שיפור תחזית הקשר בין תרופות ומחלות באמצעות אינטגרציה של נתונים מולטימודאליים ואיחוי תכונות גלובליות־מקומיות בהנחיית מסלולי־על

מדוע חשוב למצוא שימושים חדשים לתרופות קיימות

פיתוח תרופה חדשה מאפס הוא איטי, מסוכן ויקר מאוד. עם זאת, בבית המרקחת של היום יש תרופות רבות שעשויות גם לסייע בטיפול במחלות אחרות, אם רק נצליח לחשוף את השימושים הנוספים האלה. המחקר מציג את MedPathEx, גישה ממוחשבת שממיינת כמויות גדולות של נתונים ביו־רפואיים כדי לחזות אילו תרופות קיימות עשויות לעבוד על אילו מחלות, ובכך לזרז את החיפוש אחרי טיפולים חדשים ולנצל טוב יותר תרופות שכבר בידינו.

לאגד רמזים רבים במפה אחת גדולה

כלים קודמים להתאמת תרופות למחלות הסתמכו בדרך כלל על סוג מידע אחד בלבד — למשל, דמיון במבנה מולקולרי של תרופות, או קרבתן של שתי מחלות ברשומות רפואיות. MedPathEx מתחילה מהרעיון שאף רמז יחיד אינו מספק. החוקרים בונים "מפה" רחבה שמקשרת שלושה סוגי ישויות: תרופות, מחלות וגנים. מעל הקשרים האלה הם מציבים שכבות שונות של רמזים: איך בנוי המולקולה של התרופה, איך היא מסווגת טיפולי, אילו תופעות לוואי היא גורמת, איך מחלות מופיעות בחולים ובשפה הרפואית, ומה ידוע על תפקוד הגנים. על ידי שזירת כל המידע המולטימודאלי הזה לרשת הטרוגנית אחת, כל תרופה, מחלה וגֵן מתוארים באופן עשיר וריאלי יותר מאשר קודם.

לראות גם את השכונה וגם את כל העיר

בהתבוננות במפה כה ענקית, אתגר אחד הוא להחליט אילו דפוסים משמעותיים. MedPathEx מתמודדת עם זה על ידי שילוב שתי הסתכלויות משלימות על הרשת. ראשית, היא מתמקדת בשכונות מקומיות, עוקבת אחרי מסלולים קצרים ובעלי משמעות — למשל, תרופה → גן → מחלה — כדי ללכוד כיצד גנים ספציפיים עשויים לקשר בין תרופה למחלה. מסלולים תבניתיים אלה, הנקראים מסלולי־על, מדגישים קשרים עדינים. שנית, השיטה מתרחקת כדי לשקול את התמונה הגלובלית, ומאפשרת לכל צומת "להתמקד" (pay attention) ברבים אחרים ברחבי המפה. מבט תשומת־לב גלובלי זה קולט מגמות רחבות וקשרים רחוקי־טווח שיידרסו אם נעקוב רק אחרי מסלולים מקומיים.

מיזוג מבטים שונים לאות יחיד

כדי להפוך את תצפיות הרשת לניבויים, MedPathEx משתמשת בטכניקות מודרניות של רשתות עצביות כדי להמיר את המפה המורכבת לטביעות מספריות קומפקטיות עבור כל תרופה, מחלה וגן. חלק אחד של המודל לומד מתרשימים של דמיון שנבנו בתוך כל סוג (תרופה–תרופה, מחלה–מחלה, גן–גן). חלק אחר מתמקד בשכונות מסלולי־העל המקומיות, בעוד שחלק שלישי לוכד את המבנה הגלובלי של כל הרשת. המודל לומד לאחר מכן כמה משקל לתת לכל אחד ממקורות אלה וממזג אותם לייצוג משולב יחיד לכל צומת. כאשר המערכת משווה את טביעות האצבע המשולבות של תרופה מסוימת ומחלה מסוימת, היא מפיקה ציון שמשקף עד כמה סביר שהזוג קשור באמת בעולם האמיתי.

בדיקת ביצועים וחקירת מה שחשוב

החוקרים בחנו את MedPathEx באמצעות מאגרי נתונים ציבוריים שמסריטים מאות אלפי קישורים ידועים בין אלפי תרופות, מחלות וגנים. במבחן חציון־חמש קפדני (five‑fold cross‑validation), MedPathEx התעלה על מגוון גישות מתחרות, כולל שיטות קלאסיות של למידת מכונה וכמה מודלים גרפיים מתקדמים. מדדי דיוק כמו AUC, דיוק ממוצע וציון F1 היו כולם גבוהים יותר, מה שמראה שהשיטה מפרידה בצורה אמינה יותר בין זוגות תרופה–מחלה אמיתיים לבין זוגות שגויים. כאשר הסירו רכיבים אחד־אחרי־השני, הביצועים ירדו, במיוחד כאשר הוסרו או המבט המקומי של מסלולי־העל או מבט התשומת־לב הגלובלי, מה שמבליט ששתי הפרספקטיבות הן חיוניות. הניתוח גם הראה שפרטי מסלולי־העל המקומיים תורמים הכי הרבה, כאשר התכונות הגלובליות והדמיון מספקות השבחות חשובות.

דוגמאות מהעולם האמיתי במחלות לב וליתר לחץ דם

מעבר למספרים, המחברים בדקו האם ההצעות המדורגות בראש של MedPathEx לשתי תופעות שכיחות — מחלת עורק כלילית ויתר לחץ דם — תואמות את מה שידוע בספרות הרפואית. עבור כל מחלה, המערכת הציעה מספר תרופות, חלק מהן כבר בשימוש קליני לבעיות לב קשורות, מה שמקנה אמינות לשיטה. אחרות הן מועמדות פחות מיידיות אך בכל זאת בעלות קישורים ביולוגיים, למשל השפעה על דלקת, תפקוד כלי דם או הצטברות פלאק בעורקים. דיאגרמות רשת של תרופות, גנים ומחלות ממחישות כיצד תרופות אלה עשויות להשפיע על מסלולים הקשורים למחלה, ומצביעות על מנגנונים סבירים שניתן לחקור במעבדה או בניסויים קליניים.

מה המשמעות לזה עבור תרופות בעתיד

במילים פשוטות, MedPathEx מראה שכששולבים מקורות רבים של נתונים ביו־רפואיים ומתבוננים הן בדפוסים מקומיים והן בגלובליים בקשרים בין תרופות, גנים ומחלות, מחשבים יכולים לנחש טוב יותר אילו תרופות עשויות לסייע באילו מחלות. למרות שהכלי אינו מחליף ניסויים קליניים או בדיקות בעולם האמיתי, הוא יכול לצמצם את מרחב החיפוש האדיר ולהצביע על מועמדים מבטיחים — במיוחד עבור מחלות מורכבות כמו מחלות לב ויתר לחץ דם. ככל שיתווספו נתונים ביולוגיים מפורטים יותר וככל שהמודלים הללו יקבלו אימות נוסף, גישות כמו MedPathEx עלולות להפוך לשותפים חזקים במאמצים לשימוש חוזר בתרופות קיימות ולעיצוב אסטרטגיות טיפול יעילות יותר.

ציטוט: Wu, S., Wang, W., Jiao, H. et al. Enhanced drug disease association prediction through multimodal data integration and meta path guided global local feature fusion. Sci Rep 16, 11038 (2026). https://doi.org/10.1038/s41598-026-36223-9

מילות מפתח: איתור שימושים חדשים לתרופות קיימות, אסוציאציות בין תרופות ומחלות, רשתות הטרוגניות, רשתות עצביות גרפיות, גילוי תרופות חישובי