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

Clear Sky Science · he

ConvAHKG: גרף ידע היברידי מבוסס-פעולה עם גישה מקונולציית ערוץ-כפול לשימושים מחודשים של תרופות

· חזרה לאינדקס

מוצאים שימושים חדשים לתרופות ישנות

הבאת תרופה חדשה לחלוטין לשוק יכולה להימשך יותר מעשור ולעלות מיליארדי דולרים, ורבים מהמועמדים נכשלים בדרך. מחקר זה חוקר קיצורי דרך חכמים יותר: שימוש בנתונים ובינה מלאכותית כדי לגלות מחלות חדשות שתרופות קיימות ואושרו כבר עלולות לטפל בהן בבטחה. החוקרים מציגים מסגרת שנקראת ConvAHKG, שמשלבת סוגים רבים של מידע ביomedicalי למפה מחוברת אחת ואז משתמשת ברשת עצבית מודרנית כדי לזהות התאמות מבטיחות בין תרופה ומחלה — מציעה נתיב מהיר וזול יותר לטיפולים חדשים.

מפה עשירה של יחסי גומלין בין תרופות ומחלות

בלב העבודה עומד "גרף ידע היברידי", מפת ענק שמחברת תרופות, מחלות, חלבונים, תופעות לוואי, מבנים כימיים ונתיבים ביולוגיים. במקום לאחסן רק קישורים פשוטים של כן–לא (למשל, "תרופה A מטפלת במחלה B"), המפה מתעדת כיצד תרופה משפיעה על חלבון — האם היא מפעילה, מעכבת או נקשרת אליו — וכיצד חלבונים מעורבים במחלות, כגון שימשו כסמנים ביולוגיים או משתנים בפעילותם. הגרף מכיל יותר מ‑11,000 ישויות ו‑59 סוגי יחסים, כולל מידע מפורט על סיווגי תרופות, תופעות לוואי, קשרי חלבון‑חלבון ותת‑מבנים כימיים. על ידי לכידת השכבות הרבות האלה של הקשר, הגרף יכול לשקף יותר מהמורכבות הביולוגית האמיתית שמאחורי השפעות טיפוליות ותופעות לוואי.

Figure 1
Figure 1.

מלמדים את המחשב את שפת הביולוגיה

כדי להפוך את המפה המורכבת הזאת לשמישה ללמידת מכונה, הצוות ממיר כל חיבור בגרף ל"משפט" פשוט בת שלושה חלקים: ראש (כמו מחלה), יחס (כמו סמן ביולוגי) וזנב (כמו חלבון). לאחר מכן הם מיישמים Word2Vec, שיטה שפותחה במקור לעיבוד שפה טבעית, כדי ללמוד הִטמעות מספרית לכל תרופה, מחלה וחלבון. פריטים שמופיעים לעתים קרובות יחד ב"משפטים" הללו מתקרבים זה לזה במרחב המתמטי הזה, בדומה למילים שממשיכות משמעות דומה בטקסט. גישה זו פשוטה ומהירה בהרבה מאשר טכניקות הטמעה ייעודיות לגרפים, ועדיין לוכדת דפוסים עדינים. במבחנים מול מספר שיטות הפצה בגרפים פופולריות, Word2Vec השווה או עלה על כוח החיזוי שלהן תוך שימוש בזמן חישוב נמוך משמעותית.

נתיב עצבי כפול להחלטות כן/לא לגבי טיפול

לאחר שכל תרופה ומחלה מתורגמות לווקטור מספרי, ConvAHKG מזין אותן לרשת עצבית מקונולוציה חד־ממדית עם שני ערוצים. ערוץ אחד מעבד את וקטור התרופה והערוץ השני מעבד את וקטור המחלה באמצעות רצף מסנני קונולוציה שמאתרים דפוסים מקומיים ומוטיבים רחבים יותר, בהשראת עיצובים מתחום זיהוי תמונה כגון InceptionNet ו‑AlexNet. לאחר עיבוד נפרד זה, שני הזרמים מאוחדים ומועברים דרך מספר שכבות Fully Connected שמייצרות פלט יחיד — האם זוג התרופה‑מחלה הזה מהווה טיפול סביר, או יותר סיכון של תופעת לוואי מזיקה? כדי להתמודד עם העובדה שזוגות חיוביים ידועים נדירים בהרבה מהשליליים, החוקרים מציעים פונקציית אובדן משוקללת שמענישה יותר החמצות של טיפולים אמתיים, ומשפרת את הביצועים במקרים הקשים הללו.

Figure 2
Figure 2.

מתעלים על שיטות קיימות ומאתרים מועמדי סרטן

החוקרים בודקים את המסגרת שלהם בקפדנות מול מספר כלים מתקדמים לשימוש מחודש בתרופות שמשתמשים בפקטוריזציה מטריצתית, רשתות גרף עצביות ואוטואנקודרים עמוקים. ConvAHKG משיג שטח מתחת לעקומת ROC של 0.9836 ושטח מתחת לעקומת דיוק‑זכירה של 0.9686, ומעליב את כל הגישות המתחרות על אותו מערך נתונים תקני. לאחר מכן הם מיישמים את המודל על סרטן הריאה שאינו‑תאי קטן, הצורה השכיחה והקטלנית ביותר של סרטן הריאה ברחבי העולם. ConvAHKG מדגיש מספר תרופות שלא סומנו קודם כטיפולים למחלה זו, כולל הנוגדן trastuzumab, שמטרתו את החלבון HER2 וכבר יש לו ראיות קליניות תומכות בסרטן ריאה, כמו גם סוכנים ביולוגיים אחרים ואף האנטיביוטיקה הקלאסית בנזילפניצילין. סימולציות דוקינג מצביעות על כך שבנזילפניצילין עשוי להיקשר בחוזקה לדנ״א ולטופואיזומראז II אלפא, אנזים שלעתים קרובות מוגבר בגידולים אלה, מה שמרמז על מנגנון אנטי‑סרטני אפשרי שעתיד לחייב בדיקות מעבדה.

מדוע זה חשוב עבור מטופלים

במילים פשוטות, ConvAHKG פועל כמתווך עם ידע רב בין תרופות קיימות ומחלות, תוך שימוש במפה מפורטת של פעולות ביולוגיות ומנוע זיהוי דפוסים חזק כדי לחזות אילו תרופות ישנות עשויות לעבוד בהקשרים חדשים. על‑ידי התייחסות לתרופות שנבדקו ובטוחות כבלוקים שניתנים לשימוש חוזר במקום ככלים יחידניים, מסגרת זו יכולה לזרז את גילוי הטיפולים למצבים כגון סרטן הריאות, במיוחד במקרים שבהם פיתוח תרופות קונבנציונלי איטי או יקר מדי. אף שהתחזיות עדיין דורשות אימות ניסויי וקליני קפדני, המחקר מראה ששילוב ידע ביולוגי עשיר עם AI מודרנית יכול לצמצם באופן משמעותי את חלל החיפוש ולהביא טיפולים פוטנציאליים שיכולים להציל חיים אל המטרות מהר יותר.

ציטוט: Khodadadi AghGhaleh, M., Abedian, R., Zarghami, R. et al. ConvAHKG: Action-based hybrid knowledge graph with a dual-channel convolutional approach for drug repurposing. Sci Rep 16, 7592 (2026). https://doi.org/10.1038/s41598-026-38656-8

מילות מפתח: שימוש מחודש בתרופות, גרף ידע, למידה עמוקה, סרטן ריאות, גילוי תרופות