التنبؤ بالميكروبيوم في التربة باستخدام نماذج التعلم الآلي التقليدية والتعلم العميق

لماذا تهم الحياة الصغيرة في التربة

تحمل كل ملعقة صغيرة من التربة عالماً مزدهراً من البكتيريا والفطريات التي تعمل بهدوء على دعم إنتاج غذائنا، وتخزين الكربون، وإعادة تدوير المغذيات. ومع ذلك، ما زلنا نواجه صعوبة في التنبؤ بأي الميكروبات ستعيش في أي مكان، أو كيف ستستجيب مع تغير المناخ واستخدام الأراضي. تسأل هذه الدراسة سؤالاً عملياً: هل يمكن للنماذج الحاسوبية الحديثة، المدربة على قياسات بيئية أساسية مثل درجة الحرارة، وهطول الأمطار، وكيمياء التربة، أن تتنبأ بشكل موثوق بتكوين هذه المجتمعات الخفية؟

بيانات كبيرة تلتقي بالعالم تحت الأرض

ركز الباحثون على ميكروبيوم التربة، وهو المجتمع الهائل من الكائنات الدقيقة التي تعيش في التراب، واعتبروه نظاماً قد يكون قابلاً للتنبؤ بناءً على محيطه. باستخدام مجموعتي بيانات كبيرتين عامّتين من مسوحات تربة عالمية ومن شبكة المراقبة البيئية الوطنية الأمريكية (NEON)، جمعوا معلومات عن مجتمعات البكتيريا والفطريات إلى جانب قياسات مثل درجة حموضة التربة، ومحتوى الكربون والنيتروجين، والمناخ، والغطاء النباتي. بدلاً من تتبع كل نوع على حدة، جمعوا الميكروبات في فئات أوسع: مستويات تصنيفية مثل الشعبة، والصف، والمدرَجة، والعائلة، والجنس، ومجموعات وظيفية تصف ما تقوم به الميكروبات، مثل دورة الكربون أو النيتروجين.

اختبار طرق مختلفة للتعلم من البيانات

لتحويل القياسات البيئية إلى تنبؤات بتكوين المجتمع، قارن الفريق بين سبع طرق نمذجة حاسوبية. ستة منها كانت أساليب «تقليدية» منتشرة في التعلم الآلي، بما في ذلك الانحدار الخطي، وأشجار القرار، والغابات العشوائية، والتعزيز التدرجي، والجيران الأقرب k. السابعة كانت نموذج تعلم عميق يُسمى متعدد الطبقات (multilayer perceptron)، وهو نوع من الشبكات العصبية. لكل مجموعة بيانات ولكل مستوى تصنيفي أو وظيفي، دربت النماذج على معظم العينات ثم طُلب منها التنبؤ بالوفرة النسبية للمجموعات الميكروبية في عينات تربة جديدة غير مرئية أثناء التدريب. قيسَت دقة هذه التنبؤات بإحصائية معيارية (R²) التي تعكس مقدار التباين الواقعي الذي يمكن للنموذج شرحه.

أنماط عبر المقاييس في مجتمع التربة

برز نمط واضح: من الأسهل التنبؤ بالتجمعات الواسعة من الميكروبات مقارنة بالتفاصيل الدقيقة. بالنسبة لكل من البكتيريا والفطريات، أدت النماذج عموماً بشكل أفضل على المستويات التصنيفية الأعلى، مثل الشعبة والصف، وقلّت دقتها كلما حاولت التمييز بين فئات أصغر مثل العائلة والجنس. يشير ذلك إلى أنه بينما قد يكون من الصعب التنبؤ بالمزيج الدقيق للميكروبات القريبة وراثياً، فإن البنية العامة للمجتمع مرتبطة بشكل أوثق بالبيئة. ظهر استثناء لمجموعات الوظائف البكتيرية في إحدى مجموعات البيانات، حيث لم يتمكن أي من النماذج من التقاط الأنماط جيداً، وربما لأن الفئات الوظيفية المختارة لم تعكس بالكامل تعقيد أدوار الميكروبات الحقيقة.

أي النماذج عملت بشكل أفضل ولماذا

من بين كل الأساليب المختبرة، قدمت طريقتان تقليديتان — الغابات العشوائية وجيران k الأقرب — تنبؤات قوية باستمرار. تفوقت الغابات العشوائية على المستويات التصنيفية الأوسع، بينما كان جيران k الأقرب فعالاً بشكل خاص على المستويات الأكثر تفصيلاً مثل العائلة والجنس. أحياناً تعادل التعزيز التدرجي هذه النماذج أو فاقها، لا سيما بالنسبة للمجموعات الوظيفية الفطرية، لكن أداؤه تباين أكثر بين المستويات المختلفة. ومن المثير للدهشة أن شبكة التعلم العميق نادراً ما تفوقت على هذه الطرق الأبسط. يجادل المؤلفون بأن ذلك يعود بشكل رئيسي إلى أن التعلم العميق عادة ما يتطلب بيانات تدريب أكثر بكثير من بضع مئات إلى بضعة آلاف من عينات التربة المتاحة هنا. عموماً، كانت مجتمعات البكتيريا أسهل في التنبؤ من المجتمعات الفطرية، ومجموعات البيانات التي تحتوي على عينات أكثر أوفت بنتائج أفضل.

ماذا يعني هذا لرعاية التربة

تُظهر الدراسة أنه حتى مع بيانات اليوم غير الكاملة، يمكن للتعلم الآلي أن يوفر بالفعل توقعات معقولة لمجتمعات الميكروبات في التربة على مستويات واسعة. هذا مبشر للجهود الرامية إلى إدارة التربة من أجل الزراعة، والترميم، والتخفيف من تغير المناخ، لأنه يشير إلى أنه يمكننا استخدام قياسات بيئية بسيطة نسبياً لتوقع تغيّرات عامة في العالم تحت الأرض. في الوقت نفسه، تبرز صعوبة التنبؤ بالتفاصيل الدقيقة وبعض المجموعات الوظيفية مقدار الجهل الذي لا نزال نملكه حول كائنات التربة وأدوارها. ستكون هناك حاجة إلى مجموعات بيانات أفضل وأكبر ووصف أغنى للوظائف الميكروبية قبل أن يتمكن التعلم العميق والأدوات المتقدمة الأخرى من بلوغ إمكاناتها الكاملة في توجيه كيفية رعايتنا للتربة الحيّة تحت أقدامنا.

الاستشهاد: Aouabed, Z., Therrien, V., Bouaoune, M.A. et al. Soil microbiome prediction using traditional machine learning and deep learning models. Sci Rep 16, 11069 (2026). https://doi.org/10.1038/s41598-026-39537-w

الكلمات المفتاحية: الميكروبيوم الترابي, التعلم الآلي, البكتيريا والفطريات, التدرجات البيئية, تنبؤ المجتمع