تخطَّ إلى المحتوى

«تراي سكوب» يعيد رسم خريطة ألزهايمر: التعلم الآلي يكتشف 27 جينًا أهملتها الإحصاءات التقليدية

شارك المقال
«تراي سكوب» يعيد رسم خريطة ألزهايمر: التعلم الآلي يكتشف 27 جينًا أهملتها الإحصاءات التقليدية
الصورة: Lightsaber Collection / Unsplash

استمع لهذا المقال

بصوت راشد (Rashed)

أظهرت دراسة منشورة في دورية «نيتشر كوميونيكيشنز» أن التحليل الإحصائي التقليدي أحادي المتغير أضاع طوال سنوات خيوطًا وراثية حاسمة في فهم مرض ألزهايمر، بعدما كشف إطار العمل الحاسوبي «تراي سكوب» (TriSCOPE) عن سبعة وعشرين جينًا ترتبط وراثيًا بالمرض داخل خلايا المخ دون أن تظهر أي فروق ذات دلالة في اختبارات التعبير الجيني المعتادة. اعتمد الفريق البحثي على دمج النمذجة التنبؤية متعددة المتغيرات عبر خوارزميات التعلم الآلي مع تحليلات التعبير الجيني ومسارات التطور الزمني المفترض، وطبقوا هذا الإطار على ست مجموعات بيانات لتسلسل الحمض النووي الريبي أحادي النواة تضم نحو 4.2 ملايين نواة مأخوذة من 627 متبرعًا من قشرة الفص الجبهي الظهري الجانبي.

اعتادت أبحاث النسخ الخلوي أحادية الخلية على إجراء اختبارات مقارنة التعبير الجيني لكل جين على حدة، ما ينتج مئات أو آلاف الجينات المرشحة في كل نوع خلوي دون حسم التكرار والارتباط المتبادل بين النسخ، ودون معرفة أي تلك الجينات يحتفظ بقيمة معلوماتية حقيقية عند نمذجته بالتزامن مع المتغيرات الأساسية مثل العمر والجنس والنمط الجيني لمورثة «APOE». يعمل التعلم الآلي في هذا السياق كأداة لشحذ الفرضيات العلمية عبر تقليص آلاف الإشارات المتشابكة إلى حزمة مركزة من الجينات ذات القيمة التنبؤية المستقلة.

قسّمت الدراسة الخلايا إلى ستة أنواع رئيسية شملت الخلايا النجمية، والعصبونات الاستثارية، والعصبونات التثبيطية، والخلايا الدبقية الصغيرة، والخلايا الدبقية قليلة التغصن وسلائفها، موزعة على 41 عنقودًا فرعيًا. وأظهرت النتائج أن نموذج التنبؤ الأساسي القائم على الخصائص الديموغرافية ومورثة «APOE» وحدها لم يتجاوز أداؤه حدود الصدفة بمعدل دقة 0.528 تحت منحنى الخاصية التشغيلية للمستقبل، في حين ارتفع الأداء إلى 0.545 عند إضافة بيانات التعبير الجيني الشاملة. غير أن التحليل التفصيلي داخل كل نوع خلوي أثبت أن الجينات المعبر عنها تنبؤيًا لا تتقاطع تقريبًا مع الجينات المستخرجة بالاختبارات الإحصائية الفردية. ومن خلال الربط الوراثي والتجميع الموضعي، تمكن الإطار من تثبيت 27 جينًا في مواقع خطورة وراثية مؤكدة، من بينها جينات مثل «ARL17B» و«JAZF1»، التي أخفقت الاختبارات القديمة تمامًا في رصدها.

أفرز التقاطع بين مسارات التحليل الثلاثة برامج جزيئية متقاربة وعالية الثقة داخل أنواع الخلايا، من بينها علامات الإجهاد في الخلايا النجمية مثل «GFAP» و«MT2A» و«MT3»، وإشارات الاتصال في العصبونات عبر جينات «RASGEF1B» و«LINGO1» و«NRG1»، بجانب منظمات الخلايا الدبقية مثل «SYTL3» و«SPP1» و«APOD» و«HS3ST4». وكشفت المقارنة بين النماذج السريرية ونماذج التغيرات العصبية المرضية عن تباين واضح بين المسارات الجزيئية المرتبطة بالتدهور المعرفي وتلك المرتبطة بتراكم اللويحات وتشابكات تاو داخل الأنسجة. كما تكررت صلاحية الجينات التنبؤية الرئيسية، بما فيها «ARL17B» و«LINGO1» و«APOE»، عبر مجموعات بيانات مستقلة شملت مجموعة «ماثيس-48» وأكثر من 1.5 مليون نواة في مجموعتي «SEA-AD» و«لاو-21».

ينعكس هذا التحول المنهجي بصورة مباشرة على المختبرات الحيوية وبرامج الجينوم الوطنية في الخليج ومصر والأردن، حيث تتجه مراكز الأبحاث إلى تحليل عينات الأنسجة المحلية وبناء منصات الطب الدقيق. إن استمرار الاعتماد على حزم التحليل الإحصائي أحادية المتغير الجاهزة يهدد بهدر الموازنات الحوسبية والجهود المخبرية في ملاحقة مؤشرات جينية ناتجة عن الارتباط الإحصائي المصادف، بينما تفلت الأهداف الحقيقية الصامتة من شاشات الفحص. ويفرض هذا المعطى على قادة الفرق الحيوية في المنطقة إعادة هيكلة مهارات محللي البيانات نحو خوارزميات التعلم الآلي متعددة المتغيرات، لتحديد الأهداف الجزيئية الحقيقية لبرامج اكتشاف الأدوية المحلية بأعلى دقة وراثية متاحة قبل بدء مراحل التحقق الكيميائي المكلفة.

اشترك في همسات الذكاء الاصطناعي — كل أسبوع: قصص وفرص وأحداث مختصرة وموثقة، بلا حشو.

اشترك ليصلك الجديد