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

Clear Sky Science · he

פרופילי מולטיאומיקה מבוססי בינה מלאכותית חושפים תרומות אומיות משלימות לחיזוי מותאם אישית של מחלות לב וכלי דם

· חזרה לאינדקס

מדוע חשוב לחזות בעיות לב מוקדם יותר

מחלות לב ושבץ נשארות בין גורמי המוות המובילים בעולם, ולעתים פוגעות באנשים שנראים בריאים בלי התרעה. רופאים כבר משתמשים ברשימות בדיקה של גיל, לחץ דם, כולסטרול ועישון כדי להעריך סיכון, אך כלים אלה עלולים לפספס רבים מהחולים העתידיים ולהעריך יתר על המידה את הסיכון אצל אחרים. המחקר הזה שואל שאלה רלבנטית: אם נבחן לעומק את המולקולות הנעות בדם וננתח אותן באמצעות בינה מלאכותית, האם נוכל לזהות מחלת לב וכלי דם שנים לפני הופעתה — ולהתאים מניעה לכל אדם באופן אישי?

מביטים בתוך הדם לאיתותי אזהרה חבויים

החוקרים השתמשו ב-UK Biobank, פרויקט בריאות ענקי שעוקב אחרי מאות אלפי מתנדבים במשך שנים רבות. עבור קבוצת משנה של משתתפים אלה, מדענים מדדו בקפידה אלפי מולקולות בדגימות דם: מטבוליטים קטנים הקשורים בשומנים, סוכרים וחומצות אמינו, וחלבונים המעורבים בדלקת, קרישה ותהליכים גופניים אחרים. הצוות התמקד בשש מחלות קרדיווסקולריות עיקריות — מחלת עורקים כליליים, שבץ, אי־ספיקת לב, פרפור עליות, מחלת עורקים פריפרית ותסחיפים ורידיים — כדי לבדוק האם טביעות אצבע מולקולריות אלה יכולות לחזות מי יפתח איזו מחלה.

Figure 1
Figure 1.

מלמדים בינה מלאכותית לקרוא דפוסים מולקולריים

כדי לתמצת כ־3,000 חלבונים ו־168 מטבוליטים, המחברים בנו שני מודלים של למידה עמוקה, MetNet ו-ProNet. במקום לחזות מחלה בודדת בכל פעם, המודלים הללו למדו דפוסים הקשורים לשש התוצאות הקרדיווסקולריות ביחד. מנתוני המטבוליטים, MetNet הפיק ציון סיכון משולב בשם MetScore; מנתוני החלבונים, ProNet הפיק ProScore. כך קיבל כל אדם שש נקודות ציון לכל מערכת — אחת לכל סוג של מחלת לב וכלי דם — המסכמות מיליוני אינטראקציות מולקולריות אפשריות למספר מועט של ערכים שמשתמש במודל סטטיסטי סטנדרטי בצירוף גיל, לחץ דם, תרופות וסיכון גנטי.

כמה טובים יותר ציוני הסיכון המולקולריים?

כאשר הצוות בחן את הציונים בקבוצת אימות עצמאית של 24,287 איש שהיו להן כל סוגי הנתונים, גם MetScore וגם ProScore היו מנבאים חזקים בזכות עצמם, והבחינו בבירור בין משתתפים בקבוצות סיכון נמוך, בינוני וגבוה לאורך 15 שנות מעקב. ציוני החלבון נתנו את הביצועים הטובים ביותר, לעתים קרובות השיגו תוצאה עדיפה בהרבה מעד מדדי סיכון פוליגניים (מבוססי DNA) מסורתיים. הוספת ProScore ו-MetScore לגורמים הקליניים המקובלים שיפרה את דיוק חיזוי הסיכון עבור כל תוצאת לב וכלי דם שנבדקה, אפילו כאשר המודלים הבסיסיים היו מפורטים כבר. במקרים מסוימים, במיוחד למחלת עורקים פריפרית ופרפור עליות, השיפור בביצועים היה משמעותי, וניתוחי עקומת החלטה הצביעו על כך שרופאים יכולים לקבל החלטות מועילות יותר בנוגע למי צריך לקבל טיפול מונע.

Figure 2
Figure 2.

מה המולקולות מגלה על ביולוגיה של המחלה

מעבר לחיזוי, החוקרים בדקו אילו מולקולות ספציפיות היו המשפיעות ביותר במודלים בעזרת שיטת הסבר שנקראת SHAP. הם אישרו את חשיבותם של סמנים מוכרים כמו קריאטינין ואלבומין (המייצגים תפקוד כליה ומצב בריאותי כללי), וכן אותות דלקתיים כמו GlycA וחלבוני לחץ לב כמו NT-proBNP. בו בזמן, המודלים הדגישו חלבונים ומטבוליטים פחות מוכרים הקשורים בדלקת, קרישה, עיצוב כלי דם ואפילו פגיעה עצבית, עם דפוסים שחלקם משותפים וחלקם ספציפיים למחלה. מעניין שלא נמצאה מולקולה אחת שהשיגה את כוח הניבוי של MetScore או ProScore המשולבים, מה שמדגיש שסיכון קרדיווסקולרי נובע מהרבה שינויים עדינים הפועלים יחד ולא מאשמה יחידה בודדת.

מנתוני ענק לטיפול לב אישי יותר

המחקר מסכם ששילוב בין גנטיקה, פרופילים מולקולריים מפורטים של דם ומידע קליני שגרתי יכול לחדד באופן משמעותי את היכולת לזהות מי צפוי לפתח מחלות לב וכלי דם קשות, לעתים עשר שנים או יותר מראש. מדידות חלבונים, בפרט, נראות כספקות מידע עשיר ומעשי על לחץ ביולוגי מתמשך זמן רב לפני הופעת תסמינים. למרות שהמבחנים הנדרשים אינם עדיין נפוצים או זולים, העלויות יורדות, והמחברים פרסמו את שיטת CardiOmicScore שלהם ככלי אב טיפוס. עם אימות נוסף באוכלוסיות מגוונות יותר, פרופיילינג מולטיאומי מופעל בינה מלאכותית כזה עשוי לסייע לרופאים לעבור מרשימות בדיקה כלליות למניעה מותאמת במדויק — לזהות אנשים בסיכון מוקדם יותר, להתאים טיפולים לביולוגיה הבסיסית ואולי להפחית את העומס העולמי של מחלות לב וכלי דם.

ציטוט: Luo, Y., Zhang, N., Yang, J. et al. AI-based multiomics profiling reveals complementary omics contributions to personalized prediction of cardiovascular disease. Nat Commun 17, 2269 (2026). https://doi.org/10.1038/s41467-026-68956-6

מילות מפתח: חיזוי סיכון קרדיווסקולרי, פרוטאומיקה, מטבולומיקה, למידה עמוקה, סמנים ביולוגיים