أظهرت نماذج التعلم الآلي (Machine Learning) في مجال طيف الكتلة باستخدام وصول الأيونات المصفوفة (MALDI-TOF) وعودًا كبيرًا في مجال علم الأحياء الدقيقة السريري، خصوصًا في المهام المتعلقة بالتعرف على الميكروبات والتنبؤ بمقاومة المضادات الحيوية. ومع ذلك، يبقى تنفيذ هذه النماذج عبر المؤسسات المختلفة مقيدًا بتغير المجال (Domain Shift)، حيث تؤدي التغيرات الخاصة بالاكتساب إلى استجابة النماذج لخصائص تقنية بدلاً من المعلومات البيولوجية القابلة للنقل.

للحد من هذه المشكلة، تُعالج الطرق الحالية لتعلم التمثيل (Representation Learning) هذا الأمر من خلال محاذاة المجالات الإحصائية، متجاهلة بشكل كبير الإشراف البيولوجي المتاح بطبيعة الحال في مجموعات بيانات علم الأحياء الدقيقة. لذا، نقدم لكم DALMA، إطارًا إحصائيًا لتعلم التمثيل الذي يقوم بنمذجة التغيرات المرتبطة بالاكتساب والإشراف البيولوجي لاستنباط تمثيلات بيولوجية مرتبة.

يجمع DALMA بين إعادة بناء خاصة بالمجال مع تعلم تمثيل موجه بيولوجيًا، مما يمكّن من تعلم تمثيلات قابلة للنقل تعمق عبر مراكز طبية متنوعة دون الحاجة إلى مكونات محددة للمؤسسة في وقت الاستدلال، مما يسهل الانتشار الفوري في مواقع جديدة وغير مألوفة.

قمنا بتقييم DALMA على مجموعة بيانات متعددة المراكز تضم سبعة مجموعات بيانات من ثلاثة بلدان. حقق DALMA نتائج متفوقة في التعرف على الميكروبات عبر مركزين سريريين، كما أن التمثيلات المشغلة قادرة على التنبؤ بمقاومة المضادات الحيوية بشكل فعال. علاوة على ذلك، توفر تقديرات فراغ اللاتنت (Latent Space) ميزة موثوقة للتنبؤ الانتقائي في ظل التغيرات غير المألوفة في المجال. تُظهر هذه النتائج أن تعلم التمثيل المستند إلى الأحياء يوفر استراتيجية فعالة لتطبيقات تعلم الآلة القابلة للنقل والمستقرة في علم الأحياء الدقيقة السريري.