علم الأحياء الحاسوبي

علم التشريح الحاسوبي هو دراسة الشكل والهيئة التشريحية على المستوى التشريحي المرئي أو الإجمالي${\displaystyle 50-100\mu }$علم التشريح الحاسوبي ، الذي يُعنى بتطوير أساليب حسابية رياضية وتحليلية للبيانات لنمذجة ومحاكاة البنى البيولوجية، يركز على البنى التشريحية التي يتم تصويرها، بدلاً من أجهزة التصوير الطبي. وبفضل توفر قياسات ثلاثية الأبعاد عالية الدقة عبر تقنيات مثل التصوير بالرنين المغناطيسي ، برز علم التشريح الحاسوبي كمجال فرعي من مجالات التصوير الطبي والهندسة الحيوية، لاستخراج أنظمة الإحداثيات التشريحية على مستوى المورفيم في ثلاثة أبعاد.

يُصاغ علم التشريح الحاسوبي في الأصل على أنه نموذج توليدي للشكل والهيئة انطلاقًا من نماذج تُطبَّق عليها تحويلات. ^{[ 12 ]} تُستخدم مجموعة التماثل التفاضلي لدراسة أنظمة الإحداثيات المختلفة عبر تحويلات الإحداثيات الناتجة عن سرعات التدفق اللاغرانجية والأويلرية من تكوين تشريحي واحد.${\displaystyle {\mathbb {R} }^{3}}$إلى آخر. يتعلق الأمر بإحصاءات الشكل والقياسات المورفومترية ، مع التمييز بين استخدام التحويلات التفاضلية لرسم خرائط أنظمة الإحداثيات، والتي تُعرف دراستها باسم القياسات المورفومترية التفاضلية.

علم الأحياء الرياضي هو استخدام النماذج الرياضية للكائنات الحية لدراسة الأنظمة التي تحكم البنية والتطور والسلوك في الأنظمة البيولوجية . وهذا يستلزم منهجًا نظريًا أكثر في حل المشكلات، على عكس نظيره التجريبي، علم الأحياء التجريبي . ^{[ 13 ]} يعتمد علم الأحياء الرياضي على الرياضيات المتقطعة ، والطوبولوجيا (المفيدة أيضًا في النمذجة الحاسوبية)، والإحصاء البايزي ، والجبر الخطي ، والجبر البولياني . ^{[ 14 ]}

أتاحت هذه المناهج الرياضية إنشاء قواعد البيانات وغيرها من الطرق لتخزين البيانات البيولوجية واسترجاعها وتحليلها، وهو مجال يُعرف باسم المعلوماتية الحيوية . وعادةً ما تتضمن هذه العملية علم الوراثة وتحليل الجينات .

أتاح جمع وتحليل مجموعات البيانات الضخمة المجال لظهور مجالات بحثية متنامية ، مثل استخراج البيانات ^{[ 14 ]} والنمذجة الحيوية الحاسوبية، التي تُعنى ببناء نماذج حاسوبية ومحاكاة مرئية للأنظمة البيولوجية. وهذا يمكّن الباحثين من التنبؤ بكيفية تفاعل هذه الأنظمة مع البيئات المختلفة، وهو أمر مفيد لتحديد ما إذا كان النظام قادرًا على "الحفاظ على حالته ووظائفه في مواجهة الاضطرابات الخارجية والداخلية" ^{[ 15 ]} . وبينما تركز التقنيات الحالية على الأنظمة البيولوجية الصغيرة، يعمل الباحثون على تطوير مناهج تسمح بتحليل وتصميم نماذج لشبكات أكبر. ويعتقد غالبية الباحثين أن هذا سيكون أساسيًا في تطوير مناهج طبية حديثة لابتكار أدوية جديدة وعلاج جيني [ ^{15 ] .} ومن أساليب النمذجة المفيدة استخدام شبكات بيتري عبر أدوات مثل esyN ^{[ 16 ]} .

حتى العقود الأخيرة، كان علم البيئة النظري يتعامل في الغالب مع النماذج التحليلية المنفصلة عن النماذج الإحصائية التي يستخدمها علماء البيئة التجريبيون . وفي الآونة الأخيرة، ساهمت الأساليب الحسابية في تطوير النظريات من خلال محاكاة النظم البيئية، بالإضافة إلى زيادة تطبيق أساليب الإحصاء الحسابي في التحليلات البيئية.

يتألف علم الأحياء النظمي من حساب التفاعلات بين مختلف الأنظمة البيولوجية، بدءًا من المستوى الخلوي وصولًا إلى مجموعات كاملة، بهدف اكتشاف الخصائص الناشئة. تتضمن هذه العملية عادةً ربط مسارات الإشارات الخلوية والمسارات الأيضية . غالبًا ما يستخدم علم الأحياء النظمي تقنيات حسابية من النمذجة البيولوجية ونظرية الرسوم البيانية لدراسة هذه التفاعلات المعقدة على المستوى الخلوي. ^{[ 14 ]}

ساهم علم الأحياء الحاسوبي في دعم علم الأحياء التطوري من خلال:

• استخدام بيانات الحمض النووي لإعادة بناء شجرة الحياة باستخدام علم الوراثة الحاسوبي
• تطبيق نماذج علم الوراثة السكانية (سواءً كانت نماذج زمنية أمامية ^{[ 17 ]} أو زمنية خلفية ) على بيانات الحمض النووي لاستخلاص استنتاجات حول التاريخ الديموغرافي أو الانتقائي
• بناء نماذج علم الوراثة السكانية للأنظمة التطورية من المبادئ الأساسية من أجل التنبؤ بما يُحتمل أن يتطور
• إيجاد علامات التحولات الرئيسية المفاجئة في التطور باستخدام نماذج حسابية بسيطة بالإضافة إلى شكلية الأنظمة المعقدة. ^{[ 18 ]}

علم الجينوم الحاسوبي هو دراسة جينومات الخلايا والكائنات الحية . يُعد مشروع الجينوم البشري مثالًا على علم الجينوم الحاسوبي، إذ يهدف إلى تسلسل الجينوم البشري بالكامل وتحويله إلى مجموعة بيانات. وبمجرد اكتمال تنفيذه، سيُمكّن الأطباء من تحليل جينوم كل مريض على حدة . ^{[ 19 ]} وهذا يفتح آفاقًا جديدة للطب الشخصي، حيث يتم وصف العلاجات بناءً على الأنماط الجينية الموجودة مسبقًا لكل فرد. ويسعى الباحثون حاليًا إلى تسلسل جينومات الحيوانات والنباتات والبكتيريا وجميع أنواع الكائنات الحية الأخرى. ^{[ 20 ]}

تُعدّ مقارنة التسلسلات الجينية إحدى الطرق الرئيسية لمقارنة الجينومات . وتُعرف هذه المقارنة بدراسة البنى البيولوجية وتسلسلات النيوكليوتيدات في الكائنات الحية المختلفة التي تنحدر من سلف مشترك . وتشير الأبحاث إلى إمكانية تحديد ما بين 80 و90% من الجينات في الجينومات بدائية النواة التي تم تسلسلها حديثًا بهذه الطريقة. ^{[ 20 ]}

يُعدّ محاذاة التسلسل عملية أخرى لمقارنة وكشف أوجه التشابه بين التسلسلات البيولوجية أو الجينات. وتُفيد محاذاة التسلسل في العديد من تطبيقات المعلوماتية الحيوية، مثل حساب أطول تسلسل فرعي مشترك بين جينين أو مقارنة متغيرات أمراض معينة .

يُعد تحليل المناطق بين الجينات، التي تشكل ما يقارب 97% من الجينوم البشري، مشروعًا لم يُستكشف بعد في علم الجينوم الحاسوبي. ^{[ 20 ]} ويعمل الباحثون على فهم وظائف المناطق غير المشفرة في الجينوم البشري من خلال تطوير أساليب حاسوبية وإحصائية، وعبر مشاريع اتحادية واسعة النطاق مثل مشروع ENCODE ومشروع خارطة طريق علم الجينوم فوق الجيني .

يُعرف فهم كيفية مساهمة الجينات الفردية في بيولوجيا الكائن الحي على المستويات الجزيئية والخلوية ومستوى الكائن الحي باسم علم الجينات . وتتمثل مهمة اتحاد علم الجينات في تطوير نموذج حاسوبي شامل وحديث للأنظمة البيولوجية ، بدءًا من المستوى الجزيئي وصولًا إلى المسارات الأكبر والأنظمة الخلوية وأنظمة مستوى الكائن الحي. يوفر مورد علم الجينات تمثيلًا حاسوبيًا للمعرفة العلمية الحالية حول وظائف الجينات (أو، بشكل أدق، جزيئات البروتين والحمض النووي الريبوزي غير المشفر التي تنتجها الجينات) من العديد من الكائنات الحية المختلفة، من الإنسان إلى البكتيريا. ^{[ 21 ]}

علم الجينوم ثلاثي الأبعاد هو فرع من فروع البيولوجيا الحاسوبية يركز على تنظيم الجينات وتفاعلها داخل الخلية حقيقية النواة . إحدى الطرق المستخدمة لجمع بيانات الجينوم ثلاثي الأبعاد هي رسم خرائط بنية الجينوم (GAM). يقيس GAM المسافات ثلاثية الأبعاد للكروماتين والحمض النووي في الجينوم من خلال الجمع بين التقطيع بالتبريد ، وهي عملية قطع شريط من النواة لفحص الحمض النووي، مع التشريح المجهري بالليزر. يُعرف المقطع النووي ببساطة بهذا الشريط أو الشريحة المأخوذة من النواة. يحتوي كل مقطع نووي على نوافذ جينومية، وهي عبارة عن تسلسلات معينة من النيوكليوتيدات - الوحدة الأساسية للحمض النووي. يلتقط GAM شبكة جينومية من اتصالات الكروماتين المعقدة والمتعددة المعززات في جميع أنحاء الخلية. ^{[ 22 ]}

يلعب علم الأحياء الحاسوبي دورًا هامًا في تحديد المؤشرات الحيوية لأمراض مثل أمراض القلب والأوعية الدموية، فمن خلال دمج بيانات " الأوميكس " المختلفة - مثل علم الجينوم ، وعلم البروتينات ، وعلم الأيض - يستطيع الباحثون الكشف عن مؤشرات حيوية محتملة تُساعد في تشخيص الأمراض، والتنبؤ بمآلها، ووضع استراتيجيات العلاج. على سبيل المثال، حددت تحليلات علم الأيض مستقلبات محددة قادرة على التمييز بين مرض الشريان التاجي واحتشاء عضلة القلب . ^{[ 23 ]}

علم الأعصاب الحاسوبي هو دراسة وظائف الدماغ من حيث خصائص معالجة المعلومات في الجهاز العصبي . وهو فرع من فروع علم الأعصاب، ويهدف إلى نمذجة الدماغ لدراسة جوانب محددة من الجهاز العصبي. ^{[ 24 ]} تشمل نماذج الدماغ ما يلي:

• نماذج الدماغ الواقعية: تسعى هذه النماذج إلى تمثيل كل جانب من جوانب الدماغ، بما في ذلك أكبر قدر ممكن من التفاصيل على المستوى الخلوي. توفر النماذج الواقعية أكبر قدر من المعلومات حول الدماغ، ولكنها في الوقت نفسه تحمل أكبر هامش للخطأ . فزيادة عدد المتغيرات في نموذج الدماغ تزيد من احتمالية حدوث المزيد من الأخطاء. ولا تأخذ هذه النماذج في الحسبان أجزاءً من البنية الخلوية التي لا يعرفها العلماء. وتُعد نماذج الدماغ الواقعية الأكثر استهلاكًا للموارد الحاسوبية والأكثر تكلفة في التنفيذ. ^{[ 25 ]}
• تبسيط نماذج الدماغ: تهدف هذه النماذج إلى تقليص نطاق النموذج لتقييم خاصية فيزيائية محددة للجهاز العصبي. وهذا يسمح بحل المشكلات الحسابية المعقدة، ويقلل من احتمالية الخطأ في نموذج دماغي واقعي. ^{[ 25 ]}

يقع على عاتق علماء الأعصاب الحاسوبيين تحسين الخوارزميات وهياكل البيانات المستخدمة حاليًا لزيادة سرعة هذه الحسابات.

يُعدّ علم النفس العصبي الحاسوبي مجالًا ناشئًا يستخدم النمذجة الرياضية والحاسوبية لآليات الدماغ المتورطة في الاضطرابات النفسية . وقد أثبتت العديد من المبادرات أن النمذجة الحاسوبية تُسهم إسهامًا هامًا في فهم الدوائر العصبية التي قد تُولّد الوظائف والاختلالات النفسية. ^{[ 26 ] [ 27 ] [ 28 ]}

يلعب علم الأحياء الحاسوبي دورًا محوريًا في اكتشاف مؤشرات على وجود كائنات حية جديدة غير معروفة سابقًا، وفي أبحاث السرطان . يتضمن هذا المجال قياسات واسعة النطاق للعمليات الخلوية، بما في ذلك الحمض النووي الريبوزي ( RNA ) والحمض النووي الريبوزي منقوص الأكسجين (DNA ) والبروتينات، مما يطرح تحديات حاسوبية كبيرة. وللتغلب على هذه التحديات، يعتمد علماء الأحياء على الأدوات الحاسوبية لقياس البيانات البيولوجية وتحليلها بدقة. ^{[ 29 ]} في أبحاث السرطان، يُسهم علم الأحياء الحاسوبي في التحليل المعقد لعينات الأورام ، مما يساعد الباحثين على تطوير طرق جديدة لتوصيف الأورام وفهم مختلف الخصائص الخلوية. كما يُساعد استخدام القياسات عالية الإنتاجية، التي تشمل ملايين نقاط البيانات من الحمض النووي الريبوزي منقوص الأكسجين (DNA) والحمض النووي الريبوزي (RNA) وغيرها من التراكيب البيولوجية، في تشخيص السرطان في مراحله المبكرة وفهم العوامل الرئيسية التي تُسهم في تطوره. تشمل مجالات التركيز تحليل الجزيئات التي تُعدّ مُسببة للسرطان وفهم كيفية ارتباط الجينوم البشري بتكوّن الأورام. ^{[ 29 ] [ 30 ]}

علم السموم الحاسوبي هو مجال دراسة متعدد التخصصات، يتم استخدامه في المراحل المبكرة من اكتشاف الأدوية وتطويرها للتنبؤ بسلامة وسمية المرشحين الدوائيين المحتملين.

علم الصيدلة الحاسوبي هو "دراسة تأثيرات البيانات الجينومية لإيجاد روابط بين الأنماط الجينية المحددة والأمراض ثم فحص بيانات الأدوية ". ^{[ 31 ]}

يُعد اكتشاف الأدوية أحد التطبيقات المتزايدة لعلم الأحياء الحاسوبي . فعلى سبيل المثال، قد تُقلل محاكاة أحداث الإشارات داخل الخلايا وبينها ، باستخدام بيانات من تجارب البروتينات أو الأيضيات، من الاعتماد على التجارب في توضيح الحركية الدوائية والديناميكية الدوائية للمرشحين الدوائيين في الكائنات الحية. ^{[ 32 ]}

يتزايد دور الذكاء الاصطناعي في عملية اكتشاف الأدوية. فباستخدام البنى الكيميائية للأدوية المعروفة كمدخلات، تستطيع نماذج الذكاء الاصطناعي اقتراح بنى المركبات الرائدة أو التنبؤ بأنماط جديدة لارتباط الدواء بالبروتين. كما يُستخدم الذكاء الاصطناعي في الفحص الافتراضي للجزيئات المرشحة، مما يُغني عن الحاجة إلى تصنيع أعداد كبيرة من الجزيئات لأغراض الفحص. ^{[ 33 ] [ 34 ]}

التعلم غير الخاضع للإشراف هو نوع من الخوارزميات التي تكتشف الأنماط في البيانات غير المصنفة. ومن الأمثلة على ذلك خوارزمية التجميع k-means ، التي تهدف إلى تقسيم n نقطة بيانات إلى k مجموعة، حيث تنتمي كل نقطة بيانات إلى المجموعة ذات المتوسط ​​الأقرب. وهناك نسخة أخرى هي خوارزمية k-medoids ، التي عند اختيار مركز المجموعة، تختار إحدى نقاط البيانات الموجودة في المجموعة، وليس مجرد متوسط ​​المجموعة.

تتبع الخوارزمية الخطوات التالية:

1. اختر عشوائياً k من نقاط البيانات المتميزة. هذه هي المجموعات الأولية.
2. قم بقياس المسافة بين كل نقطة وكل مجموعة من المجموعات 'k'. (هذه هي المسافة بين النقاط وكل نقطة k ).
3. قم بتعيين كل نقطة إلى أقرب مجموعة.
4. أوجد مركز كل مجموعة (المركز).
5. كرر ذلك حتى تتوقف المجموعات عن التغير.
6. قم بتقييم جودة التجميع عن طريق جمع التباين داخل كل مجموعة.
7. كرر العمليات بقيم مختلفة لـ k.
8. اختر أفضل قيمة لـ 'k' من خلال إيجاد "نقطة الانعطاف" في الرسم البياني التي تكون فيها قيمة k هي الأقل تباينًا.

يُستخدم أحد الأمثلة على ذلك في علم الأحياء في رسم الخرائط ثلاثية الأبعاد للجينوم. تُجمع معلومات منطقة HIST1 في الكروموسوم 13 للفأر من قاعدة بيانات Gene Expression Omnibus . ^{[ 35 ]} تحتوي هذه المعلومات على بيانات حول الأنماط النووية التي تظهر في مناطق جينومية محددة. وباستخدام هذه المعلومات، يمكن استخدام مسافة جاكارد لإيجاد مسافة مُعَيَّرة بين جميع المواقع الجينية.

تحليل الرسوم البيانية، أو تحليل الشبكات ، هو دراسة الرسوم البيانية التي تمثل الروابط بين الكائنات المختلفة. يمكن للرسوم البيانية أن تمثل جميع أنواع الشبكات في علم الأحياء، مثل شبكات تفاعل البروتين-بروتين ، والشبكات التنظيمية، والشبكات الأيضية والكيميائية الحيوية، وغيرها الكثير. هناك طرق عديدة لتحليل هذه الشبكات، إحداها هي دراسة مركزية الرسوم البيانية. تُحدد مركزية الرسوم البيانية ترتيب العقد وفقًا لشعبيتها أو مركزيتها في الرسم البياني. وهذا مفيد في تحديد العقد الأكثر أهمية. على سبيل المثال، عند توفر بيانات عن نشاط الجينات خلال فترة زمنية معينة، يمكن استخدام مركزية الدرجة لمعرفة الجينات الأكثر نشاطًا في الشبكة، أو الجينات الأكثر تفاعلًا مع بعضها البعض. وهذا يُسهم في فهم الأدوار التي تؤديها جينات معينة في الشبكة.

توجد طرق عديدة لحساب المركزية في الرسوم البيانية، وكل منها يوفر معلومات مختلفة حول المركزية. ويمكن تطبيق إيجاد المركزية في علم الأحياء في العديد من الظروف المختلفة، منها تنظيم الجينات، وتفاعلات البروتينات، والشبكات الأيضية. ^{[ 36 ]}

التعلم الخاضع للإشراف هو نوع من الخوارزميات التي تتعلم من البيانات المصنفة، وتتعلم كيفية تصنيف البيانات المستقبلية غير المصنفة. في علم الأحياء، يُعدّ التعلم الخاضع للإشراف مفيدًا عندما تكون لدينا بيانات نعرف كيفية تصنيفها، ونرغب في تصنيف المزيد من البيانات ضمن هذه الفئات.

تُعدّ الغابة العشوائية إحدى خوارزميات التعلّم الخاضع للإشراف الشائعة ، حيث تستخدم العديد من أشجار القرار لتدريب نموذج لتصنيف مجموعة بيانات. تُشكّل شجرة القرار، التي تُعدّ أساس الغابة العشوائية، بنيةً تهدف إلى تصنيف مجموعة بيانات باستخدام خصائص معروفة لتلك البيانات. ومن الأمثلة البيولوجية العملية على ذلك، أخذ البيانات الجينية لشخص ما والتنبؤ باحتمالية إصابته بمرض أو سرطان معين. عند كل عقدة داخلية، تتحقق الخوارزمية من مجموعة البيانات بحثًا عن خاصية واحدة فقط، كجين مُحدد في المثال السابق، ثم تتفرع يمينًا أو يسارًا بناءً على النتيجة. بعد ذلك، عند كل عقدة طرفية، تُعيّن شجرة القرار تصنيفًا لمجموعة البيانات. عمليًا، تسلك الخوارزمية مسارًا مُحددًا من الجذر إلى الورقة بناءً على مجموعة البيانات المُدخلة عبر شجرة القرار، مما يؤدي إلى تصنيف تلك البيانات. عادةً، تحتوي أشجار القرار على متغيرات مُستهدفة تأخذ قيمًا مُنفصلة، ​​مثل نعم/لا، وفي هذه الحالة تُسمى شجرة تصنيف ، أما إذا كان المتغير المُستهدف مُستمرًا، فتُسمى شجرة انحدار . لبناء شجرة القرار، يجب أولاً تدريبها باستخدام مجموعة تدريب لتحديد الميزات التي تعتبر أفضل المتنبئات للمتغير المستهدف.

هذه محاولات لاستخدام خوارزميات ضرب المصفوفات السريعة في علم الأحياء الحاسوبي. ومن أمثلة هذا النوع من العمل ^{[ 37 ]} و ^{[ 38 ]} .

توفر البرمجيات مفتوحة المصدر منصةً لعلم الأحياء الحاسوبي، حيث يمكن للجميع الوصول إلى البرمجيات المطورة في الأبحاث والاستفادة منها. ^{[ 39 ]} وتشير مجلة PLOS إلى أربعة أسباب رئيسية لاستخدام البرمجيات مفتوحة المصدر:

• إمكانية التكرار : يسمح هذا للباحثين باستخدام الطرق الدقيقة المستخدمة لحساب العلاقات بين البيانات البيولوجية.
• تطوير أسرع: لا يضطر المطورون والباحثون إلى إعادة كتابة التعليمات البرمجية الموجودة للمهام البسيطة. بدلاً من ذلك، يمكنهم استخدام البرامج الموجودة مسبقًا لتوفير الوقت في تطوير وتنفيذ المشاريع الأكبر.
• زيادة الجودة: إن الحصول على مدخلات من باحثين متعددين يدرسون نفس الموضوع يوفر طبقة من الضمان بأن الأخطاء لن تكون موجودة في الكود.
• التوافر على المدى الطويل: لا ترتبط البرامج مفتوحة المصدر بأي شركات أو براءات اختراع. وهذا يسمح بنشرها على صفحات ويب متعددة ويضمن توافرها في المستقبل. ^{[ 40 ]}