DeepCNet: A multimodal deep learning model for predicting cell type-specific gene expression and promoter-enhancer interactions from single-cell multiome data
يُعد DeepCNet إطار عمل جديد للتعلم العميق متعدد الوسائط يستفيد من بيانات "المتعدد الأوم" (multiome) أحادية الخلية للتنبؤ بدقة بالتعبير الجيني النوعي لنوع الخلية واستنتاج تفاعلات المحفز-المعزز التنظيمية، مما يتيح بناء شبكات تنظيم الجينات لعوامل النسخ وتحديد التغيرات التنظيمية المرتبطة بحالات معينة في أمراض مثل مرض الزهايمر.
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
داخل كل خلية في جسم الإنسان، تقبع مكتبة هائلة من التعليمات تنتظر من يقرأها. هذه المكتبة مكتوبة بلغة الحمض النووي (DNA)، وهو كود كيميائي طويل يحدد كيفية سلوك الخلية، وشكلها، والوظيفة التي تؤديها. ومع ذلك، فإن الكود نفسه ليس سوى جزء من القصة؛ فلفهم كيفية عمل الخلية، يجب على العلماء أيضًا فهم كيفية اتخاذ الخلية قرارها بشأن أي أجزاء من الكود ستقرأ وأيها ستتجاهل. تعتمد عملية صنع القرار هذه على مفاتيح صغيرة تسمى "المُحفزات" (promoters) و"المعززات" (enhancers). تقع المُحفزات بجوار الجين مباشرة، حيث تعمل مثل الباب الأمامي، بينما تعمل المعززات مثل أجهزة التحكم عن بعد التي يمكن أن توجد في أماكن بعيدة، أحيانًا على بُعد آلاف الحروف من كود الحمض النووي. عندما تحتاج الخلية إلى تنشيط جين معين، يجب أن يلتقي هذان الجزءان فعليًا، مما يشكل حلقة في شريط الحمض النووي لتشغيل الجين. ويعد تحديد أي جهاز تحكم عن بعد يتصل بأي باب أمامي في كل نوع مختلف من الخلايا واحدًا من أصعب الألغاز في علم الأحياء الحديث.
لفترة طويلة، لم يستطع العلماء دراسة هذه الروابط إلا من خلال النظر إلى مزيج من ملايين الخلايا في وقت واحد، تمامًا مثل محاولة فهم محادثة عبر الاستماع إلى استاد مزدحم بالصخب. هذا النهج أدى إلى طمس الأصوات الفريدة لأنواع الخلايا الفردية. لقد غيرت التكنولوجيا الحديثة هذا الأمر من خلال السماح للباحثين بالنظر إلى الحمض النووي ونشاط الجينات في خلايا مفردة، مما كشف عن البرامج التنظيمية المتميزة للخلايا المناعية، وخلايا الدماغ، وغيرها. ومع ذلك، حتى مع هذه الرؤية عالية الدقة، لا يزال التنبؤ بكيفية اتصال هذه المفاتيح البعيدة بالجينات المستهدفة تحديًا كبيرًا. غالبًا ما تواجه النماذج الحاسوبية الموجودة صعوبة في مواكبة تعقيد هذه التفاعلات، خاصة عند محاولة فهم كيفية تغير هذه الروابط في أمراض مثل الزهايمر.
قام فريق من الباحثين في جامعة فلوريدا بتطوير برنامج حاسوبي جديد يسمى DeepCNet لحل هذه المشكلة. تم تصميم هذه الأداة لتعمل كجسر بين تسلسل الحمض النووي الخام والسلوك المعقد للخلايا. وبدلاً من مجرد التخمين، يتعلم DeepCNet من البيانات الحقيقية للتنبؤ بكيفية سلوك الجين في نوع معين من الخلايا. وهو يفعل ذلك من خلال النظر في أمرين رئيسيين: تسلسل حروف الحمض النووي والقدرة على الوصول الفيزيائي للحمض النووي، والتي تخبر الكمبيوتر بالأجزاء المفتوحة والجاهزة للقراءة. ومن خلال الجمع بين هذين المصدرين من المعلومات، يمكن للبرنامج استنتاج المعززات التي يُحتمل أن تتواصل مع الجينات.
اختبر الباحثون DeepCNet على بيانات من أنسجة الدم والدماغ البشرية. وطلبوا من الكمبيوتر التنبؤ بمدى نشاط جينات معينة في أنواع مختلفة من الخلايا، مثل الخلايا المناعية في الدم أو الخلا la عصبونات في الدماغ. وعندما قارنوا تنبؤات DeepCNet بالقياسات الفعلية المأخوذة من الخلايا، تفوق البرنامج الجديد على أي طريقة أخرى موجودة. فقد كان أكثر دقة في تخمين قوة نشاط الجينات، والأهم من ذلك، كان أفضل في تحديد الروابط الصحيحة بين المعززات البعيدة والجينات التي تتحكم فيها. ولإثبات موثوقيته، تحقق الفريق من تنبؤات DeepCNet مقابل بيانات تجريبية مستقلة، بما في ذلك الخرائط الفيزيائية لحلقات الحمض النووي ونتائج تجارب تم فيها إيقاف تشغيل مفاتيح معينة من الحمض النووي. وفي كل حالة، تطابقت الروابط التي استنتجها DeepCNet مع الأدلة الواقعية بشكل وثيق أكثر من النماذج الأخرى.
بعيدًا عن مجرد التنبؤ بنشاط الجينات، يسمح DeepCNet للعلماء برسم خرائط الشبكات التنظيمية التي تحكم سلوك الخلايا. استخدم الباحثون الأداة لبناء خريطة مفصلة لكيفية تحكم عوامل النسخ — وهي بروتينات تعمل كمفاتيح رئيسية للجينات — في أهدافها. نجح البرنامج في تحديد المنظمين المعروفين وكشف كيفية عملهم معًا في أنواع خلايا محددة. على سبيل المثال، سلط الضوء على كيفية تنسيق بروتينات معينة للاستجابة المناعية، موضحًا القواعد المشتركة التي تنطبق على العديد من الخلايا والقواعد الفريدة التي تحدد أنواعًا معينة من الخلايا.
تمتد قوة DeepCNet إلى فهم الأمراض. طبق الباحثون الأداة على بيانات من مريض واحد مصاب بمرض الزهايمر ومجموعة ضابطة سليمة لمعرفة كيف قد تتغير الروابط التنظيمية في الدماغ. ومن خلال المقارنة بينهما، حدد البرنامج حالات محددة تغير فيها الاتصال بين الجين ومفتاحه التنظيمي في حالة المرض. في خلايا الدماغ لمريض الزهايمر، وجد البرنامج أن الاتصال بين جين يسمى AIF1 ومفتاحه التنظيمي قد أصبح أقوى، وهو تغيير يتماشى مع ما هو معروف عن الالتهاب في هذا المرض. كما رصد أيضًا ضعفًا في الاتصال لجين آخر، وهو SLC20A2. تشير هذه النتائج إلى أن المرض لا يتعلق فقط بتشغيل الجينات أو إيقافها، بل يتعلق بإعادة توصيل الأسلاك الفيزيائية للجينوم.
يؤكد الباحثون أنه بينما يوفر DeepCNet أدلة حاسوبية قوية على هذه التغييرات، فإن النتائج من هذه المقارنة المحددة بين مريض واحد وشخص سليم يُفضل النظر إليها كمرشحات لمزيد من الدراسة وليس كتشخيص نهائي. تم تصميم الأداة لتسليط الضوء على الأماكن التي يجب أن يبحث فيها العلماء بعد ذلك. ومن خلال تقديم صورة أوضح لكيفية تنظيم الجينوم وكيف يتغير في المرض، يوفر DeepCNet طريقة جديدة لاستكشاف الآليات الخفية التي تقود الصحة والمرض لدى البشر، محولًا لغزًا بيولوجيًا معقدًا إلى خريطة يمكن للباحثين اتباعها بالفعل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.