במחקר שפורסם לאחרונה ב- הליכים של האקדמיה הלאומית למדעים, חוקרים מארצות הברית של אמריקה פיתחו ואימתו את "TimeMachine", אלגוריתם המנבא את השלב הצירקדי של חולים המשתמשים בביטוי גנים בתאי דם חד-גרעיניים (PBMCs) מדגימת דם אחת. הם גילו שהאלגוריתם היה גמיש ומדויק בתחזיותיו ופעל היטב על נתונים חדשים ללא אימון מחדש או נורמליזציה מחדש.
מחקר: אומדן בלתי תלוי בפלטפורמה של זמן פיזיולוגי אנושי מדגימות דם בודדות. קרדיט תמונה: Nuva Frames / Shutterstock
רקע כללי
המקצב הצירקדי, מערכת שמירת זמן אנדוגנית, משפיעה על תהליכים ביולוגיים שונים. חוסר ויסות של קצב זה קשור לבעיות בריאותיות כמו השמנת יתר, סוכרת, סרטן ומחלות לב וכלי דם. התאמת מינון התרופה למחזורים הצירקדיים עשויה לשפר את יעילות הטיפול ולהפחית את תופעות הלוואי. התחלת מלטונין עמום-אור (DLMO), מדד הזהב הנוכחי של השלב הצירקדי, גוזל זמן ויקר, ומפריע ליישום רחב במחקר ובמסגרות קליניות. פרופיל תעתיק ולמידת מכונה מציעים אלטרנטיבה מבטיחה, תוך שימוש בביטוי גנים כקריאה של קצב יממה. אלגוריתמים קודמים שפותחו בהקשר זה היו חסרי הכללה והוגבלו על ידי תיקון אצווה, הדרכה מחדש או אתגרים ספציפיים לפלטפורמה. כדי להתמודד עם הפער הזה, המחקר הנוכחי הציג את האלגוריתם "TimeMachine" לניבוי השלב הצירקדי האנושי מהוצאת דם בודדת תוך התמקדות בפשטות והכללה.
לגבי המחקר
המסגרת של אלגוריתם TimeMachine כוללת שלושה שלבים: בחירת תכונה, שינוי קנה מידה בתוך המדגם והתאמת המנבא. בתחילה הוא אומן ונבדק על מערך ביטוי גנים צירקדי אנושי (TrTe). יתר על כן, הוא יושם ללא תיקון אצווה או אימון מחדש לדגימת נתונים משלושה מערכי נתונים עצמאיים שפורסמו (V1, V2 ו-V3) של תעתיק הדם המלא האנושי. כל מערכי הנתונים ששימשו במחקר הנוכחי התקבלו מהמאגר הלאומי למידע ביוטכנולוגיה של ביטוי גנים (NCBI GEO) וכללו שימוש בפלטפורמות שונות לרצף מיקרו-מערך ו-ribonucleic acid (RNA-seq). סה"כ 7,615 גנים משותפים לכל מערכי הנתונים שימשו לניתוח.
האלגוריתם מתחיל בבחירת גנים המכילים מידע פאזה כסמנים ביולוגיים פוטנציאליים. יישום שיטות קיימות (ZeitZeiger, מבוסס PLSR, TimeSignature) על נתוני אימון עזר לזהות 135 גנים מועמדים. מתוך אלה, 37 גנים המציגים דפוסי רכיבה חזקים, שנקבעו על ידי ניתוח JTK_Cycle, נוצלו כקלט עבור מנבא TimeMachine.
החוקרים הציעו שתי גישות נורמליזציה: יחסי גנים בזוגיות וטרנספורמציה של ציון z, מה שהוביל לפיתוח של שני גרסאות אלגוריתם – ratio TimeMachine (rTM) ו-z-score TimeMachine (zTM), בהתאמה. גרסאות אלה שואפות להבטיח נתוני ביטוי עקביים ובר-השוואה בין פלטפורמות על ידי הדגשת ביטוי גנים יחסי ולא גדלים מוחלטים. שתי הגרסאות משתמשות ברגרסיה דו משתנית עם רגולציה נטו אלסטית לניבוי זמן פיזיולוגי כפונקציה של ביטוי גנים. ההערכה שקלה את השגיאה המוחלטת החציונית ואת השטח המנורמל מתחת לעקומת התפלגות המצטברת של השגיאה (AUC). יתרה מכך, TimeMachine הושווה לשיטה החדישה ביותר המבוססת על PLSR (קיצור של רגרסיה חלקית של הריבועים הקטנים) על פני מערכי נתונים ופלטפורמות מרובות.
תוצאות ודיון
עבור TrTe, rTM השיג שגיאה מוחלטת חציונית של 1.39 שעות, עם 55.7% מהתחזיות תוך 2 שעות ו-83.8% תוך 4 שעות. כאשר מיושם על V1 ו-V3, rTM הפגין תחזיות מדויקות למרות הבדלים בתנאי הניסוי ובפלטפורמות הפרופיל, והניב שגיאה מוחלטת חציונית של 2:41 שעות עבור V1 ו-1:53 שעות עבור V3. גרסת zTM הציגה ביצועים דומים, דבר המצביע על כך ששתי שיטות הנורמליזציה שוות ערך להסקת השלב הצירקדי מתעתוק דם על פני פלטפורמות.
במחקרי השוואה, TimeMachine הציג ביצועים דומים או טובים יותר ל-PLSR, עם שגיאה מוחלטת חציונית של 2:13 שעות עד 2:55 שעות. חשוב לציין, TimeMachine עמדה בביצועים טובים יותר מ-PLSR תוך שהיא דורשת פחות גנים מנבאים. גם וריאציות TimeMachine יחס ו-Z-score של TimeMachine השיגו דיוק דומה, תוך ביצועים טובים יותר מ-PLSR במערך הנתונים TrTe ו-V3. הערכות הכללה בכל ארבעת המחקרים הדגימו את הביצועים העקביים של TimeMachine בחיזוי זמן מקומי, אפילו על פני פלטפורמות שונות. בהשוואה לשיטות של שתי נקודות זמן, rTM ו-zTM הראו שגיאה מוחלטת ממוצעת משמעותית יותר ב-20-40 דקות. בסך הכל, תחזיות הנקודה החד-פעמיות של TimeMachine לגבי השלב הצירקדי והזמן המקומי הציגו ביצועים חזקים ותחרותיים על פני מערכי נתונים ופלטפורמות מגוונות.
בנוסף, המחקר חקר את הגורמים המשפיעים על הביצועים של TimeMachine, תוך התמקדות בקשר בין דיוק הניבוי ואמפליטודה החזויה. דגימות עם אמפליטודות חזויות מתחת ל-0.5 הציגו באופן עקבי שגיאות גבוהות יותר באופן משמעותי עבור rTM ו-zTM, מה שסיפק תובנות לגבי בטחון חיזוי. סיווג דגימות לפי מרווחי פאזה גילה קשר הפוך בין משרעת חזויה לשגיאה.
סיכום
לסיכום, TimeMachine מתייחסת לאתגרים של בדיקת סמנים ביולוגיים צירקדיים, ומציעה תחזיות מדויקות של השלב הצירקדי באמצעות פרופיל ביטוי גנים חד-זמן של PBMCs. המעשיות שלו, ההסכמה עם נתוני המעבדה ויכולת ההכללה עבור ניתוחים פרוספקטיביים ורטרוספקטיביים הופכים אותו לכלי רב ערך עבור יישומים מגוונים במחקר רפואי, במסגרות קליניות ובחקירת תפקידי המקצבים הצירקדיים במחלות שונות, כולל סרטן.
