שימוש בלמידת מכונה לשינוי ייעוד של תרופות לסרטן השד החיובי ל-HER2

מדוע תרופות ישנות חשובות לסרטןי שד קשים

לאנשים רבים הסובלים מצורת סרטן שד אגרסיבית הנקראת חיובי ל-HER2, התרופות הממוקדות הקיימות עלולות לאבד מהיעילות שלהן עם הזמן, ופיתוח תרופות חדשות איטי ויקר. מחקר זה בוחן האם חלק מתוך אלפי הגלולות שכבר נמצאות על מדפי בתי המרקחת עשויות בסתר לחסום גידולים מונחי HER2, באמצעות כלים חישוביים מתקדמים שמחפשים פוטנציאל אנטי‑סרטני מוסתר.

הבנת הבעיה במונחים פשוטים

סרטן שד חיובי ל-HER2 מונע על ידי חלבון הממוקם על פני שטח תאי הסרטן ושולח אותות חזקים של גדילה וחלוקה. כאשר יש יותר מדי HER2, התאים הללו מתחלקים במהירות ולעתים מתפשטים, והם עלולים לפתח דרכים לעקוף את התרופות המודרניות נגד HER2. מאחר שפיתוח תרופות חדשות יכול לקחת עשור או יותר, רעיון שינוי הייעוד של תרופות נראה מושך: במקום להתחיל מאפס, מדענים בודקים האם תרופות מאושרות קיימות, שכבר ידועות כבטוחות למחלות אחרות, יכולות גם לכבות את פעילות ה-HER2 בתאי הסרטן.

כיצד מחשבים מסייעים בחיפוש בין אלפי תרופות

החוקרים ראשית אספו מידע מפורט על כמעט 14,000 תרכובות כימיות שנבדקו נגד HER2, כולל מידת העיכוב של כל אחת מהן על החלבון. הם המירו כל מולקולה למאות תכונות מספריות המתארות את גודלה, צורתה, מטענה ותכונות נוספות. בהתבסס על נתונים אלה הם אילפו מספר סוגי מודלים של למידת מכונה כדי ללמוד את הקשר בין מבנה המולקולה ליכולתה לעכב את HER2. לאחר ניקוי קפדני של הנתונים וגיזום תכונות חלשות או מיותרות, סוג מודל שנקרא Random Forest נתן את התחזיות האמינות ביותר, והסביר כ־80% מהשונות בפעילות מול מולקולות חדשות.

מהחזוי לעיגון בתוך המטרה הסרטנית

מצוידים במודל הזה, הקבוצה פנתה לספריית עולם‑אמיתי של 4,099 תרופות מאושרות והצרה אותה ליותר מ‑1,600 מולקולות קטנות, נקיות ובהירות הגדרה. המודל החישב כיצד בחזקה כל תרופה עשויה לעכב את HER2, והדגיש תת‑קבוצה שנחזה כבעיקר יעילה. המועמדים המובילים הללו הועברו לאחר מכן לעיגון בתלת־ממד בתוך מבנים של חלבון HER2 נורמלי וצורה מוטנטית בעייתית שנמצאת בחלק מהסרטנים העמידים. סימולציות עיגון פועלות כמו מבחן מקטגוריה ופתח וירטואלי, בודקות עד כמה התרופה מתאימה בנוחות לכיס הפעיל של HER2 וסוגי המגעים ברמת האטומים שהיא יכולה ליצור.

מעקב אחרי המועמד המבטיח לאורך זמן

תרופה אחת לעיניים וללב, טימולול מליאת (מסומנת FDA0870 במחקר), בלטה שוב ושוב. היא דורגה בין המובילות הן במסך למידת המכונה והן במבחני העיגון ל-HER2 הנורמלי והמוטנטי, ויצרה קשרי מימן חזקים ומגעים הידרופוביים עם אזורים מרכזיים שמווסתים את פעילות החלבון. כדי לבדוק אם ההיקשרות תעמוד בתנאים ריאליסטיים יותר, החוקרים הריצו סימולציות ארוכות של דינמיקה מולקולרית המדמות כיצד מולקולות רועדות ונעות בסביבה מימית הדומה לגוף. על פני ננו‑שניות עד מיקרו‑שניות של זמן מדומה, טימולול נותר יציב תקוע בכיס ה‑HER2 בשתי צורות החלבון. בדיקות חישוביות נוספות של ספיגה, פיזור, מטבוליזם, הפרשה ורעילות הצביעו על כך שפרופיל התרופה הקיים, חדירותה המתונה ובטיחותה מתאימים באופן כללי להמשך חקירה.

מה זה יכול להצביע לחולים

בשפה יום‑יומית, עבודה זו מראה שקווי צנרת חישוביים חכמים יכולים לנפות בין מספר עצום של תרופות ידועות כדי למצוא את אלה שסביר שיפעלו נגד סרטנים קשים, הרבה לפני כל בדיקה במעבדה או בבעלי חיים. מתוך רבות התרופות המאושרות שנבדקו, טימולול עלה כמועמד חזק לשינוי ייעוד כמעכב כפול של HER2 הסטנדרטי והמוטנטי בסרטן השד. אף שהממצאים הם חישוביים בלבד וצריכים עדיין להיאשש בניסויים בתאים ובחיות, הם מצביעים על מסלול מהיר ובעל פוטנציאל לחסוך עלויות להוסיף כלים חדשים נגד המחלה החיובית ל‑HER2 על ידי מתן תפקיד חדש לתרופות מוכרות.

ציטוט: Dinesh, B.G.H., Ganjipete, S., Kumar, B.S. et al. Machine learning-driven drug repurposing for HER2-positive breast cancer. Sci Rep 16, 15868 (2026). https://doi.org/10.1038/s41598-026-45361-z

מילות מפתח: סרטן השד חיובי ל-HER2, שינוי ייעוד של תרופות, למידת מכונה, עיגון מולקולרי, טימולול