مع تزايد اعتماد الأبحاث الطبية الحيوية على أدوات تعتمد بشكل كبير على البيانات، أصبحت جودة وملاءمة مجموعات البيانات عاملاً محورياً. تواجه هذه الأبحاث تحديات متعددة مثل عدم التوازن، والتحيزات، والعقبات الأخلاقية أو القانونية التي قد تحد من الوصول إلى بيانات عالية الجودة. من هنا تبرز أهمية توليد البيانات الاصطناعية كأحد الحلول الفعالة لتجاوز هذه القيود.

في هذا السياق، نقدم تحليلًا مقارنًا لنماذج توليد البيانات النسخية (Transcriptomic Data)، واستراتيجيات دمج المعرفة البيولوجية السابقة من خلال الرسوم البيانية الجينية (Gene Graphs). يضمن هذا الدمج أن البيانات الاصطناعية تعكس أنماط الجينات الواقعية، مما يعزز فائدتها في المهام التالية.

نقدم أيضًا ثلاثة نماذج مختلفة تعتمد على الشبكات التنافسية (Generative Adversarial Networks)، حيث يتصدر نموذج MK-TGAN – المبني على شبكة عصبية رسومية متعددة النوى (Multi-kernel Graph Neural Network) – قائمة الأداء من حيث واقعية وفائدة البيانات الناتجة.

يتمتع MK-TGAN بميزة الاستفادة من الرسوم البيانية المعرفية السابقة، مما يُعزز من جودة البيانات الناتجة. تظهر نتائجنا أن استراتيجيات دمج المعرفة السابقة تُحسن الأداء، حيث ينتج MK-TGAN باستمرار عينات اصطناعية تتمتع بمستوى عالٍ من الواقعية والجدارة البيولوجية.