التكنولوجيا الحيوية · global
هل يمكن لقياس نوع واحد أن يكشف طبقة أخرى؟ NicheTrans يستكمل رسم متعددات الأوميكس المكانية في الأنسجة
يحاول نموذج Transformer هذا استنتاج نمط جزيئي آخر انطلاقًا من قياسات مكانية أسهل منالًا، مع الحفاظ على علاقات التجاور بين الخلايا؛ وتُظهر بيانات أنسجة الدماغ المصابة بمرض ألزهايمر وسرطان الثدي إمكاناته البحثية، لكن النتائج المستنتجة لا تزال لا تغني عن التجارب المباشرة.
في مقطع نسيجي واحد، غالبًا ما يكون موقع الخلايا بأهمية الجينات التي تعبّر عنها والبروتينات التي تنتجها. إلا أن تقنيات متعددات الأوميكس المكانية، التي تقيس أنواعًا متعددة من المعلومات الجزيئية في الوقت نفسه، مرتفعة التكلفة ومعقدة الإجراءات، كما أن العينات المتاحة لها محدودة. وقدّمت دراسة منشورة في مجلة «Nature Methods» نموذج NicheTrans، آملةً في استخدام بيانات أوميكس مكانية أحادية أسهل منالًا لاستكمال رسم طبقة أخرى من المعلومات الجزيئية لم تُقَس فعليًا بعد.
يعتمد NicheTrans على بنية Transformer لإجراء الترجمة العابرة للأوميكس. فهو لا يتعلم السمات الجزيئية للخلية المفردة فحسب، بل يُدخل أيضًا البيئة الدقيقة التي تشكّلها الخلايا المحيطة ضمن النموذج، بما يحافظ على علاقات التجاور داخل النسيج. وصمّم فريق البحث كذلك مسارات لدمج المعلومات الشكلية والمعارف البيولوجية القائمة والبيانات متعددة الأنماط، بحيث لا تنفصل التنبؤات تمامًا عن بنية النسيج.
وفقًا للورقة البحثية وسجل PubMed، حدّد النموذج، عبر مجموعات متعددة من البيانات المكانية، مناطق جزيئية—مكانية لم يتمكن تحليل الأوميكس الأحادي من تمييزها، وأعاد بناء برامج جينية مرتبطة بحالات خلوية ذات صلة باستقلاب الدوبامين وبروتين أميلويد β. ولا تتمثل النقطة الأساسية هنا في مجرد ملء القيم المفقودة، بل في محاولة الإجابة عن السؤال الآتي: في أي جوار خلوي يظهر تغير جزيئي معين، وكيف يمكن أن يتغير بالتزامن مع إشارة أوميكس أخرى؟
في عملية التحقق باستخدام أنسجة دماغ مصابة بمرض ألزهايمر، استخدم الباحثون واسمات البروتين التي ترجمها النموذج لقياس الترتيب المكاني للأنماط الفرعية المختلفة من الخلايا الدبقية. أما بيانات سرطان الثدي، فاستُخدمت لاختبار قدرة النموذج على استعادة العلاقات العابرة للأوميكس والمكانية داخل نسيج الورم. كما تسرد الوثائق الرسمية ومستودع الشيفرة بيانات عن مرض باركنسون والعقد اللمفاوية البشرية وتطور دماغ الفأر، وتوفر مسارات للمعالجة المسبقة والتدريب والتصور البصري وتحليل الإسناد.
تكمن القيمة العملية لهذا النوع من الأساليب في تمكين الباحثين من إعادة تحليل المقاطع النسيجية الموجودة، أو، عندما تكون الميزانية والعينات محدودة، استخدام نوع واحد من القياسات لاستنتاج البروتينات والبرامج الجينية والتفاعلات الخلوية الجديرة بمزيد من التحقق. ويساعد تطبيق PyTorch المتاح علنًا والدروس التعليمية الفرق الأخرى أيضًا على اختبار النموذج، بدلًا من الاعتماد فقط على النتائج التوضيحية الواردة في الورقة البحثية.
ومع ذلك، فإن ما ينتجه النموذج هو تقديرات تستند إلى بيانات التدريب وسياق النسيج، وليس قياسًا مباشرًا للنمط الجزيئي المفقود. وقد تؤدي الاختلافات بين المنصات والأمراض وجودة حفظ الأنسجة والتركيب الخلوي إلى انزياح توزيع البيانات؛ كما قد تُقدَّر الحالات الخلوية النادرة بصورة خاطئة بسبب نقص أمثلة التدريب. لذلك، يُعد NicheTrans حاليًا أنسب بوصفه أداة بحثية لصياغة الفرضيات وترتيب التجارب اللاحقة، فيما تظل النتائج الرئيسية بحاجة إلى تأكيد بواسطة تلوين البروتينات أو قياسات مكانية مستقلة أو طرائق تجريبية أخرى.