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

Clear Sky Science · he

כרייה ב‑DrugBank באמצעות למידת מכונה חושפת מועמדים חדשים לעיכוב BCL-2

· חזרה לאינדקס

מדוע חשוב למצוא תרופות חכמות יותר נגד סרטן

תאי סרטן לעיתים קרובות מסרבים למות כשהם אמורים. גידולים רבים שורדים על‑ידי ניצול יתר של משפחת חלבונים ״שומרי ראש״ הנקראת BCL-2, החוסמת את מנגנון ההתאבדות הטבעי של התא. קיימות תרופות שמכוונות ל‑BCL-2, אך הן עלולות לגרום לתופעות לוואי ואינן יעילות אצל כל המטופלים. במחקר זה נבדק כיצד למידת מכונה מודרנית יכולה למסנן אלפי תרופות קיימות כדי לזהות מועמדים חדשים ובטוחים יותר שעשויים לנטרל את BCL-2 ולעזור לתאי הסרטן לבצע אפופטוזה.

כיצד תאים בוחרים בין חיים למוות

רקמות בריאות מסלקות באופן קבוע תאים פגומים או מיותרים באמצעות תהליך מאורגן של התאבדות עצמית הידוע כאפופטוזה, או מוות תאי מתוכנת. קבוצת חלבונים שנקראת משפחת BCL-2 פועלת כמתג מרכזי לקבלת ההחלטה הזו. חלק מהחברים דוחפים את התא לעבר הישרדות, בעוד אחרים דוחפים אותו לעבר מוות. ברבים מן הסרטנים, החלבונים המקדמים הישרדות, כולל BCL-2 ובעלו הקרוב BCL-XL, מיוצרים בכמויות עודפות. ההגנה העודפת הזו מאפשרת לתאי הסרטן להתעלם מאיתותי המוות ולהיות עמידים לכימותרפיה. לכן חסימת BCL-2 הפכה לאסטרטגיה אטרקטיבית בטיפול בסרטן, אך תרופות נוכחיות לעיתים פוגעות גם בחלבונים קרובים, מה שמוביל לתופעות לוואי כמו ירידה מסוכנת בספירת טסיות.

מלמדים מחשבים לזהות מולקולות מבטיחות

במקום לחפש תרכובות חדשות מאפס, החוקרים פנו למסדי נתונים של מולקולות שכבר נחקרו או שימשו כתרופות. הם התחילו עם מאגר ציבורי גדול בשם ChEMBL, המכיל מדידות ניסיוניות של כמה חזק חומרים שונים נקשרים ל‑BCL-2. לאחר ניקוי זהיר של המידע — הסרת כפילויות, מדידות לא ודאיות ומולקולות גדולות או חריגות מדי — נשארו 601 תרכובות המאופיינות היטב. כל מולקולה תורגמה לסוג של טביעת אצבע דיגיטלית הלוכדת את התכונות המבניות שלה. טביעות האצבע הללו שימשו לאימון והשוואת שבעה מודלים שונים של למידת מכונה במשימה של קביעה האם מולקולה חדשה סביר שתהיה מעכבת חזקה של BCL-2 או בלתי פעילות בעיקרה.

Figure 1
Figure 1.

בחירת המודל הטוב וסריקה של ספריית תרופות

הצוות העריך את המודלים באמצעות סט בדיקה נפרד שלא הוצג במהלך האימון, ובדק לא רק כמה פעמים כל מודל צדק, אלא גם כמה טוב הוא מבחין בין פעילים ללא־פעילים וכמה מאוזנות התחזיות שלו. מודל בשם LightGBM — שיטה מודרנית מבוססת חיזוק עצים — הציג את הביצועים הטובים ביותר ברוב המדדים, כולל דיוק כללי והיכולת להקצות הסתברויות מהימנות. עם מודל מכוּנן זה, החוקרים פנו ל‑DrugBank, אוסף מסודר של יותר מ‑12,000 תרופות מאושרות, ניסיוניות וממודרות. לאחר חישוב אותו סוג של טביעות אצבע, הם שאלו את LightGBM אילו מהמולקולות האלה נראות כמועמדות פוטנציאליות למעכבי BCL-2. רק תשע תרכובות קיבלו ציון גבוה, בערך עשירית האחוז העליון של כל הספרייה, מה שמראה שהסקר הווירטואלי היה בררני מאוד. ארבע מתוך התשע כבר היו ידועות כמעכבי BCL-2, מה שהבטיח לצוות שהגישה תקפה.

ממתאים ממוחשב לאינטראקציות מולקולריות

בין המולקולות הנותרות שקיבלו ציונים גבוהים, החוקרים התמקדו בשלוש שלא היו מקושרות בעבר ל‑BCL-2: דרסלאזין, אופלקונאזול וזונגרטיניב. כדי לבדוק האם מועמדים אלה עשויים באופן סביר להתמקם בכיס הקשירה של BCL-2, הם השתמשו בדוקינג ממוחשב, טכניקה החוזה כיצד מולקולה קטנה עשויה להשתקע במשטח החלבון. הסימולציות הציגו שאופלקונאזול וזונגרטיניב, במיוחד, יוצרים רשתות של מגעים מיטביים עם אותם חומצות אמינו מרכזיות שמחזיקות את התרופה המתייחסת היטב ABT-737. חוזק הקשירה החזוי שלהם היה קרוב לזה של מעכבים מבוססים, מה שמרמז כי מודל למידת המכונה אכן חשף מולקולות שיכולות לנטרל את BCL-2.

Figure 2
Figure 2.

מבחן ניבויים במעבדה

רמזים חישוביים מועילים רק אם הם מתקבלים גם במציאות. לכן הצוות בדק את שלושת המועמדים במבחן ביוכימי שמודד עד כמה תרכובת יכולה למנוע מ‑BCL-2 להיקשר לאחד השותפים הטבעיים שלו. בטווח ריכוזים, דרסלאזין הראה מעט השפעה. אופלקונאזול וזונגרטיניב, לעומת זאת, שניהם הפחיתו את פעילות BCL-2 במעלי מנות גבוהות, כאשר אופלקונאזול כמעט כיבה את האות. אמנם ריכוזים אלה גבוהים יותר ממה שיהיה אידיאלי לתרופה מוכנה‑קלינית, הם מראים שהמועמדים אכן מתקשרים עם BCL-2 ומאמתים את צנרת הגילוי הכוללת.

מה משמעות הדבר עבור טיפולים עתידיים בסרטן

לקורא שאינו מומחה, המסר המרכזי הוא שהחוקרים הצליחו ללמד מערכת מחשב לזהות כיצד ״נראית״ מולקולה החוסמת BCL-2, ואז להשתמש בה כדי לחפש בספרייה גדולה של תרופות וחומרים דמויי‑תרופה קיימים. הגישה גילתה מחדש תרופות ידועות ל‑BCL-2 והדגישה מועמדים חדשים, שניים מהם הראו פעילות מעכבת אמיתית בניסויים במעבדה. למרות שעוד נדרשת עבודה רבה — שיפור כוח הפעולה, הבנת הביטחון ובדיקות בתאים ובחיות — המחקר ממחיש כיצד למידת מכונה וטיהור חכם של נתונים יכולים להאיץ את החיפוש אחרי תרופות סרטן טובות יותר על‑ידי מיחזור והערכה מחדש של תרכובות שאנחנו כבר מכירים.

ציטוט: Park, J., Cho, S., Lee, H. et al. DrugBank mining with machine learning reveals novel candidates for BCL-2 inhibition. Sci Rep 16, 5482 (2026). https://doi.org/10.1038/s41598-026-35117-0

מילות מפתח: מעכבי BCL-2, למידת מכונה, שימוש מחודש בתרופות, אפופטוזה, טיפול בסרטן