التنبؤ بمرض الزهايمر باستخدام التعلم العميق والاختيار التفسيري للميزات المستند إلى الذكاء القابل للتفسير من بيانات تعبير الجينات في الدم

لماذا يهم هذا البحث

يسلب مرض الزهايمر الذاكرة والاستقلالية من الأشخاص تدريجياً، ومع ذلك تتطلب أكثر الاختبارات دقة اليوم غالباً تصوير الدماغ أو سحب السائل النخاعي، وهي إجراءات مكلفة وغازية ويصعب تكرارها. تستكشف هذه الدراسة بديلًا أقل إيلامًا: استخدام عينة دم بسيطة وتحليل حاسوبي متقدّم لالتقاط أنماط نشاط الجينات التي تشير إلى الزهايمر، مما قد يمهد الطريق لتشخيص أبكر وأكثر سهولة.

اختبار دم بدلاً من تصوير الدماغ

يركز المؤلفون على التغيرات الطفيفة في كيفية تشغيل أو إيقاف الجينات في خلايا الدم. يمكن للشرائح المخبرية الحديثة قياس نشاط آلاف الجينات دفعة واحدة، مما ينتج جدولاً ضخماً من الأرقام لكل شخص. التحدّي هو أن عدد قياسات الجينات أكبر بكثير من عدد المرضى، ما يمكن أن يضلل النماذج الحاسوبية بسهولة. للتغلّب على ذلك، جمع الباحثون ثلاث مجموعات بيانات عامة كبيرة لعينات دم لأشخاص مصابين بالزهايمر ومن متطوعين أصحاء، فأنشأوا موردًا متكاملاً يحوي أكثر من اثني عشر ألف جين مشترك تم قياسه في مئات الأفراد.

تعليم الحواسيب لانتقاء علامات التحذير الرئيسية

بدلاً من مطالبة خوارزمية بهضم كل الاثني عشر ألف جين، علّموها أولاً اختيار مجموعة أصغر بكثير من الجينات الأكثر إفادة. قارنوا عدة طرق للقيام بذلك، بما في ذلك الاختبارات الإحصائية البسيطة، وطرق تزيل الجينات الأقل فائدة خطوة بخطوة، ونهج يبني الاختيار مباشرة داخل النموذج. هذه أدوات «اختيار الميزات» قلّصت القائمة إلى مئات أو نحو ألف جين تميزت بأفضلية بين المرضى والمراقبين الأصحاء. ساعدت مجموعات الجينات المخفَّضة هذه في منع النماذج من حفظ الضوضاء وتحسين أدائها على بيانات غير مرئية.

فهم صندوق أسود

لتجنّب الثقة العمياء في تنبؤ صندوق أسود، استخدم الباحثون تقنيات الذكاء الاصطناعي القابلة للتفسير لفهم أي الجينات كانت مهمة وكيف أثّرت على كل قرار. طريقة تسمى SHAP، مأخوذة من نظرية الألعاب، تُقيّم مساهمة كل جين في النتيجة النهائية لكل شخص. بتطبيقها على نماذجهم الأكثر أداءً، أبرز المؤلفون مجموعة أساسية من الجينات التي كانت أنماط نشاطها تميل باستمرار نحو تصنيف الزهايمر أو التصنيف الصحي. وقد رُبطت العديد من هذه الجينات بالفعل بصحة الدماغ أو بوظائف الجهاز المناعي، ما يمنح مصداقية بيولوجية لآليات عمل النموذج الداخلية.

تعزيز القدرة باستخدام مرضى اصطناعيين

حتى بعد دمج مجموعات البيانات، ظل عدد عينات الدم الحقيقية محدودًا. لتعزيز نماذجهم، درَّب المؤلفون نوعًا متخصصًا من الشبكات العصبية، يعرف باسم شبكة تنافسية مولِّدة، لخلق ملفات جينية اصطناعية واقعية تشبه ملفات المرضى الفعلية. أُضيفت هذه العينات الاصطناعية فقط إلى بيانات التدريب، ولم تُستخدم مطلقًا في بيانات الاختبار، حتى تظل اختبارات الأداء أمينة. مع تجمع تدريب معزَّز وميزات مختارة بعناية، تمكنت شبكة عميقة من تمييز حالات الزهايمر بدقة إجمالية تقارب 91% وبدقّة إيجابية 95%، مما يعني أن عددًا قليلاً جدًا من الأصحاء وُصموا خطأً بوجود المرض.

ماذا تعني النتائج للمرضى

تشير هذه الدراسة إلى أن اختبارًا مستقبليًا معتمدًا على الدم للزهايمر، مدعومًا بخوارزميات ذكية تختار وتفسر إشارات الجينات الرئيسية، قد يكمل أو يقلل الاعتماد على الفحوصات المكلفة والإجراءات الغازية. ومع أن هناك حاجة لمزيد من التحقق على مجموعات مستقلة من المرضى، ويجب السيطرة بشكل أفضل على الاختلافات بين طرق المختبر، تُظهر الدراسة أن الجمع بين عدة مجموعات بيانات، وإزالة المعلومات غير المفيدة، وفتح «الصندوق الأسود» للذكاء الاصطناعي يمكن أن يقربنا من اختبار دم عملي وقابل للتفسير لاكتشاف الزهايمر مبكرًا وبطريقة أكثر راحة.

الاستشهاد: Hariharan, J., Jothi, R. Alzheimer’s disease prediction using deep learning and XAI based interpretable feature selection from blood gene expression data. Sci Rep 16, 8022 (2026). https://doi.org/10.1038/s41598-026-35260-8

الكلمات المفتاحية: تشخيص الزهايمر, علامات حيوية في الدم, تعبير الجينات, التعلم العميق, الذكاء الاصطناعي القابل للتفسير