طريقة لاكتشاف التغيرات البنيوية باستخدام مصفوفة تماس Hi-C والشبكات العصبية

لماذا يهم انحناء الحمض النووي في ثلاثة أبعاد

عادة ما يُصوَّر حمضنا النووي كسلسلة بسيطة من الحروف، لكن داخل كل خلية يطوى إلى شكل ثلاثي الأبعاد معقّد. عندما تُحذف قطع كبيرة من هذه السلسلة أو تُقلَب أو تُنقل—تغيّرات تُسمى التغيرات البنيوية—قد تُعطّل الجينات وتساهم في دفع السرطان. تقدم هذه الدراسة VarHiCNet، نظامًا جديدًا من الذكاء الاصطناعي يقرأ خرائط طي الحمض النووي ثلاثية الأبعاد ويكتشف هذه التغيرات واسعة النطاق بدقة أكبر من الأدوات الحالية، مقدمًا طريقة جديدة لدراسة جينومات السرطان وأمراض أخرى.

رصد تغيرات الجينوم من خلال خرائط التماس ثلاثية الأبعاد

تقرأ اختبارات الجينوم التقليدية الحمض النووي كسلسلة مستقيمة، ما يصعّب رصد إعادة الترتيبات المعقدة، خصوصًا في المناطق المتكررة أو عندما تُنقل مقاطع دون تغيير عدد النسخ. تتعامل تقنية Hi-C مع المشكلة بطريقة مختلفة: تقيس عدد المرات التي تلمس فيها أجزاء بعيدة من الحمض النووي بعضها بعضًا داخل النواة، ثم تُسجل هذه التماسات كسطر شبكة أو مصفوفة تماس، حيث تعني البقع الأشد سطوعًا تفاعلاً أقوى. تترك التغيرات البنيوية بصمات مميزة في هذه المصفوفات—مثل خطوط مفقودة عندما يُحذف نطاق، أو أنماط معكوسة عند قلب مقطع، أو بؤر خارج القطر عند دمج كروموسومين. صُمِّم VarHiCNet للتعرّف تلقائيًا على هذه الأنماط البصرية.

تحويل خرائط الجينوم إلى صور للذكاء الاصطناعي

حوّل المؤلفون بيانات تماس Hi-C الخام إلى صور يمكن لأنظمة رؤية الحاسوب معالجتها بسهولة. أولًا يقومون بتطبيع المصفوفات بعناية لتصحيح الانخفاض الطبيعي في تواتر التماس مع ازدياد المسافة بين مقاطع الحمض النووي، مع الحفاظ على إشارات التفاعلات القريبة والطويلة المدى. ثم يمسحون كل كروموسوم بنوافذ مربعة متداخلة ويقطعون العديد من المصفوفات الفرعية الصغيرة. تُعاد تحجيم كل مصفوفة فرعية إلى صورة لونية موحدة بحجم 800×800 بكسل، حيث تُحوَّل درجات قوة التماس إلى درجات حمراء عبر ثلاث قنوات لونية. تُمكّن هذه التمثيلات الشبيهة بالصور النموذج من إعادة استخدام تقنيات قوية طُوِّرت أصلاً للتعرّف على الأشياء في الصور الفوتوغرافية.

اقتراض أفكار من كشف الأجسام

يتعامل VarHiCNet مع كل متغير بنيوي محتمل كما لو كان "كائنًا" في صورة. يبني على إطار حديث لكشف الأجسام يُسمى RT-DETR، الذي يستخدم مزيجًا من الشبكات الالتفافية والمحولات لتسليط الضوء على المناطق المهمة. يستخرج العمود الفقري ResNet أولًا ميزات متعددة المقاييس: تحافظ الطبقات السطحية على التفاصيل الدقيقة اللازمة لتحديد نقاط الكسر بدقة، في حين تلتقط الطبقات العميقة أنماطًا أوسع تشير إلى أحداث كبيرة. ثم يدمج وحدة دمج الميزات المعلومات من عدة طبقات بحيث تُحافظ كلٌّ من الأدلة المحلية والعالمية. كتلة مخصّصة أخرى مستوحاة من تجميع الهرم المكاني تضبط مدى ما "يراه" النموذج من المنطقة المحيطة دفعةً واحدة، مما يجعله حساسًا للتغيرات التي تمتد من مقاطع صغيرة نسبيًا إلى امتدادات كبيرة جدًا من الحمض النووي.

من المناطق المرشحة إلى أنواع المتغيرات الدقيقة

بمجرد أن يقترح VarHiCNet مناطق مرشحة في صورة Hi-C، يجب أن يُنقّحها إلى نقاط كسر دقيقة وأنواع متغيرة محددة، مثل الحذف والانعكاس والتكرار أو النقلات. للقيام بذلك، يركّز النظام على الجوار حول كل نقطة كسر متوقعة ويقلّل تعقيده باستخدام تقنية رياضية تُسمى تحليل المركبات الرئيسية، والتي تُبرز المواضع التي يتغير فيها نمط التماس بأكبر حدة. تُدخَل هذه التمثيلات الموجزة بعد ذلك في مصنّف قائم على المحولات يتعلّم الفروق الطفيفة في الأنماط المحلية لكل فئة من المتغيرات. النتيجة هي استدعاء مفصّل لكل حدث: مكانه في الجينوم ونوع التغير البنيوي الذي يمثّله.

الأداء عبر خطوط خلوية سرطانية متنوعة

اختبر الباحثون VarHiCNet على بيانات Hi-C من ستة خطوط خلوية بشرية سرطانية مختلفة، تغطي أورام الدم والثدي والدماغ والكلى والرئة والبروستاتا. باستخدام كتالوج عالي الثقة من التغيرات البنيوية المعروفة كمعيار ذهبي، قارنوا طريقتهم بعدة أدوات رائدة تحلل أيضًا بيانات Hi-C. عبر كل من الأحداث داخل الكروموسوم وبين الكروموسومات، حقق VarHiCNet عمومًا درجات F1 أعلى أو مماثلة، ما يعني أنه وازن الحساسية والدقة أفضل من النهج الأخرى. كان قويًا بشكل خاص في كشف النقلات المتوازنة والانعكاسات—إعادة ترتيبات غالبًا ما تترك أثرًا ضئيلاً في التسلسل القياسي لكنها تترك بصمات واضحة في الطي ثلاثي الأبعاد. وأظهر المؤلفون أيضًا أن اختيارات التصميم لديهم، مثل دقة الصورة ووحدات دمج الميزات، حسّنت الأداء باستمرار في اختبارات مضبوطة.

ما الذي يعنيه ذلك لفهم المرض

بعبارات بسيطة، يمنح VarHiCNet العلماء طريقة أذكى لـ"رؤية" كيفية طي الجينوم ثلاثي الأبعاد واكتشاف إعادة الترتيبات الكبيرة المرتبطة بالأمراض والتي قد يغفلها التسلسل التقليدي وحده. من خلال تحويل خرائط التماس المعقدة إلى صور وتطبيق شبكات عصبية حديثة على طراز الرؤية، يمكن للطريقة كشف وتصنيف العديد من أنواع التغيرات البنيوية بموثوقية عالية عبر أنواع سرطانية مختلفة. ومع أنها لا تزال تواجه صعوبات مع بعض التغيرات الصغيرة جدًا أو المعقدة للغاية وتعتمد على بيانات تدريب غنية، فإن VarHiCNet يشير إلى مستقبل يصبح فيه بنية الجينوم ثلاثية الأبعاد جزءًا اعتياديًا من كيفية قراءة وتفسير واستهداف التغيرات الجينية التي تقف وراء السرطان وأمراض أخرى.

الاستشهاد: Shen, J., Wang, H., Zhai, H. et al. A method for structural variant detection using Hi-C contact matrix and neural networks. Sci Rep 16, 7324 (2026). https://doi.org/10.1038/s41598-026-37678-6

الكلمات المفتاحية: التغير البنيوي, Hi-C, التعلّم العميق, جينيّات السرطان, الحمض النووي ثلاثي الأبعاد