Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

בינה מלאכותית והתכנסות ניסויית: מסלול סינרגטי לגילוי מעכבי JAK2

· חזרה לאינדקס

מדוע זה חשוב עבור תרופות בעתיד

מגוון סרטן ומחלות אוטואימוניות מונעות על ידי חלבון איתות פעיל יתר הנקרא JAK2, שמתפקד כמו מתג תקול שנשאר דלוק בתוך התאים. מציאת תרופות בטוחות ומדויקות שמכבות את המתג הזה היא משימה קשה ויקרה בשיטות הכימיה המסורתיות המבוססות ניסיון וטעייה. המחקר הזה מראה כיצד שילוב בין בינה מלאכותית וניסויים במעבדה יכול להאיץ באופן דרמטי את החיפוש אחרי תרופות חדשות החוסמות JAK2, ובכך להוביל לטיפולים טובים יותר שיגיעו לחולים מהר יותר ובעלות נמוכה יותר.

Figure 1
Figure 1.

המתג התאי שעומד בבסיס הדלקת

JAK2 שייך למשפחה קטנה של אנזימים שעוזרים לתאים להגיב להודעות כימיות ממערכת החיסון ומרקמות היוצרות דם. כאשר אנזימים אלה מתקלקלים—לעיתים בגלל מוטציות ספציפיות ב‑DNA—התאים מקבלים אותות גדילה והישרדות מתמשכים. בבני אדם זה יכול להוביל לסרטני דם, דלקת כרונית ונזק למפרקים. כיום יש רופאים כמה תרופות שמטרתן JAK2, אך חלקן גורמות לתופעות לוואי או שאינן יעילות די הצורך. אתגר גדול הוא שהכיס הקשור בקשירת התרופות דומה מאוד בכל משפחת JAK, מה שמקשה לעצב תרופות שמדכאות דווקא את JAK2 מבלי לשבש את קרוביו.

ללמד את המחשבים לזהות מועמדי תרופות טובים

החוקרים התחילו במאות אלפי חומרים ידועים שכבר נבחנו לגבי יכולתם לעכב את JAK2. כל מולקולה הומרה לסוג של ברקוד דיגיטלי, שנקרא טביעת אצבע מולקולרית, שמצפינה את אבני הבניין והצורות שלה. מספר שיטות מודרניות של למידת מכונה אומנו על הטביעות האצבע הללו כדי ללמוד אילו תבניות נוטות לסמן מעכבים חזקים של JAK2 ואילו לא. מבין השיטות הללו, שיטה בשם CatBoost הוכיחה עצמה כטובה ביותר, ומיינה נכון בין מולקולות פעילות לבלתי פעילות בכ‑94 אחוזים בקירוב והציגה ביצועים מצוינים בבדיקות איכות שונות.

ממהלכים דיגיטליים לקשירה ברזולוציה אטומית

בעזרת המודל המאומן, הצוות הריץ אותו על אוסף לאומי ענק של כשלוש רבעי מיליון חומרים מבנק המידע הכימי הקוריאני. הבינה המלאכותית צמצמה תחילה את מאגר זה לכמה אלפי מועמדים סבירים לעיכוב JAK2. אלה נבדקו לאחר מכן בכלים ממוחשבים מפורטים יותר שמדמים כיצד מולקולות משנה יושבות בתוך הכיס התלת־ממדי של חלבון JAK2. חישובי דוקינג דירגו עד כמה כל מועמד מתאים באופן הדוק, בעוד שיטות אשכולות (clustering) הבטיחו שהבחירות הסופיות יהיו מגוונות מבחינה מבנית ולא המון העתקים קרובים של אותה רעיון.

Figure 2
Figure 2.

מבחן עמידות למולקולות המובילות

התרכובות בעלות הדירוג הגבוה נבדקו לעומק בעזרת סימולציות מבוססות פיזיקה שבהן החלבון והתרופה מתנועעים ומתעוותים במים וירטואליים לאורך זמן, דבר שגילה אילו נשארות יציבות במקומן. חישובי רמה קוונטית נוספים בחנו כיצד האלקטרונים מסודרים בתוך המולקולות, מה שמשפיע על תגובתיותן ויציבותן בעת קשירה ל‑JAK2. הצוות גם חזה כיצד כל מועמד יתנהג כתרופה: עד כמה הוא מומס בקלות, כמה טוב עשוי להיספג במעי, והאם סביר שיעבור למוח. תהליך הסינון הזה הדגיש קבוצה קטנה של תרכובות ששילבו קשירה חזקה ויציבה עם תכונות המתאימות לתרופה.

להעמיד את תחזיות ה‑AI למבחן

לבסוף סונתזו ונבדקו באופן ישיר ארבע מולקולות בולטות במבחן ביוכימי שמודד עד כמה הן חוסמות את פעילותו של JAK2. כל הארבע הראו עוצמה מרשימה, כאשר הריכוז הדרוש לקיצוץ הפעילות בחצי היה מתחת ל‑10 מיקרומולר, ואחת התרכובות עלתה על תרופה מאושרת כקנה מידה במבחן זה. התוצאות איששו כי צינורית העבודה המונחית על‑ידי ה‑AI לא היתה רק טובה בתחזיות תאורטיות, אלא אכן מספקת מועמדי תרופות רלוונטיים במציאות.

דרך מהירה יותר לטיפולים מותאמים

עבור לא‑מומחים, המסר המרכזי הוא שמערכות בינה מלאכותית שנבנות בקפידה יכולות כעת לחרוש מרחבי כימיה עצומים, לסמן מספר מועמדים מבטיחים שפועלים במעבדה יכולים לבדוק ולשכלל. במחקר זה הגישה ייצרה מעכבים חדשים ועוצמתיים של חלבון בעל חשיבות רפואית תוך חיסכון בזמן, במאמץ ובמשאבים. ככל ששותפויות בין בינה מלאכותית וניסויים יתפתחו, הן צפויות להאיץ את יצירתם של טיפולים מדויקים יותר למחלות מונעות‑JAK2 ובאופן רחב יותר לפתוח פתח לתרופות המותאמות טוב יותר לצורכי המטופלים.

ציטוט: Maryam, Cho, H., Pokhrel, A. et al. AI and experimental convergence: a synergistic pathway to JAK2 inhibitor discovery. Acta Pharmacol Sin 47, 1361–1373 (2026). https://doi.org/10.1038/s41401-025-01701-9

מילות מפתח: מעכבי JAK2, גילוי תרופות בעזרת למידת מכונה, טיפול המכוון קינאזות, סריקה וירטואלית, רפואה מותאמת אישית