كشف تبادل العينات في تحقيقات مكافحة المنشطات باستخدام التعلم الآلي

لماذا يهم ضبط الغشاشين الأذكياء

تعتمد الرياضة الاحترافية على الثقة: عندما ينتصر رياضي نرغب في أن نصدق أن النتيجة نزيهة. اختبارات المنشطات الحديثة حساسة للغاية، ومع ذلك يحاول بعض الرياضيين التفوق عليها عن طريق تبديل عينات البول سرًا. تُظهر هذه الدراسة كيف يمكن للتعلم الآلي اكتشاف حين يعيد الرياضي استخدام عينة بول "نظيفة" جُمعت سابقًا، وهي خدعة يصعب للغاية اكتشافها بالفحوص الروتينية الحالية. تشير النتائج إلى طرق جديدة لحماية اللعب النظيف من خلال فحص هادئ لقاعدة بيانات ضخمة للاختبارات بحثًا عن أدلة مخفية على العبث.

ثغرة خفية في الفحوص الحالية

تختبر مختبرات مكافحة المنشطات عادة البول، لأن العديد من العقاقير المحظورة ومحلات تحللها تظل قابلة للاكتشاف فيه لفترات طويلة. تُتابَع ملفات الرياضيين للهرمونات الستيرويدية الطبيعية على مدى سنوات ضمن جواز السفر البيولوجي للرياضي، لذا يمكن أن تؤدي الزيادة المفاجئة في هذه القيم إلى فتح تحقيق. يؤدي استبدال العينة ببول شخص آخر إلى تعطيل هذا النمط طويل المدى وغالبًا ما يكون قابلاً للاكتشاف. تكمن النقطة العمياء الحقيقية عندما يعيد الرياضي سرًا استخدام بوله القديم الخالٍ من العقاقير. في هذه الحالة يناسب نمط الستيرويدات تاريخهم تمامًا، وإذا خُبرت العينة في مختبر مختلف أو بعد وقت طويل من الأصل، فلا توجد حاليًا طريقة آلية لإشعار أن عينتين متطابقتين أساسًا.

تحويل كيمياء البول إلى أنماط قابلة للبحث

عالج الباحثون هذه المشكلة بالتركيز على "بصمة" مفصلة تتشكل من مجموعة من الستيرويدات الطبيعية ونسبها في البول. جمعوا 67,651 بروفايل ستيرويد من مختبر معتمد لدى الوكالة العالمية لمكافحة المنشطات (WADA) جُمعت بين 2021 و2023، وشملت رياضيين من ذكور وإناث. يحتوي كل ملف على هرمونات رئيسية مثل التستوستيرون وعدة مركبات ذات صلة، إلى جانب النسب بينها. نظرًا إلى ندرة حالات إعادة استخدام العينات الحقيقية وسريتها، جمع الفريق هذه البيانات الواقعية مع أزواج تركيبية مصمَّمة بعناية: صنعت بعض الأزواج لتكون "متشابهة" عبر إضافة ضوضاء قياس صغيرة وواقعية، بينما صُنعت أزواج أخرى لتكون "غير متشابهة" بربط عينات عشوائية من رياضيين مختلفين. وفر ذلك مواد تدريب متوازنة لنموذج حاسوبي ليتعلم كيف يبدو "شبه المتطابق" عمليًا.

كيف يعمل الكاشف الذكي

جوهر النظام هو نوع من الشبكات العصبية الاصطناعية المعروفة باسم الشبكة الالتفافية، المستخدمة على نطاق واسع في تعرف الصور. هنا، بدلًا من الصور، الإدخال هو زوج من بروفايلات الستيرويد مرتبة جنبًا إلى جنب. تمسح الشبكة عبر السمات لالتقاط علاقات محلية دقيقة، مثل كيفية تحرك هرمونين ونسبتهما معًا. لجعل البيانات أكثر قابلية للإدارة والتفسير، استخدم الباحثون أيضًا تقنية تُسمى تحليل المكونات الرئيسية لإسقاط كل الملفات إلى فضاء ثلاثي الأبعاد، حيث يمكن لمقاييس المسافة البسيطة إبراز التطابقات القريبة. خلال التدريب تتعلم الشبكة إخراج احتمال أن عينتين من الملفات تعودان إلى نفس البول الأساسي، مميزة بين التشابه الحقيقي والاختلافات البيولوجية العادية التي تُرى بين الرياضيين ومع مرور الزمن.

اختبار الطريقة عمليًا

قيّم الفريق منهجهم من عدة جوانب. أولًا، اختبروه على بيانات محجوزة من كل سنة، باستخدام ملفات لم تُرَ أثناء التدريب لكنها طُرأت ضمن عدم يقين قياس متوقع بنسبة 15%. حققت الشبكة الالتفافية دقة عالية باستمرار، محدِّدة الأزواج المتشابهة بشكل صحيح مع إبقاء الإنذارات الكاذبة منخفضة، وتفوِّقت على طرق تقليدية مثل الانحدار اللوجستي، وآلات الدعم الناقل، ونماذج الأشجار. بعد ذلك واجهوا النظام بأكثر من 800 عينة "تأكيد"—عينات بول حقيقية أعادت المختبرات تحليلها بإجراءات مختلفة قليلًا. توفر هذه عينات واقعية تماثل الحالات المكررة أو المعاد استخدامها. مرة أخرى عملت الشبكة بشكل ممتاز لكل من الرجال والنساء، مع حساسية ومحددية ممتازتين، مما يشير إلى قدرتها على التعامل مع ضوضاء المختبر والاختلاف البيولوجي الحقيقي.

ماذا يعني هذا للرياضة النزيهة

لغير المتخصصين، الخلاصة أن الفحص الآلي لقاعدة بيانات مكافحة المنشطات الضخمة بات ممكنًا للكشف عن إشارات تفيد بأن عينة بول مفترَضة جديدة هي في الواقع نسخة شبه كاملة من عينة أقدم. الإطار المقترح للتعلم الآلي لا يحل محل اختبارات المواد المحظورة القائمة؛ بل يضيف فحصًا خلفيًا قويًا يمكنه تمييز العينات المشبوهة المتشابهة لإحالتها لمراجعة جنائية أعمق. ومع اعتماد الطريقة جزئيًا على بيانات محاكاة واستخدام نماذج "صندوق أسود" معقدة ليست شفافة تمامًا، فإنها لا تزال تقدم للأطراف الرياضية أداة عملية جديدة. إذا دُمجت في أنظمة جواز السفر البيولوجي الحالية للرياضيين، فقد تجعل خدعة إعادة استخدام البول النظيف، التي كانت شبه غير قابلة للكشف، محفوفة بمخاطر أكبر، معزِّزة ثقة أن الميداليات تُمنح على الجدارة بدلًا من التلاعب.

الاستشهاد: Rahman, M.R., Piper, T., Thevis, M. et al. Detection of sample swapping in anti-doping investigations using machine learning. Sci Rep 16, 9230 (2026). https://doi.org/10.1038/s41598-026-43502-y

الكلمات المفتاحية: مكافحة المنشطات, بروفايلات الستيرويد في البول, تبديل العينات, التعلم الآلي, نزاهة الرياضة