Knowledge Graph-Based Hypothesis Generation and Experimental Validation in Yeast

غالباً ما يبدو العلم وكأنه محاولة لحل لغز صور مقطوعة (jigsaw puzzle) ضخم، حيث تكون صورة الصندوق مفقودة، والقطع مبعثرة عبر آلاف الطاولات المختلفة. في علم الأحياء، هذه القطع هي حقائق حول كيفية عمل الكائنات الحية: أي الجينات تتحكم في أي بروتينات، كيف تتفاعل الخلايا مع المواد الكيميائية، وماذا يحدث عندما يتعطل جزء معين من الخلية. لعقود من الزمن، جمع العلماء هذه الحقائق في مكتبات رقمية هائلة، لكن الحجم الهائل للمعلومات يجعل من المستحيل تقريباً على البشر النظر في كل قطعة وتخمين أي منها سيتناسب مع الأخرى تالياً. هنا تأتي فكرة "رسم المعرفة البياني" (knowledge graph). تخيل شبكة عملاقة ومترابطة حيث تكون كل حقيقة عبارة عن نقطة، وكل علاقة بين الحقائق هي خط يربط بينهما. ومن خلال استخدام برامج الكمبيوتر لدراسة شكل هذه الشبكة، يمكن للباحثين رصد الأنماط والتنبؤ بالروابط المفقودة التي من المرجح أن تكون حقيقية، مما يقترح تجارب جديدة بفعالية قبل لمس أنبوب اختبار واحد.

هذا النهج حيوي بشكل خاص لفهم كيفية بقاء الكائنات الحية تحت الضغط. الخميرة، وهي فطر صغير وحيد الخلية، تعد واحدة من أكثر أشكال الحياة دراسة في العالم، حيث تعمل كنموذج بسيط لكيفية عمل الخلايا الأكثر تعقيداً، بما في ذلك خلايانا. تواجه خلايا الخميرة تهديدات مستمرة من بيئتها، مثل المواد الكيميائية السامة أو درجات الحرارة المرتفعة. عندما تواجه خلية الخميرة عاملاً مجهداً مثل الخل أو الكحول، فإنها تعتمد على جينات محددة للمساعدة في بقائها. إذا كان الجين الضروري للدفاع هذا مفقوداً أو معطلاً، فستعاني الخلية للنمو. التحدي الذي يواجه العلماء هو معرفة أي الجينات تحمي الخلية بالضبط ضد أي مواد كيميائية محددة. ومع وجود آلاف الجينات ومئات المواد الكيميائية، فإن عدد التوليفات الممكنة فلكي. واختبارها جميعاً يدوياً قد يستغرق عمراً كاملاً.

لمعالجة هذه المشكلة، قام فريق من الباحثين في جامعة تشالمرز للتكنولوجيا وجامعة غوتهنبرغ في السويد ببناء نظام يجمع بين خريطة رقمية لبيولوجيا الخميرة وروبوتات مختبرية مؤتمتة. كان هدفهم هو التنبؤ بالجينات التي تساعد الخميرة على مقاومة ستة ضغوط كيميائية محددة هي: بيروكسيد الهيدروجين، وتونيكوميسين، والكافيين، وكلوريد الصوديوم، وحمض الأسيتيك، والإيثانول. بدأوا بتغذية برنامج كمبيوتر بكل الحقائق المعروفة عن جينات الخميرة وبروتيناتها والتفاعلات الكيميائية في رسم معرفة بياني. يعمل هذا الرسم كقاعدة بيانات ضخمة حيث ترتبط كل معلومة بالأخرى. ثم استخدم الكمبيوتر نوعاً متطوراً من الذكاء الاصطناعي، يُعرف باسم "الشبكة العصبية الرسومية" (graph neural network)، لفحص هيكل هذه الروابط. لم يقم النظام بمجرد حفظ الحقائق؛ بل تعلم فهم بنية العلاقات، مستخدماً الروابط المعروفة لتخمين الروابط المجهولة التي من المرجح وجودها. وبشكل محدد، بحث عن الجينات التي، إذا تمت إزالتها، ستجعل الخميرة أكثر عرضة للخطر أمام المواد الكيميائية الستة.

قام الكمبيوتر بإنشاء قائمة بأفضل التخمينات الواعدة، مرتبة حسب احتمالية صحتها. اختار الباحثون أفضل خمسة وثلاثين تنبؤاً لاختبارها في العالم الحقيقي. شمل ذلك أفضل خمسة تخمينات لكل مادة من المواد الكيميائية الستة، بالإضافة إلى خمسة تخمينات إضافية تتعلق بجينات سيئة الفهم، وهي متغيرات غير معروفة جوهرياً في جينوم الخميرة. ولاختبار هذه الأفكار، استخدموا منصة مختبرية مؤتمتة تسمى "إيف" (Eve). تولى هذا النظام الروبوتي العملية بأكملة بدقة، حيث قام بزراعة آلاف مستنبتات الخميرة في آبار صغيرة. قام الروبوت بخلط الخميرة مع المواد الكيميائية المحددة، وراقب نموها على مدار أربع وعشرين ساعة، وسجل البيانات. ومن خلال مقارنة سرعة نمو الخميرة مع وبدون المواد الكيميائية، ومقارنة الخميرة الطافرة (المفتقدة لجين معين) بالخميرة الطبيعية، استطاع الفريق تحديد ما إذا كانت تنبؤات الكمبيوتر صحيحة.

كانت النتائج نجاحاً واضحاً لهذا الأسلوب. من بين الخمسة وثلاثين فرضية التي ولدها الكمبيوتر، تم تأكيد عشر منها من خلال التجارب. وهذا يعني أنه بالنسبة لعشرة أزواج محددة من (الجين-المادة الكيميائية)، تنبأ الكمبيوتر بشكل صحيح بأن إزالة الجين ستجعل الخميرة أضعف بشكل ملحوظ عند التعرض لتلك المادة الكيميائية. تباين معدل النجاح اعتماداً على المادة الكيميائية؛ فبالنسبة لبيروكسيد الهيدروجين، وهو مادة كيميائية تفاعلية تسبب ضرراً للخلايا، كانت أربعة من أصل خمسة تنبؤات من الأفضل صحيحة. وبالنسبة للكافيين وحمض الأسيتيك، تم تأكيد اثنين من أصل خمسة. وبالنسبة لكلوريد الصوديوم والتونيكوميسين، تم تأكيد واحد من أصل خمسة. ومن المثير للدهشة، لم يتم دعم أي من التنبؤات الخمسة للإيثانول بالبيانات. وتضمن أحد أكثر النتائج إثارة للاهتمام جيناً كان لغزاً سابقاً، دون وظيفة واضحة محددة له؛ فقد تنبأ الكمبيوتر بأن هذا الجين المجهول مهم لمقاومة التونيكوميسين، وأثبتت التجربة صحة ذلك، حيث أظهر انخفاضاً كبيراً في النمو عند فقدان هذا الجين. وهذا يشير إلى أن الكمبيوتر يمكنه إيجاد رؤى بيولوجية جديدة حتى بالنسبة للجينات التي يعرف العلماء عنها القليل جداً.

كشفت الدراسة أيضاً شيئاً عن كيفية تعامل الخميرة مع الإجهاد. فالجينات التي حددها الكمبيوتر بنجاح كانت غالباً مرتبطة ببناء أو صيانة الطبقات الخارجية للخلية وأنظمة النقل الداخلية فيها. على سبيل المثال، تضمن أحد أقوى النتائج جيناً يسمى GET2، والذي يساعد في إدخال البروتينات في الغشاء الداخلي للخلية. فعند إزالة هذا الجين، عانت الخميرة من انخفاض هائل بنسبة 83.4% في قدرتها على النمو تحت ضغط بيروكسيد الهيدروجين. وتضمن تنبؤ ناجح آخر جيناً يسمى CAX4، والذي يساعد في معالجة السكريات المرتبطة بالبروتينات. وعند فقدان هذا الجين، عانت الخميرة بشكل كبير تحت ضغط الكافيين، حيث أظهرت انخفاضاً في اللياقة بنسبة 44%. تشير هذه النتائج إلى أن قدرة الخلية على إدارة هيكلها الداخلي ونقل المواد أمر بالغ الأهمية للبقاء على قيد الحياة أثناء الهجمات الكيميائية. ومع ذلك، لاحظ الباحثون أن درجات ثقة الكمبيوتر لم تتطابق تماماً مع النتائج في العالم الحقيقي؛ فبينما أعطى الكمبيوتر درجات عالية للعديد من التنبؤات، تبين أن حوالي 30% فقط من التخمينات الأولى للمواد الكيميائية المستهدفة كانت صحيحة. وهذا يشير إلى أنه بينما يعد النظام جيداً في تضييق الاحتمالات، إلا أنه لا يستطيع بعد التنبؤ بالنتيجة بيقين مطلق.

لضمان حفظ هذه المعرفة الجديدة وفائدتها للعلماء في المستقبل، طور الفريق طريقة لتسجيل العملية بأكملها، بما في ذلك النجاحات والإخفاقات. لقد وسعوا إطاراً رقمياً يسمى RIMBO، وهو مصمم لتتبع كيفية تغير النماذج العلمية بمرور الوقت. في هذا النظام، يتم تسجيل كل تجربة مع أدلتها؛ فإذا كانت الفرضية مدعومة، تُضاف الوصلة الجديدة إلى رسم المعرفة البياني الرقمي. أما إذا لم تكن الفرضية مدعومة، فلا يتم التخلص منها، بل تُسجل كتجربة فاشلة مع كافة البيانات المرفقة بها. وهذا يخلق تاريخاً شفافاً للاكتشاف، مما يسمح للباحثين المستقبليين برؤية ليس فقط ما هو معروف، بل ما تم اختباره واستبعاده أيضاً. هذا النهج يحول العملية العلمية إلى حلقة مستمرة: الكمبيوتر يضع تخميناً، والروبوت يختبره، والنتائج تُسجل، ثم تُغذى المعرفة المحدثة مرة أخرى في النظام لتقديم تخمينات أفضل في المرة القادمة.

توضح الدراسة أن الجمع بين الذكاء الاصطناعي والتجارب المؤتمتة هو وسيلة قوية للتنقل في تعقيدات علم الأحياء. فمن خلال استخدام رسم المعرفة البياني لتحديد الأولويات بشأن التجارب التي يجب إجراؤها، يمكن للعلماء تركيز جهودهم على المسارات الأكثر واعدة، مما يوفر الوقت والموارد. وبينما لا يعد النظام مثالياً ولا يزال يتطلب إشرافاً بشرياً ومزيداً من الاستقصاء، فقد نجح في تحديد علاقات جديدة بين الجينات والمواد الكيميائية لم تكن معروفة سابقاً. يسلط العمل الضوء على أنه حتى في مجال معقد مثل علم الأحياء، يمكن للبيانات المهيكلة وتعلم الآلة توجيه الاكتشاف، وتحويل كومة فوضوية من الحقائق إلى خريطة قابلة للملاحة لآليات عمل الحياة الداخلية. يخطط الباحثون لاستخدام هذه النتائج لاستكشاف التفاعلات المدعومة بشكل أكبر، وربما استخدام أنواع أخرى من البيانات لفهم كيفية حماية هذه الجينات للخلية بالضبط. وفي الوقت الحالي، تقف الدراسة كدليل على أن الحواسيب يمكنها مساعدة العلماء في طرح الأسئلة الصحيحة، حتى لو كانت الإجابات لا تزال تتطلب اللمسة الدقيقة للمختبر.