التعلم الآلي

التعلم الآلي في أبحاث المسام النانوية يشير إلى أساليب حسابية تتعلم الأنماط من الإشارات الكهربائية الخام وقراءات التسلسل المستنتجة والمحاذاة وبيانات ضبط الجودة. وتكمن أهميته في أن قياسات المسام النانوية طويلة ومصحوبة بالضوضاء وتعتمد على السياق وغالبا ما تنتج في الوقت الحقيقي.

لماذا يهم

تقيس أجهزة Nanopore التغيرات في التيار الأيوني أو الإشارات ذات الصلة أثناء مرور الجزيئات عبر المسام أو تفاعلها معها. يمكن للجزيء نفسه إنتاج آثار إشارة مختلفة اعتمادًا على كيمياء المسام وسرعة المحرك ودرجة الحرارة وإعداد العينة والإلكترونيات والقواعد المجاورة. يساعد التعلم الآلي على ربط هذه الإشارات المتغيرة بالتفسير البيولوجي أو الكيميائي.

تشمل الاستخدامات الرئيسية ما يلي:

استنتاج تسلسل القواعد من الإشارة (basecalling) - تحويل الإشارة الخام إلى تسلسل DNA أو RNA.
الكشف عن القاعدة المعدلة - تحديد المثيلة وتعديلات النوكليوتيدات الأخرى مباشرة من الإشارة.
تجزئة الإشارة - كشف الأحداث والأكشاك والمحولات والمسام وحدود القراءة.
مراقبة الجودة - التنبؤ بموثوقية القراءة، وصحة المسام، والتلوث، وأداء التشغيل.
أخذ العينات التكيفية - اتخاذ القرار في الوقت الحقيقي بشأن مواصلة تسلسل الجزيء.
تحليل المتغيرات والإجماع - يجمع بين القراءات الطويلة وملفات تعريف الأخطاء المستندة إلى النموذج.

المهام التمثيلية

مهمة	مدخلات نموذجية	مثال الإخراج	لماذا هو صعب
استنتاج تسلسل القواعد	إشارة التيار الخام أو إشارة POD5/FAST5	قراءات FASTQ مع درجات الجودة	تتغير سرعة الإشارة وتؤثر القواعد المجاورة في مستويات التيار.
كشف القاعدة المعدلة	محاذاة الإشارة بالإضافة إلى المرجع	5mC، 5hmC، m6A أو مكالمات التعديل الأخرى	يمكن أن تحتوي القواعد المعدلة وغير المعدلة على اختلافات دقيقة في الإشارة تعتمد على السياق.
أخذ العينات التكيفي	إشارة متدفقة أو تسلسل أولي مستنتج من الإشارة	قرار قبول الجزيء أو رفضه	يجب أن يكون القرار سريعا بما يكفي للتنفيذ أثناء التسلسل.
اكتشاف الحدث	التتبع الحالي للسلسلة الزمنية	نقل المرشح أو الأحداث الملزمة	الضوضاء، والانحراف، وتغير المسام، والأحداث القصيرة يمكن أن تحجب الحدود.
تشغيل المراقبة	ملخص التسلسل، طول القراءة، حالة المسام، مقاييس الجودة	التنبيهات وملخصات الجودة	تتغير المقاييس بمرور الوقت وتختلف حسب البروتوكول.

أمثلة بارزة

ديب نانو استخدم شبكات عصبية متكررة لاستنتاج تسلسل القواعد من بيانات MinION في أدوات مبكرة مفتوحة المصدر، وأوضح كيف تقلل النماذج المتعلمة أخطاء قراءات المسام النانوية.
MinCall درس استنتاج تسلسل القواعد من البداية إلى النهاية بشبكات عصبية التفافية مع نمذجة التسلسل بأسلوب CTC.
Bonito وGuppy وDorado تمثل اتجاهات حديثة لاستنتاج تسلسل القواعد بالشبكات العصبية ضمن سير عمل Oxford Nanopore.
برامج استنتاج تسلسل القواعد باستخدام التجميع الديناميكي مثل Heron وOsprey يعالجان سرعة إزاحة الجزيئات المتغيرة من خلال تكييف سلوك التجميع في الشبكات العصبية.
استنتاج تسلسل القواعد مع مراعاة العتاد تدرس مشاريع مثل RUBICON كيفية تسريع برامج استنتاج تسلسل القواعد العصبية وتقليل استهلاكها للذاكرة.
الأدوات ذات القاعدة المعدلة مثل نماذج الإشارات ذات النمط النانوي والأساليب العصبية الأحدث تدعم المثيلة المباشرة أو تحليل التعديل دون تحويل ثنائي الكبريتيت.
أدوات أخذ العينات التكيفية استخدم التحليل السريع للإشارة أو التسلسل لإثراء الأهداف أو استنفاد الجزيئات غير المرغوب فيها أثناء التشغيل.

الممارسة الجيدة

يجب تفسير نتائج التعلم الآلي في سياق تجريبي. النموذج الذي تم تدريبه على كيمياء مسام واحدة، أو مجموعة أدوات، أو كائن حي، أو تعديل أساسي، أو إصدار برنامج قد لا ينتقل بشكل مثالي إلى آخر. يجب أن تشير التقارير إلى إصدار النموذج، والكيمياء، وبيانات التدريب أو المعايرة، والجينوم المرجعي، والعتبات، وطريقة التحقق من الصحة حيثما أمكن ذلك.

المخاطر الشائعة

التعامل مع مخرجات النموذج كحقيقة أساسية دون التحقق المتعامد.
مقارنة الأدوات عبر كيمياء المسام المختلفة أو إصدارات Basecaller بدون عناصر تحكم.
تجاهل المعايرة وعدم توازن الفئة ومعدلات الإيجابية الخاطئة في التحليل الأساسي المعدل.
الإبلاغ عن دقة مستوى القراءة فقط مع تجاهل دقة الإجماع أو دقة المهام النهائية.
استخدام أسماء النماذج الخاصة دون تسجيل إصدارات البرامج والمعلمات.

أوراق وموارد مختارة

Boza V, Brejova B, Vinar T. DeepNano: Deep Recurrent Neural Networks for Base Calling in MinION Nanopore Reads. 2016.
Wick RR, Judd LM, Holt KE. Performance of neural network basecalling tools for Oxford Nanopore sequencing. Genome Biology. 2019.
Miculinic N, Ratkovic M, Sikic M. MinCall: MinION end-to-end convolutional deep learning basecaller. 2019.
Kovaka S, Fan Y, Ni B, Timp W, Schatz MC. Targeted nanopore sequencing by real-time mapping of raw electrical signal with UNCALLED. Nature Biotechnology. 2021.
Boza V, Peresini P, Brejova B, Vinar T. Dynamic Pooling Improves Nanopore Base Calling Accuracy. 2021.
Singh G et al. RUBICON: A Framework for Designing Efficient Deep Learning-Based Genomic Basecallers. 2022.
Wang Z et al. Adapting nanopore sequencing basecalling models for modification detection via incremental learning and anomaly detection. Nature Communications. 2024.
Oxford Nanopore Technologies. برنامج Dorado لاستنتاج تسلسل القواعد والأدوات المرتبطة به.