اكتشف أداة ذكاء اصطناعي ثورية تُظهر بدقة متى تُفعَّل وتُطفَأ الجينات في الوقت الفعلي
تكشف هذه النتائج أن معظم الجينات تتبع أنماط تنشيط قابلة للتنبؤ، ويمكن تصنيفها إلى أنواع فرعية مثل المُسرّعات (accelerators)، والمُحوّلات (switchers)، والمُبطئات (decelerators). وقد تُمكّن هذه المقاربة في النهاية الأطباء من تحديد التوقيت الأمثل لتطبيق علاجات الجينات أو التدخلات الدوائية لتحقيق أقصى فعالية.
حقائق رئيسية
- أداة chronODE: تستخدم الرياضيات والذكاء الاصطناعي لنمذجة تفعيل الجينات والتغيرات في الكروماتين (chromatin) في الوقت الحقيقي.
- نقاط التحوّل (Switching Points): تُحدد اللحظات الحرجة التي يمكن من خلالها التدخل لتغيير مسار تطور المرض.
- أنماط الجينات (Gene Patterns): تُظهر فئات قابلة للتنبؤ بسلوك الجينات خلال مراحل التطور.
المصدر: ييل
أنتج فريق بحثي من جامعة ييل أداة حاسوبية جديدة قادرة على تحديد اللحظة الدقيقة التي تُفعّل أو تُطفأ فيها الجينات تدريجياً خلال تطور الدماغ — وهي خطوة قد تساعد يوماً ما الأطباء على تحديد النافذة الزمنية المثالية لتطبيق علاجات الجينات.
وُصفت هذه الأداة باسم chronODE، وتستخدم نماذج رياضية وتقنيات تعلُّم الآلة لمحاكاة كيفية تغير نشاط الجينات وأنماط الكروماتين (وهو المزيج من الـDNA والبروتينات الذي يكوّن الكروموسومات) مع مرور الوقت. وقد تُسهم هذه الأداة في مجموعة واسعة من التطبيقات، من نمذجة الأمراض إلى الأبحاث الجينومية الأساسية، بل وقد تُمهّد الطريق أمام استخدامات علاجية مستقبلية.
قال مور فرانك، الزميل الباحث في قسم البيوفيزياء والكيمياء الحيوية بكلية الفنون والعلوم في ييل (FAS)، والمؤلف المشارك في الدراسة: “بشكل أساسي، لدينا معادلة قادرة على تحديد اللحظة الدقيقة لتفعيل الجين، والتي قد تُحدد خطوات مهمة مثل الانتقال من مرحلة تطورية إلى أخرى، أو من حالة صحية إلى مرضية”.
وأضاف: “وبالتالي، قد تُمثل هذه الطريقة وسيلة محتملة في المستقبل لتحديد نقاط حرجة يمكن من خلالها التدخل علاجياً.”
نُشرت نتائج هذه الدراسة في 19 أغسطس في مجلة Nature Communications.
في هذه الدراسة، لم يكتفِ الفريق البحثي بتحديد متى تُفعّل الجينات، بل سعى إلى فهم كيف يتغير نشاطها على امتداد تطور الدماغ. فعلى الرغم من أن الجينات تُفعّل في مراحل مختلفة من تطور الخلية، فإن رسم خارطة دقيقة لتطور الجينات كان أمراً صعباً. وركّزت الدراسات السابقة على لحظات معزولة، دون تتبع التغيرات المستمرة في التعبير الجيني عبر الزمن.
في هذه الحالة، استخدم الباحثون معادلة لوجستية (logistic equation) — وهي معادلة رياضية تُستخدم لنمذجة العمليات الديناميكية — لقياس متى وبأي سرعة تُفعّل أو تُطفأ الجينات في أدمغة الفئران النامية.
ووجد الباحثون أن معظم الجينات تتبع أنماط تنشيط بسيطة وتدريجية، ويمكن تصنيفها إلى مجموعات فرعية، تشمل:
- المُسرّعات (accelerators): تزداد سرعة تعبيرها في المراحل المتأخرة من التطور.
- المُحوّلات (switchers): تزداد سرعتها ثم تتباطأ لاحقاً.
- المُبطئات (decelerators): تُظهر تباطؤاً مستمراً في التعبير.
ثم طوّر الباحثون نموذجاً باستخدام الذكاء الاصطناعي (AI) للتنبؤ بالتغيرات في التعبير الجيني استناداً إلى التغيرات في الكروماتين المجاور. وقد نجح النموذج بشكل جيد، خاصةً مع الجينات ذات التنظيم المعقد، ما أرسى منهجية chronODE ككل.
أوضح الباحثون أن معظم الجينات تتبع أنماطاً تطورية قابلة للتنبؤ، تُحددها وظيفتها داخل الخلية، وتُحدد مدى السرعة التي تصل بها إلى أقصى تأثير لها.
قالت المؤلفة المشاركة بياتريس بورساري، وهي أيضاً زميلة باحثة في البيوفيزياء والكيمياء الحيوية: “في حالة علاج مرض وراثي، نريد إيقاف الجين قبل أن يصل إلى أقصى طاقته، لأن التدخل بعد هذه النقطة سيكون متأخراً جداً”.
وأضافت: “ستُخبرنا معادلتنا بالضبط عن نقطة التحوّل — أو ما يُعرف بنقطة اللاعودة، التي بعد تجاوزها لن يكون للدواء نفس التأثير على تعبير الجين.”
قال مارك غيرستين، الأستاذ في كلية الطب بجامعة ييل، والأستاذ في علوم المعلومات الحيوية الطبية (Biomedical Informatics)، والبيوفيزياء الجزيئية والكيمياء الحيوية، وعلوم الحاسوب، والإحصاء وعلوم البيانات، والمؤلف الرئيسي للدراسة: “توجد حالات كثيرة لا يهم فيها فقط معرفة الاتجاه التطوري، بل أيضاً مدى سرعة الوصول إلى نقطة معينة، وهذه المرة الأولى التي تسمح لنا فيها نموذجية مثل هذه بالقيام بذلك بدقة.”
أكد كل من بورساري وفرانك أن التطبيقات المحتملة في مجالات دوائية مثل الديناميكا الدوائية (pharmacokinetics) تعدّ واعدة جداً.
سمّى الباحثون منهجهم الجديد chronODE، وهو مصطلح يجمع بين مفهوم الزمن (فـ”Chronos” هو إله الزمن في الأساطير اليونانية) والإطار الرياضي لمعادلات التفاضل العادية (Ordinary Differential Equations – ODEs).
قالت بورساري: “نحلّل بيانات بيولوجية دورية باستخدام معادلة لوجستية تفاضلية (logistic ODE). وفي جوهرها، يعكس الاسم الطابع متعدد التخصصات لهذا البحث. نحن نعمل حيث تلتقي الأحياء بجمال الرياضيات. ونستخدم النماذج الرياضية لوصف والتنبؤ بظواهر بيولوجية معقدة — وفي حالتنا، الأنماط الزمنية في البيانات الجينومية.”
بورساري عالمة بيولوجيا حاسوبية متخصصة في الوراثة وعلم المعلومات الحيوية (bioinformatics)، بينما فرانك مهندس طبي حيوي (biomedical engineer) لديه خلفية قوية في تعلُّم الآلة والرياضيات. وقالت بورساري: “تشكّل مهاراتنا المتنوعة تعاوناً تكاملياً عالياً، ونتعلم الكثير من بعضنا البعض.”
ومن المؤلفين الآخرين في الدراسة: الزملاء الباحثون إيڤ س. واتنبرغ، كي شو، سو سان شو ليو، وشويه-تشو يو.
عن هذا البحث في مجال الذكاء الاصطناعي والوراثة وتطور الجهاز العصبي
الملخص العلمي
إطار عمل chronODE لنمذجة السلاسل الزمنية متعددة الأوميكس باستخدام معادلات تفاضلية عادية والذكاء الاصطناعي
تحتفي العديد من الدراسات الشاملة للجينوم بلحظات معزولة خلال تمايز الخلايا أو تطور الكائنات الحية. على النقيض، توفر الدراسات الطولية (longitudinal studies) طريقة أكثر مباشرة لدراسة هذه العمليات الحركية.
في هذا العمل، نقدّم منهجية لنمذجة حركيات التعبير الجيني وتغيرات الكروماتين من خلال هذه الدراسات: chronODE، وهو إطار عمل قابل للتفسير يعتمد على المعادلات التفاضلية العادية (ODEs). يدمج chronODE معلمتين تلتقطان القيود البيوفيزيائية التي تحكم التعاونية الأولية (initial cooperativity) والاشباع اللاحق (later saturation) في التعبير الجيني.
تصنّف هاتان المعلمتان الجينات إلى ثلاثة أنماط حركية رئيسية: المُسرّعات، والمُحوّلات، والمُبطئات.
عند تطبيق chronODE على بيانات سلاسل زمنية (bulk وsingle-cell) من تطور دماغ الفأر، تبين أن معظم الجينات (~87%) تتبع حركيات لوجستية بسيطة.
ومن بينها، تُعد الجينات ذات التسارع السريع وقيم الاشباع العالية نادرة، مما يُبرز القيود الكيميائية الحيوية التي تمنع الخلايا من تحقيق كليهما في الوقت نفسه.
تُظهر الأنواع الخلوية التي تظهر في المراحل المبكرة والمتأخرة أنماطاً حركية مميزة، حيث تزداد الجينات الضرورية بسرعة أكبر.
وعند توسيع نطاق chronODE ليشمل الكروماتين، وجدنا أن الجينات التي تنظمها عناصر تنظيمية cis من نوع مُعزّز (enhancer) ومُثبّط (silencer) تكون غنية بالوظائف الخاصة بالدماغ.
وأخيراً، طوّرنا شبكة عصبية تكرارية ثنائية الاتجاه (bidirectional recurrent neural network) للتنبؤ بتغيرات التعبير الجيني استناداً إلى التغيرات المقابلة في الكروماتين، حيث نجح النموذج في التقاط التأثير التراكمي لعدة عناصر تنظيمية.
بشكل عام، يتيح إطار العمل هذا إمكانية دراسة حركيات تنظيم الجينات في أنظمة بيولوجية متنوعة.
اترك تعليقاً