הנדסה של תכונות מולטי-אומיקס מונעת על-ידי מודלי יסוד ביומדיציניים משפרת חיזוי תגובת תרופה לחולי דלקת מעי

מדוע המחקר הזה חשוב עבור המטופלים

אנשים עם דלקת מעי לעתים קרובות נתקלים בתהליך מתסכל של ניסוי וטעייה כשמתחילים תרופות חדשות. אותה תרופה יכולה להרגיע דלקת מעי קשה אצל אדם אחד ולעיתים כמעט לא להשפיע על אחר. מחקר זה בוחן כיצד מודלי בינה מלאכותית מודרניים וחזקים, שבמקור נבנו כדי להבין ביולוגיה בקנה מידה עצום, יכולים לשמש כדי לחלץ הרבה יותר תובנה ממערכי נתונים קטנים של מטופלים. המטרה פשוטה אך שאפתנית: להשתמש בפרופיל הגנטי והמולקולרי של כל אדם כדי לחזות מראש עד כמה הוא ייענה לתרופת IBD נפוצה.

שימוש ב-AI גדול כדי לסייע במחקרים קטנים

כלי AI רפואיים מסורתיים מתקשים כאשר מספר המטופלים קטן, גם אם כל מטופל נמדד לעומק. בעבודה זו, החוקרים הפכו את הבעיה הזאת לטובתם על ידי שאיבת ידע ממודל יסוד ענק בשם MAMMAL, שאומן במקור על אוספים עצומים של נתוני חלבון ותרופות. במקום לאמן מחדש את המודל, הם השתמשו בו ככלי חישוב חכם להערכת עוצמת הקישור של תרופה נתונה לאלפי חלבונים אנושיים. ציוני עוצמת הקישור הללו הפכו לתכונות חדשות ועשירות במידע שניתן להזין למודלים חישוביים צנועים יותר המותאמים ל-51 חולי IBD שבמחקר.

מבט לתוך המעי: DNA ו-RNA

הצוות עבד עם דגימות רקמה שנלקחו מהמגנרות הנדלקות של אנשים עם קוליטיס כיבית או מחלת קרוהן. מכל דגימה מדדו שתי שכבות ביולוגיות עיקריות: DNA, תוך התמקדות בשינויים גנטיים קטנים הנקראים SNPs, ו-RNA, המשקף עד כמה כל גן פעיל ברקמה. הם גם חשפו את הרקמה לפרדניזולון, טיפול סטרואידי קו ראשון סטנדרטי ל-IBD, ומדדו כמה אות דלקתי מרכזי בשם TNFα ירד בתגובה. שינוי זה ב-TNFα שימש כתחליף להערכת מידת תגובת הרקמה לתרופה. האתגר היה לקשר אלפי מדידות גנטיות ומולקולריות לתוצאת תגובת התרופה.

לתת למודלים לדעת במה להתמקד

השלב הראשון היה להחליט באילו חלבונים וגנים על המודלים להתמקד ביותר. בעזרת מודל היסוד, החוקרים העריכו עד כמה בחוזקה צפוי שהפרדניזולון ייקשר ליותר מ-11,000 חלבונים אנושיים, ולאחר מכן התרכזו ב-5% העליונים בעלי הקישור החזק ביותר שחוזה המודל. לעידוד, הרשימה הקצרה הזו כללה את היעדים המוכרים של התרופה וחלבונים המעורבים בחישה כימית וסיגנלינג, מה שמרמז שהדירוג של ה-AI היו בעל תוקף ביולוגי. לאחר מכן שילבו רשימה זו עם שינויים ב-DNA של כל מטופל, ויצרו רצפי חלבון "מוטנטיים" מותאמים אישית מחדש וחישבו איך כל מוטציה עלולה לחזק או להחליש במעט את הקישור של הפרדניזולון. השינויים החזויים בעוצמת הקישור הפכו לתכונות קומפקטיות ותלויות-מטופל שכוללות כיצד וריאנטים בחלבונים מרכזיים עשויים לשנות את פעולת התרופה.

שילוב אותות גנטיים עם פעילות גנים

בהמשך, הצוות הוסיף את פעילות הגנים שנמדדה ב-RNA, מאותה רקמה מעי שבה בוצעו בדיקות התרופה. עבור כל חלבון שבא לידי עדיפות, הם זוגו את עוצמת הקישור החזויה עם הפעילות של הגן התואם, וגם הכפילו את השניים ליצירת "מצב אינטראקציה" שמשקף גם עד כמה צפוי שהתרופה תוצמד חזק וגם כמה מהמטרה קיימת ברקמה. מודלי למידת מכונה שאומנו על תכונות מועשרות אלו היו טובים יותר בהבחנה בין דגימות שענו היטב לפרדניזולון לאלה שלא, בהשוואה למודלים שהשתמשו בייצוגים בסיסיים יותר של אותם נתוני DNA. חלק מהתכונות המשפיעות ביותר הצביעו על משפחות של קולטני ריח וקולטן המעורב באות המרגיע GABA, מרמזים על תפקידים פחות מוערכים של חלבונים אלה בדלקת מעי ובתגובת סטרואידים.

להנגיש כלים מורכבים ללא מומחיות חישובית

מעבר לביולוגיה, החוקרים טיפולו גם במחסום מעשי: רוב המעבדות חסרות את המומחיות המחשובית הדרושה כדי להריץ מודלי יסוד גדולים. כדי לטפל בכך, הם ארזו את תהליך חישוב אפיניות-הקישור שלהם בשרת פרוטוקול הקשר מודל פתוח (MCP) שניתן לקריאה ישירות על-ידי עוזרי AI כמו Claude או ChatGPT. בעזרת הסידור הזה, מדען יכול לבקש בשפה פשוטה חיזוי קישור בין תרופה וקבוצת חלבונים, והמערכת מנהלת בשקט את הצעדים הטכניים מאחורי הקלעים. זה מוריד את רף הכניסה לאחרים לחקור שאלות דומות של תגובת תרופה מותאמת אישית באמצעות הנתונים שלהם.

מה זה אומר לגבי בחירות טיפול עתידיות

במונחים יומיומיים, עבודה זו מראה כיצד מודל AI בודד וחזק שאומן על מאגרי נתונים ציבוריים עצומים יכול לסייע למחקרים קליניים קטנים בעולם האמיתי להפיק תועלת רבה יותר ממה שנראה אפשרי. על ידי הפיכת שינויים גולמיים ב-DNA ובפעילות גנים לתכונות עשירות ומודעות ביולוגית, המחברים שיפרו את הדיוק של מודלים החוזים מי צפוי להפיק תועלת מפרדניזולון. התוצאות עוד מוקדמות ומתבססות על מספר מוגבל של מטופלים, ולכן הקישורים הספציפיים בין גנים ותרופות שצוינו ידרשו בדיקות נוספות. אך האסטרטגיה הכוללת — שימוש במודלי יסוד כמולידי תכונות חכמות והנגשתם דרך ממשקים פשוטים — מצביעה על עתיד שבו רופאים עשויים להשתמש בבדיקות מולקולריות רב-שכבתיות, מפורשות על-ידי AI, כדי לבחור את התרופה והמינון המתאימים לכל מטופל עם דלקת מעי.

ציטוט: Gardiner, LJ., Kelly, J., Evans, A. et al. Multi-omics feature engineering driven by biomedical foundation models improves drug response prediction for inflammatory bowel disease patients. Sci Rep 16, 13820 (2026). https://doi.org/10.1038/s41598-026-44366-y

מילות מפתח: דלקת מעי, חיזוי תגובת תרופה, מודלי יסוד ביומדיציניים, מולטי-אומיקס, רפואה מותאמת אישית