تستخدم HarveST إطار تعلم على رسم بياني غير متجانس لكشف أنماط النسخ الفضائية

رؤية أماكن عمل الجينات داخل الأنسجة

أجسامنا مبنية من أحياء من الخلايا، كل منها تقوم بوظائف مختلفة، من التفكير في الدماغ إلى محاربة الأورام في السرطان. تتيح تقنية متنامية تُسمى النسخ الفضائي للباحثين رسم أي الجينات نشطة في بقع مختلفة عبر شريحة نسيجية. لكن تحويل هذه الخرائط الخام إلى مناطق واضحة ذات مغزى وقوائم بالجينات المهمة لا يزال تحدياً. تقدم هذه الدراسة طريقة حاسوبية جديدة، HarveST، تساعد الباحثين على رؤية بُنية الأنسجة وجيناتها الرئيسية بوضوح أكبر، حتى داخل الأعضاء والأورام المعقدة.

لماذا يعد رسم خرائط أحياء الخلايا أمراً صعباً

في الأنسجة، تعمل الخلايا المتجاورة غالباً كمجتمعات وظيفية، مثل الطبقات في الدماغ أو المناطق المحيطة بالورم. تقيس النسخ الفضائي نشاط الجينات في آلاف البقع الصغيرة عبر النسيج، مع مواقعها الدقيقة. تحاول الأدوات الحاسوبية الحالية تجميع هذه البقع إلى مجالات مكانية، وهي مناطق تشترك في كل من نشاط جيني متشابه والقرب المكاني. العديد من الطرق إما تتجاهل الموقع المكاني أو تفترض أن البقع المتجاورة يجب أن تنتمي لنفس المنطقة. قد يؤدي ذلك إلى تمويه الحدود الهامة، وفقدان جيوب خلوية نادرة، وعدم ربط كل منطقة بالجينات التي تُعرّفها فعلياً.

طريقة جديدة لربط المكان والجينات

تعالج HarveST هذه المشكلات بتحويل كل مجموعة بيانات إلى شبكة غنية تُربط فيها بقع الأنسجة والجينات في آن معاً

إيجاد الجينات المناسبة لكل منطقة

بعيداً عن رسم خرائط مناطق الأنسجة، تهدف HarveST إلى اكتشاف جينات العلامة التي تجعل كل منطقة فريدة. بدلاً من اختبار كل جين بمعزل عن غيره، تطلق الطريقة "مساراً عشوائياً" من البقع داخل منطقة مختارة وتسمح لهذا الإشارة بالانتشار عبر الشبكة

ما تكشفه HarveST في الأدمغة والأورام

لاختبار HarveST، طبّق الفريق الطريقة على عينات من دماغ بشري، وسرطان الثدي، وسرطان البنكرياس، وفقاعات الشم لدى الفئران، مقاسة على عدة منصات للنسخ الفضائي. في قشرة الفص الجبهي البشري، استعادت HarveST بدقة أكبر الست طبقات القشرية الكلاسيكية والمادة البيضاء مقارنة بأربع عشرة طريقة متنافسة، محققة درجات أعلى على مجموعة واسعة من مقاييس التجميع والحدود. في بيانات فقاعات الشم عالية الدقة لدى الفئران، تميّزت بفصل طبقات رقيقة ومكدسة عن قرب اختلطت لدى أدوات أخرى. في سرطانات الثدي والبنكرياس، فرّقت HarveST بشكل أفضل حواف الورم، والمناطق الطبيعية، ومناطق السرطان الغازي، وربطتها بجينات معروفة سابقاً بأنها تميّز الخباثة، والمشاركة المناعية، وإعادة تشكيل الأنسجة، بالإضافة إلى إبراز مرشحين إضافيين معقولين.

خرائط مترابطة عبر شرائح الأنسجة

الأنسجة الحقيقية ثلاثية الأبعاد، لكن النسخ الفضائي يقيس عادة شرائح رقيقة ثنائية الأبعاد. تستطيع HarveST تحليل عدة شرائح متتالية بشكل مشترك عبر بناء شبكة مشتركة تحترم البنية الداخلية لكل شريحة بينما توصل أيضاً مناطق متشابهة عبر الشرائح. في مقاطع زوجية من المخ البشري، حسّن هذا التحليل المشترك المحاذاة بين الشرائح ونتجت طبقات قشرية مستمرة امتدت بسلاسة من مقطع إلى الآخر. هذا يشير إلى أن HarveST يمكن أن تساعد في إعادة بناء مشاهد ثلاثية الأبعاد أكثر وفاءً لبنية الأنسجة من تجارب معيارية.

ماذا يعني هذا لأبحاث الطب الحيوي المستقبلية

باختصار، تقدم HarveST طريقة موحّدة للانتقال من خرائط الجينات المكانية الخام إلى مناطق أنسجة واضحة وجيناتها المفتاحية، مع احترام كل من البنية المكانية والعلاقات الجزيئية. بالنسبة لغير المتخصصين، يعني هذا أن العلماء يحصلون على "خرائط طقس" أوضح لنشاط الجينات داخل الأعضاء والأورام، وقوائم جينات أكثر موثوقية تشرح لماذا تختلف منطقة عن أخرى. مع تقدم تقنيات الفراغية، قد تصبح مقاربات مثل HarveST أدوات مركزية لفهم كيفية تنظيم الأنسجة السليمة، وكيف تعيد أمراض مثل السرطان تشكيل هذا التنظيم، وأين يمكن العثور على علامات تشخيصية جديدة أو أهداف علاجية.

الاستشهاد: Feng, J., Yu, T. & Zhang, Y. HarveST uses a heterogeneous graph learning framework to reveal spatial transcriptomics patterns. Commun Biol 9, 681 (2026). https://doi.org/10.1038/s42003-026-09841-2

الكلمات المفتاحية: النسخ الفضائي, بنية الأنسجة, تعلم الرسم البياني, البيئة الميكروية للسرطان, جينات العلامة