چگونه DNA محیطی در حال دگرگون‌سازی پایش حیات وحش است

در یک جویبار مریلند که زیستگاه صدف کوتوله گوه ای شناخته می‌شود، یک زیست‌شناس میدانی دیگر نیازی به زیر و رو کردن سنگ‌ها یا استفاده از تور برای تأیید حضور این گونه در معرض خطر ندارد. در عوض، او تنها یک لیتر آب جمع‌آوری می‌کند، آن را از یک فیلتر ۰.۲۲ میکرونی عبور می‌دهد و ذرات به دام افتاده را برای آزمایش به آزمایشگاه می‌فرستد. این آب حاوی بقایای سلولی میکروسکوپی است—سلول‌های پوست ریخته شده، مخاط و فضولات—که امضای ژنتیکی منحصر به فرد هر ارگانیسمی را که اخیراً از آنجا عبور کرده، حمل می‌کند. با استخراج و توالی‌یابی این DNA محیطی (eDNA)، حافظان محیط زیست می‌توانند پراکندگی صدف را بدون تماس فیزیکی با نمونه زنده ترسیم کنند.[1][4]

این سازوکار متکی بر دفع بیولوژیکی مداومی است که در تمام موجودات زنده ذاتی است. هنگامی که ماهی‌ها، دوزیستان و بی‌مهرگان در یک اکوسیستم آبی حرکت می‌کنند، سوسپانسیونی از مواد ژنتیکی از خود به جا می‌گذارند. در محیط‌های خشکی، این مواد در خاک یا روی گلبرگ‌ها ته‌نشین می‌شوند؛ در رودخانه‌ها و اقیانوس‌ها، در ستون آب شناور می‌مانند. جداسازی این قطعات به محققان اجازه می‌دهد تا گونه‌ها را حتی در فراوانی‌های بسیار کم شناسایی کنند، که اساساً نحوه انجام موجودی‌برداری حیات وحش را تغییر می‌دهد.[1]

از نظر تاریخی، شناسایی تنوع زیستی آبزی نیازمند صید فیزیکی ارگانیسم‌ها بود. تیم‌های میدانی از ماهیگیری الکتریکی، تله‌گذاری و بررسی‌های بصری استفاده می‌کردند—روش‌هایی که کار فشرده، گران و برای حیوانات درگیر استرس‌زا هستند. برای گونه‌های در معرض خطر، عمل پایش می‌تواند ناخواسته آسیب ایجاد کند. DNA محیطی به طور کامل این تعامل فیزیکی را دور می‌زند و تمرکز را از گرفتن حیوان به گرفتن رد ژنتیکی آن تغییر می‌دهد.[4]

هنگامی که یک نمونه محیطی به آزمایشگاه می‌رسد، تکنسین‌ها معمولاً از واکنش زنجیره‌ای پلیمراز کمی (qPCR) برای جستجوی اهداف خاص استفاده می‌کنند. در تجزیه و تحلیل qPCR، محققان به دنبال رشته‌های کوتاهی از DNA با توالی جفت‌باز منحصر به فرد برای گونه مورد نظر می‌گردند، که اغلب در ژنوم میتوکندریایی قرار دارند. اگر DNA هدف وجود داشته باشد، واکنش آن را تا سطوح قابل تشخیص تقویت می‌کند و تأیید می‌کند که گونه اخیراً در آن زیستگاه حضور داشته است.[1]

با این حال، توسعه این آزمون‌های آزمایشگاهی هدفمند، که به عنوان سنجش (Assays) شناخته می‌شوند، یک گلوگاه فنی مهم ایجاد می‌کند. برای اطمینان از اینکه یک سنجش فقط گونه مورد نظر را شناسایی می‌کند، دانشمندان باید تأیید کنند که با DNA ارگانیسم‌های مرتبط نزدیک که در همان حوزه آبریز مشترک هستند، تداخل یا تقویت متقابل ایجاد نمی‌کند. به طور سنتی، این امر مستلزم تهیه نمونه‌های بافت فیزیکی از ده‌ها یا صدها گونه غیرهدف و انجام آزمایش‌های آزمایشگاهی گسترده در شرایط برون‌تنی (in vitro) بود.[2]

مرکز ملی ژنومیک برای حفاظت از حیات وحش و ماهی در مستندات خود اشاره می‌کند: «برای اطمینان از ویژگی سنجش، متخصصان eDNA معمولاً توالی‌های تمام تاکسون‌های مرتبط نزدیک را ارزیابی می‌کنند. هر تاکسونی که در آزمایش‌های رایانه‌ای در شرایط درون‌رایانه‌ای (in silico) به اندازه کافی 'متفاوت' تشخیص داده نشود، باید تحت آزمایش‌های آزمایشگاهی زمان‌بر و منابع‌بر قرار گیرد.»[3]

برای دور زدن این گلوگاه، محققان eDNAssay را توسعه دادند، ابزاری مبتنی بر یادگیری ماشین که در سال ۲۰۲۲ منتشر شد و عملکرد یک سنجش را بدون نیاز به آزمایش‌های بافت فیزیکی پیش‌بینی می‌کند. این مدل که بر اساس داده‌های تجربی دو شیمی واکنش رایج—رنگ واسط SYBR Green و پروب‌های TaqMan MGB—آموزش دیده است، عدم تطابق جفت‌بازها را برای تعیین ویژگی ارزیابی می‌کند.[2][3]

عملکرد مدل پیش‌بینی‌کننده نشان‌دهنده یک جهش در توسعه سنجش است. در آزمایش‌های اعتبارسنجی، مدل کامل سنجش TaqMan به دقت ۹۶.۵ درصد در یک اندازه نمونه ۱۴۴ واکنش دست یافت، در حالی که مدل فقط پرایمر به دقت ۹۲.۴ درصد در ۱۱۹ واکنش رسید. با پیش‌بینی قابل اعتماد تقویت متقابل در شرایط درون‌رایانه‌ای، این ابزار به آزمایشگاه‌ها اجازه می‌دهد تا از آزمایش فیزیکی صدها گونه غیرهدف صرف نظر کنند.[2]

سازمان جنگل‌داری وزارت کشاورزی ایالات متحده (USDA Forest Service) و شرکای آن قبلاً این چارچوب را در مقیاس وسیع به کار گرفته‌اند. محققان این ابزار را در ۴۶ سنجش متمایز که گونه‌های مهاجم را هدف قرار می‌دهند—شامل دوزیستان، سخت‌پوستان، ماهی‌ها، پستانداران، نرم‌تنان، گیاهان و خزندگان—آزمایش کردند. در برابر تمام گونه‌های مرتبط نزدیک در قاره ایالات متحده، این سیستم در مجموع ۴۲۰۶ پیش‌بینی تولید کرد که در صورت جفت شدن با آزمایش‌های آزمایشگاهی بعدی، ۹۶ درصد دقیق بودند.[2][4]

پیامدهای مالی و زمانی این دقت قابل توجه است. دور زدن نیاز به مکان‌یابی، تهیه و آزمایش بافت فیزیکی برای هر گونه غیرهدف مرتبط نزدیک، صدها هزار دلار صرفه‌جویی می‌کند و سال‌ها از جدول زمانی توسعه برای بررسی‌های eDNA در مقیاس بزرگ می‌کاهد.[4]

فراتر از qPCR تک‌گونه‌ای، این حوزه به سرعت به سمت متال‌بارکدینگ (Metabarcoding) پیش می‌رود. به جای پرسیدن اینکه آیا یک ارگانیسم خاص وجود دارد، متال‌بارکدینگ تمام eDNA موجود در یک نمونه را به طور همزمان توالی‌یابی می‌کند و نتایج را با پایگاه‌های داده ژنتیکی جهانی مقایسه می‌کند تا یک فهرست جامع از گونه‌ها تولید کند. این رویکرد به یک نمونه آب اجازه می‌دهد تا حضور ده‌ها گونه را به طور همزمان آشکار سازد.[1]

سازمان پارک‌های ملی از این تکنیک‌ها در مناظر دورافتاده آلاسکا، جایی که بررسی‌های سنتی از نظر لجستیکی ممنوع هستند، استفاده کرده است. با استفاده از eDNA، محققان ۳۷ گونه ماهی آب شیرین و مهاجر را ردیابی می‌کنند و هم جمعیت‌های بومی و هم ورود احتمالی گونه‌های مهاجم آبزی را پایش می‌کنند.[4]

تشخیص زودهنگام گونه‌های مهاجم یکی از حیاتی‌ترین کاربردهای این فناوری است. در ایالات متحده، گونه‌های مهاجم سالانه حدود ۱۰۰ میلیارد دلار خسارت اقتصادی و زیست‌محیطی ایجاد می‌کنند. با تشخیص ردهای ژنتیکی کپور مهاجم یا مارهای درختی قهوه‌ای قبل از اینکه جمعیت آن‌ها تثبیت شده و قابل مشاهده شود، مدیران حیات وحش می‌توانند تلاش‌های ریشه‌کنی هدفمند را در حالی که تهاجم هنوز قابل کنترل است، به کار گیرند.[1][4]

با وجود حساسیت بالا، DNA محیطی محدودیت‌های مشخصی دارد. یک تشخیص مثبت تأیید می‌کند که گونه اخیراً حضور داشته است، اما به راحتی نمی‌تواند تعداد افراد، ساختار سنی، نسبت جنسی یا سلامت کلی آن‌ها را آشکار سازد. علاوه بر این، eDNA به مرور زمان به دلیل تابش فرابنفش، نوسانات دما و فعالیت میکروبی تجزیه می‌شود، به این معنی که پایداری آن در ستون آب بر اساس شرایط محلی بسیار متفاوت است.[1][4]

مرز بعدی شامل انتقال آزمایشگاه مستقیماً به زیستگاه است. مهندسان در حال حاضر در حال توسعه نمونه‌برداران خودکار eDNA و سنجش‌های نقطه‌ای استفاده هستند که می‌توانند آب را فیلتر کرده و آزمایش‌های ژنتیکی را در میدان انجام دهند و نتایج را در زمان واقعی منتقل کنند. با بلوغ این ابزارها، وابستگی به صید فیزیکی همچنان کاهش می‌یابد و آب خود به یک دفتر کل به‌روزرسانی مداوم از اکوسیستمی که پشتیبانی می‌کند، تبدیل می‌شود.[4]