כיצד AI מסייע למדענים לעצב את הדור הבא של התרופות
הניתוח המעמיק של MIT Technology Review חושף כיצד בינה מלאכותית משנה את תהליך גילוי התרופות — מחיזוי מבנה חלבונים ועד ניסויים קליניים.
AI בגילוי תרופות: כיצד בינה מלאכותית מעצבת מחדש את עתיד הרפואה
יצירת תרופה חדשה היא אחד האתגרים המדעיים המורכבים והיקרים ביותר. בממוצע, פיתוח תרופה אחת דורש 10–15 שנים ומיליארדי דולרים — ובכל זאת, רוב המועמדות אינן מגיעות אי פעם למטופלים. הקושי גדול במיוחד בתרופות ביולוגיות — טיפולים מבוססי חלבונים המשמשים לטיפול במחלות חיסוניות ואונקולוגיות. בתחום זה דווקא עושה הבינה המלאכותית מהפכה של ממש.
הניתוח של MIT Technology Review, שהוכן בשיתוף מדעני AstraZeneca, מראה כיצד AI משנה את תהליך גילוי התרופות — מחיזוי מבנה חלבונים ועד מערכות מעבדה אוטונומיות. על פי הערכת McKinsey, בינה מלאכותית גנרטיבית וכלים חישוביים אחרים יכולים לקצר את זמן גילוי התרופות בעד 50%, מה שמשמעותו חיסכון של עשרות מיליארדי דולרים לתעשיית התרופות, וחשוב מכך — הגדלת סיכויי ההישרדות של מטופלים.
פריצת הדרך של AlphaFold: מחיזוי מבנה לעיצוב חלבונים
אחת מפריצות הדרך הגדולות ביותר של AI בגילוי תרופות הייתה AlphaFold של DeepMind — תוכנית שפתרה את בעיית חיזוי המבנה התלת-ממדי של חלבונים. בעיה זו נחשבה במשך 50 שנה לאחד האתגרים הקשים ביותר בביולוגיה. AlphaFold לא רק האיץ את המחקר, אלא יצר את הבסיס עליו נשען היום עיצוב תרופות מבוסס AI.
לאחר AlphaFold צץ דור חדש של מודלים — RFdiffusion, ProteinMPNN ומודלי דיפוזיה אחרים שיוצרים מבני חלבון חדשים לחלוטין. משמעות הדבר היא שמדענים יכולים לא רק לנתח חלבונים קיימים, אלא גם לתכנן חלבונים חדשים לגמרי המכוונים למחלות ספציפיות.
כבר היום, חוקרים השתמשו במודלים אלה ליצירת חלבונים הנקשרים בזיקה גבוהה למטרות ספציפיות, תכננו שלדי חלבון יציבים למשלוח תרופות ויצרו אנזימים לשימוש תעשייתי. הפער בין חיזוי חישובי לאימות ניסיוני הולך ומצטמצם במהירות, מה שמעיד על כך שעיצוב תרופות מבוסס AI מלא הופך למציאות.
לולאת Build-Measure-Learn: שילוב AI בתהליכי מעבדה
הגישה של AstraZeneca, כפי שמתואר במאמר MIT Technology Review, מבוססת על מחזור build-measure-learn (בנה-מדוד-למד). AI מייצר או מדרג מולקולות מועמדות בשיטות חישוביות, חוזה איזה עיצוב הוא המבטיח ביותר, ואז המדענים ממקדים משאבי מעבדה רק במועמדים הטובים ביותר.
"כל מה שאנחנו עושים — עיצוב, יצירה, בדיקה או ניתוח — מחוזק כעת חישובית," אומרת פוג'ה סאפרה, סגנית נשיא בכירה ל-R&D הנדסה ביולוגית ב-AstraZeneca. "זמני המחזור מתקצרים בעוד שהפרודוקטיביות והחדשנות גדלות."
גישה זו יוצרת לולאת משוב הדוקה יותר, פחות כיוונים ללא מוצא, איטרציה מהירה יותר ויכולת להגיע למטרות מחלה שנחשבו בעבר לבלתי אפשריות לטיפול.
עיצוב תרופות ביולוגיות רב-מטרתיות: פגיעה במספר מטרות בו-זמנית
תרופות ביולוגיות מסורתיות פועלות בדרך כלל על מנגנון מחלה אחד. עם זאת, הדור הבא של התרופות יוכל להשפיע בו-זמנית על מספר מטרות או לספק רכיבים טיפוליים בדיוק לתאים ספציפיים. ניהול מורכבות כזו חורג מיכולת אנושית — נדרש אופטימיזציה בו-זמנית של אלפי משתנים. כאן נכנס AI לתמונה.
מודלי AI מסייעים לקבוע אילו שתיים או שלוש מטרות צריכות להיות בעדיפות, ואז מבצעים אופטימיזציה של פרמטרים רבים — יעילות המולקולה, יציבות, אפשרות ייצור ובטיחות.
"טיפול במטרות בלתי מנוצחות הופך למציאות," קובעת סאפרה. "הטכנולוגיות הללו יאפשרו לנו בסופו של דבר לפתח תרופות נגד מטרות שנחשבו בעבר לבלתי מושגות."
יתרון הנתונים: מדוע נתונים ביולוגיים איכותיים חשובים
כל מודל AI טוב רק כפי שטובים נתוני האימון שלו. בגילוי תרופות, משמעות הדבר היא זמינות של כמות גדולה של נתונים ביולוגיים איכותיים. מאגרי הנתונים של AstraZeneca כוללים מבנים מולקולריים, מדידות קישור, פרופילי בטיחות ותוצאות ייצור.
"נתונים הם המבדל שלנו," מסבירה סאפרה. "בנינו תיק מגוון בכוונה תחילה על פני תחומי מחלות רבים. נתונים אלה מאפשרים לנו לכוונן מודלי AI מתקדמים עם מערכי אימון עשירים ומייצגים יותר."
חשוב לציין, כל ניסוי — מוצלח או כושל — מייצר אות לגבי מה שעובד ומה לא. נתונים אלה מזינים את מודלי AI ומשפרים אותם ללא הרף.
המעבדה האוטונומית: AI + רובוטיקה כמערכת גילוי בלולאה סגורה
AstraZeneca בונה "מעבדת העתיד" בקיימברידג', מסצ'וסטס, שם AI ואוטומציה רובוטית יוצרים מחזור רציף וסגור לגילוי תרופות. "כפי שמכונית אוטונומית משתמשת בחיישנים ומודלים כדי לנווט בסביבתה, מערכת זו משתמשת ב-AI לחיזויים, במערכות רובוטיות לביצוע ניסויים ובכלים ליצירת נתונים," מסבירה סאפרה.
הנתונים חוזרים ישירות למודלים, ומאיצים כל מחזור עוקב. בסופו של דבר, מערכות אוטומטיות בתפוקה גבוהה יוכלו להעריך אלפי אינטראקציות מולקולריות בשבוע — קנה מידה בלתי מושג בשיטות מסורתיות.
עיצוב De Novo: תרופות שנוצרו על ידי AI מאפס
החזון הסופי — יצירת רצפי חלבון חדשים לגמרי על ידי AI התואמים בדיוק לתכונות טיפוליות רצויות. זה כולל עיצוב מבנה, חיזוי בטיחות, מידול התנהגות בגוף והערכת אפשרות ייצור.
"התחום מתקדם משמעותית לעבר תרופה ביולוגית שנוצרה כולה על ידי AI, מעוצבת מההתחלה ועד הסוף — מאפס ועד מועמד קליני," אומרת סאפרה. "אני מאמינה שזה יקרה. זה עניין של זמן."
עם זאת, הדרך מורכבת. אחת הבעיות הקשות בעיצוב de novo היא חיזוי האם מולקולה שנוצרה חישובית תהיה בטוחה בגוף האדם. AstraZeneca פותרת בעיה זו באמצעות ניסויים קליניים וירטואליים — מערכות תאיות מתקדמות ומודלים של מיקרו-איברים שעובדים יחד עם AI.
אדם + AI: עתיד שיתוף הפעולה
למרות כל ההישגים הטכנולוגיים, מדענים נשארים במרכז התהליך. "אפילו במערכות אוטונומיות, פיקוח אנושי נשאר בלב הגישה הזו — להבטחת AI אתי ומוסבר לטובת המטופלים," מדגישה סאפרה.
מהנדסים יוצרים מערכות הפועלות כ"שותפי חשיבה" ולא כ"קופסאות שחורות". זה כולל מיזוג נתונים מולטי-מודליים, אופטימיזציה בלולאה סגורה, הערכה כמותית של אי-ודאות ויכולת פרשנות ברמת החלטות קליניות.
היום, AI הוא כבר לא רק כלי — הוא חלק יסודי מתשתית גילוי התרופות. כפי שמראה הניתוח של MIT Technology Review, השינוי בצומת של AI וביולוגיה ישנה את פני הרפואה כפי שלא קרה מעולם — וזוהי רק ההתחלה.