שיטה לזיהוי וריאנטים מבניים באמצעות מטריצת מגע Hi-C ורשתות עצביות

למה כיפוף ה‑DNA בתלת־ממד חשוב

בדרך־כלל מציירים את ה‑DNA כמחרוזת פשוטה של אותיות, אך בכל תא הוא מתקפל לצורה תלת־ממדית מורכבת. כשקטעים גדולים של המחרוזת הללו נמחקים, נוטים או מועברים—שינויים הנקראים וריאציות מבניות—הם יכולים להפריע לגנים ולסייע בהנעת סרטן. מחקר זה מציג את VarHiCNet, מערכת בינה מלאכותית חדשה שקוראת מפות קיפול תלת־ממדיות של ה‑DNA ומאתרת שינויים רחבי היקף מסוכנים אלה בדיוק גבוה יותר מכלים קיימים, ומציעה גישה חדשה לחקר גנומי הסרטן ומחלות אחרות.

לראות שינויים בגנום דרך מפות מגע תלת־ממדיות

בדיקות גנום מסורתיות קוראות DNA כרצף ישר, מה שמקשה על זיהוי סידורים מורכבים, במיוחד באזורים חזרתיים או כאשר קטעים הועברו ללא שינוי במספר העותקים. שיטת ה‑Hi-C ניגשת לבעיה אחרת: היא מודדת כמה לעתים חלקים מרוחקים של ה‑DNA נוגעים זה בזה בתוך הגרעין, ואז רושמת את המגעים האלה כגריד, או מטריצת מגע, שבה נקודות בהירות משמעותן אינטראקציה חזקה יותר. וריאציות מבניות משאירות טביעות אצבע אופייניות במטריצות אלה—כמו פסים חסרים כאשר אזור נמחק, תבניות מראות כשקטע היפוך, או מוקדי חום מחוץ לאלכסון כאשר שני כרומוזומים הוּלחמו. VarHiCNet תוכנן לזהות אוטומטית דפוסים חזותיים אלה.

להפוך מפות גנום לתמונות עבור בינה מלאכותית

החוקרים ממירים את נתוני ה‑Hi-C הגולמיים לתמונות שמערכות ראייה ממוחשבת יכולות לעבד בקלות. תחילה הם מנרמלים בקפידה את המטריצות כדי לתקן את הירידה הטבעית בתדירות המגע ככל שהקטעים מרוחקים זה מזה, תוך שמירה על אותות אינטראקציה הן קרובים והן לטווח ארוך. לאחר מכן הם סורקים כל כרומוזום עם חלונות מרובים חופפים וחותכים הרבה תת‑מטריצות קטנות. כל תת‑מטריצה משנה גודל לתמונה צבעונית תקנית בגודל 800 על 800 פיקסלים, שבה עוצמות מגע שונות ממופות לגוונים אדמדמים בשלושה ערוצי צבע. ייצוג דמוי‑תמונה זה מאפשר למודל להשתמש בטכניקות חזקות שפותחו במקור לזיהוי עצמים בתמונות.

להשאיל טריקים מזיהוי עצמים

VarHiCNet מתייחס לכל וריאנט מבני פוטנציאלי כאילו היה "אובייקט" בתמונה. הוא נשען על מסגרת מודרנית לזיהוי עצמים בשם RT-DETR, המשתמשת בשילוב של רשתות קונבולוציה וטרנספורמרים כדי להדגיש אזורים חשובים. שלד ResNet שולף תחילה תכונות ברב־קני מימדים: שכבות שטוחות שומרות על פרטים עדינים הדרושים לקביעת נקודות השבר המדויקות, בעוד ששכבות עמוקות יותר לוכדות דפוסים רחבים יותר שמאותתים על אירועים גדולים. מודול מיזוג תכונות מאחד אז מידע ממספר שכבות כך שעקבות מקומיות וגלובליות נשמרות. בלוק מותאם נוסף, בהשראת מיכל ריבוי פירמידות מרחבית, מתאים את היקף האזור שהמודל "רואה" בבת אחת, מה שהופך אותו לרגיש לוריאנטים המשתרעים מטווח קטן יחסית ועד מקטעים גדולים מאוד של DNA.

מאזורי מועמדים אל סוגי וריאנט מדויקים

לאחר ש‑VarHiCNet מציע אזורי מועמדים בתמונת ה‑Hi-C, עליו לחדד אותם לנקודות שבר מדויקות ולסוגי וריאנט ספציפיים, כגון מחיקות, היפוכים, שכפולים או טרנסלוקציות. לשם כך המערכת מתמקדת בסביבה סביב כל נקודת שבר מיועדת ומפחיתה את המורכבות בעזרת טכניקה מתמטית הנקראת ניתוח רכיבים עיקריים, שמבליטה היכן דפוס המגע משתנה בצורה החדה ביותר. ייצוגים מצומצמים אלה מוזנים לאחר מכן למיינד רשת טרנספורמר שמסווג ולומדת הבדלים עדינים בדפוסים המקומיים עבור כל קטגוריית וריאנט. התוצאה היא קריאה מפורטת על כל אירוע: היכן הוא מתרחש בגנום וסוג השינוי המבני שהוא מייצג.

ביצועים על מגוון תאי סרטן

החוקרים בדקו את VarHiCNet על נתוני Hi-C משישה סוגי תאי סרטן אנושיים שונים, הכוללים גידולים של דם, שד, מוח, כליה, ריאה וערמונית. תוך שימוש באטלס רשומות בעל אמינות גבוהה של וריאנטים מבניים כתקן זהב, הם השוו את שיטתם מול כמה כלים מובילים שגם מנתחים נתוני Hi-C. הן עבור אירועים בתוך כרומוזום והן בין כרומוזומים, VarHiCNet השיג בדרך כלל ציון F1 גבוה או דומה, כלומר הוא איזן טוב יותר בין רגישות ודיוק בהשוואה לגישות אחרות. הוא הצטיין במיוחד בגילוי טרנסלוקציות מאוזנות והיפוכים—סידורים שלעתים משאירים עקבות מועטות בריצוף DNA סטנדרטי אך משאירים חתימות ברורות בקיפול התלת‑ממדי. המחברים גם הראו כי בחירות העיצוב שלהם, כגון רזולוציית התמונה ומודולי מיזוג התכונות, שיפרו בעקביות את הביצועים במבחנים מבוקרים.

מה המשמעות של זה להבנת מחלות

במונחים פשוטים, VarHiCNet מספק לחוקרים דרך חכמה יותר "להסתכל" על אופן קיפול הגנום בתלת־ממד ולזהות סידורים רחבי היקף הקשורים למחלות שעשויים להחמיץ בריצוף קונבנציונלי בלבד. על‑ידי הפיכת מפות מגע מורכבות לתמונות ויישום רשתות נוירוניות בסגנון ראייה מודרנית, השיטה יכולה לזהות ולסווג סוגים רבים של וריאציות מבניות באמינות גבוהה על פני סוגי תאי סרטן שונים. למרות שהיא עדיין מתמודדת עם חלק מהשינויים הקטנים מאוד או המורכבים מאוד ותלויה בנתוני אימון עשירים, VarHiCNet מצביע על עתיד שבו ארכיטקטורת הגנום בתלת־ממד תהפוך לחלק שגרתי בקריאת, פרשנות ובסופו של דבר ביעדוף השינויים הגנטיים שעומדים בבסיס סרטן ומחלות אחרות.

ציטוט: 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

מילות מפתח: שינוי מבני, Hi-C, למידה עמוקה, גנומיקת סרטן, גנטיקה תלת-ממדית