندما تكون العينة ضئيلة أو عندما تكون العدوى في مراحلها الأولى، مما يترك الممرض نادراً جداً بحيث يصعب اكتشافه. وإذا لم يستطع الطبيب رؤية العدو، فلن يتمكن من اختيار السلاح المناسب، وقد يؤدي هذا التأخير إلى فقدان البصر الدائم.
يقترح نهج جديد النظر إلى ساحة المعركة بدلاً من البحث عن العدو. فبدلاً من مطاردة الممرض المفقود، يمكن للباحثين قراءة رد فعل المضيف، وهو أمر وفير وموجود دائماً. يستكشف هذه الدراسة ما إذا كان بإمكان الكمبيوتر أن يتعلم تحديد نوع العدوى بدقة من خلال تحليل نمط ردود فعل المضيف هذه. ومن خلال تدريب نظام تعلم آلي على آلاف الإشارات الجينية من تجارب سابقة، اختبر الباحثون ما إذا كان بإمكان الكمبيوتر التمييز بين الغزاة المختلفين، حتى عندما كانت البيانات قادمة من مختبرات وأنواع خلايا مختلفة. لم يكن الهدف هو استبدال الاختبارات الحالية، بل معرفة ما إذا كان بإمكان طريقة "بصمة المضيف" هذه أن توفر نسخة احتياطية موثوقة عندما يفشل الكشف التقليدي.
جمع الباحثون مجموعة ضخمة من البيانات الجينية من الأرشيفات العامة، حيث جمعوا 330 عينة تمثل عدوى ناتجة عن ستة ممرضات مختلفة: فيروسان، وفطران، ونوعان من البكتيريا. جاءت هذه العينات من 36 دراسة منفصلة شملت 24 نوعاً مختلفاً من الخلايا البشرية، مما خلق مزيجاً فوضوياً وواقعياً من الظروف. ولتفسير هذا التنوع، كان على الفريق أولاً تصفية الضجيج؛ حيث بحثوا عن الجينات التي تتغير في نفس الاتجاه عبر دراسات مستقلة متعددة لكل ممرض محدد. حددت هذه العملية مجموعة أساسية من "الجينات القوية" — حوالي 600 جين في المجمل — والتي تتفاعل باستمرار مع العدوى بغض النظر عن المختبر أو نوع الخلية المستخدم. شكلت هذه الجينات الأساس لتدريب الكمبيوتر، حيث عملت كإشارة موثوقة وسط الضجيج الخلفي.
باستخدام هذه القائمة المنقحة من الجينات، علّم الفريق خوارزمية حاسوبية التعرف على الممرضات المختلفة. استخدموا طريقة اختبار صارمة حيث يتم تدريب الكمبيوتر على بيانات من بعض الدراسات، ثم يُطلب منه التنبؤ بنوع العدوى في دراسات لم يسبق له رؤيتها. ضمن هذا النهج أن الكمبيوتر يتعلم بيولوجيا العدوى، وليس مجرد حفظ الخصائص الغريبة لمعدات مختبر معين. كانت النتائج واعدة؛ فعند مواجهة هذه الدراسات غير المرئية، حدد الكمبيوتر فئة الممرض بشكل صحيح بنسبة تتراوح بين 63 إلى 70 في المائة. ورغم أن هذه النسبة ليست مثالية، إلا أنها أفضل بكثير من التخمين العشوائي، الذي لن ينجح إلا بنسبة 14 في المائة تقريباً نظراً لعدد الخيارات. كان النظام جيداً بشكل خاص في التمييز بين الفئات العريضة، مثل الفيروسات مقابل البكتيريا، وأدى أداءً جيداً لمعظم الممرضات المحددة التي تم اختبارها.
ومع ذلك، كشفت الدراسة أيضاً عن قيود واضحة تفسر سبب عدم جاهزية النظام بعد للعمل في المستشفيات. فقد ثبت أن نوعاً واحداً من البكتيريا، وهي Pseudomonas aeruginosa، كان من الصعب على الكمبيوتر التعرف عليه باستمرار. وعزا الباحثون هذا الفشل إلى البيانات نفسها: حيث كانت الدراسات المتاحة لهذا الميكروب تحديداً أقل بكثير مقارنة بالآخرين. وبدون أمثلة كافية للتعلم منها، لم يستطع الكمبيوتر إيجاد نمط مستقر. علاوة على ذلك، واجه النظام صعوبة في التمييز بين العدوى والالتهاب العقيم، وهي حالة تكون فيها العين حمراء ومتورمة ولكن دون وجود ميكروب. صُمم الكمبيوتر حالياً لتحديد نوع الميكروب بمجرد تأكيد وجود العدوى، وليس لتحديد ما إذا كانت العدوى موجودة أصلاً أم لا.
كان الاكتشاف الأكثر لفتاً للنظر في هذا العمل هو الفجوة بين ما يمكن للكمبيوتر القيام به في اختبار بسيط مقابل اختبار واقعي. فعندما سمح الباحثون للكمبيوتر بالاطلاع على بيانات من نفس الدراسة أثناء كل من التدريب والاختبار، ارتفعت دقة الكمبيوتر إلى أكثر من 90 في المائة. كانت هذه الدرجة العالية وهماً ناتجاً عن تعرف الكمبيوتر على "بصمة" المختبر الذي أنتج البيانات، بدلاً من التعرف على بيولوجيا العدوى. وعندما أزالوا هذه الميزة غير العادلة وأجبروا الكمبيوتر على التعميم على دراسات جديدة، انخفضت الدقة إلى نطاق أكثر تواضعاً يتراوح بين 63 إلى 70 في المائة. لم يكن هذا الانخفاض فشلاً، بل كان تصحيحاً ضرورياً أظهر القوة الحقيقية للطريقة: إنها تعمل، لكنها حساسة لكيفية جمع البيانات.
في الختنتاج، يوضح هذا البحث أن الاستجابة الجينية لجسم الإنسان تجاه عدوى العين تحمل معلومات كافية لتحديد الجاني، حتى دون رؤية الميكروب نفسه. تثبت الدراسة أن الكمبيوتر يمكنه تعلم هذه الأنماط من مزيج فوضوي من البيانات العامة وتطبيقها في مواقف جديدة. وبينما لا يعد النظام الحالي أداة تشخيصية نهائية، إلا أنه يفتح مساراً جديداً للتطوير المستقبلي. فمن خلال جمع المزيد من البيانات، خاصة للممرضات التي تعاني حالياً من نقص التمثيل، ومن خلال اختبار الطريقة على عينات سريرية معيارية، يمكن لهذا النهج أن يصبح في النهاية سنداً حيوياً للأطباء. إنه يوفر وسيلة لرؤية العدو غير المرئي من خلال قراءة القصة التي يرويها المضيف، محولاً التفاعل البيولوجي إلى إجابة طبية واضحة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.