יצירת תרופות קובלנטיות חדשות עם שיפור באופייניות התרופה ובבטיחות

למה תרופות קובלנטיות חכמות חשובות

טיפולים בסרטן ותרופות אנטיוויראליות לעיתים פועלים על ידי התקשרות לחלבונים בתוך התאים שלנו. קבוצה עוצמתית של תרופות, שנקראת תרופות קובלנטיות, עושה צעד נוסף: הן יוצרות קשרים חזקים ומתמשכים עם היעדים שלהן, מה שיכול להפוך אותן ליעילות מאוד. עם זאת, אותה דביקות עלולה גם לגרום לתופעות לוואי חמורות אם התרופות נקשרות לחלבונים הלא נכונים. המחקר הזה מציג את CovaGEN, מערכת בינה מלאכותית חדשה המיועדת להמציא מועמדי תרופות קובלנטיות מאפס תוך שמירה על שני היבטים — יעילות ובטיחות.

מנסוי וטעייה אל עיצוב חכם

גילוי תרופות קובלנטיות בקורנקט המסורתי הוא תהליך איטי ויקר. כימאים או מתחילים מתרופה קיימת ומוסיפים לה "ידית" ריאקטיבית, או מתחילים מקטע ריאקטיבי ומכיילים בעמל את שאר המולקולה. שיטות ממוחשבות מסייעות בסינון ספריות גדולות של תרכובות ידועות, אך הן מוגבלות למה שכבר קיים. ההתקדמות בלמידה עמוקה מאפשרת לייצר מולקולות חדשות לגמרי, ועדיין כלים אלו בדרך כלל מתמקדים בתרופות קונבנציונליות שאינן קובלנטיות ומתעלמים לעתים מתכונות קריטיות כמו מידת הייצוריות של תרכובת, האם היא מתנהגת כתרופה אמיתית, או עד כמה היא רעילה. CovaGEN שואפת להתמודד עם כל הבעיות האלה בבת אחת.

מפת כימיה תרופתית סמויה

החוקרים בנו תחילה "מפה" של מרחב הכימיה באמצעות יותר ממיליון מולקולות דמויות‑תרופה מתוך מאגר ZINC הציבורי. הם אימנו סוג של רשת עצבית שנקראת ואריאציונאל אוטואינקודר (variational autoencoder) כדי לדחוס כל מולקולה לקוד מספרי קומפקטי, או וקטור לטנטי, ואז לשחזר אותה. שלב זה מלמד את המודל את ה"דקדוק" הבסיסי של כימיה רפואית: מה נראה ריאליסטי, מה עומד בכללים המקובלים לתרופות אוראליות, ומה נוטה להיות בר־סינתזה. על מפה שנלמדה זו, מודל שני המבוסס על דיפוזיה — תהליך שמטשטש בהדרגה מבנה לרעש ולומד להפוך תהליך זה — אומן לשוטט וליצור וקטורים לטנטיים חדשים שמפענחים למולקולות תקפות, מגוונות וריאליסטיות.

כיוונון מולקולות לחלבונים ו"דוקרים" דביקים

בהמשך, CovaGEN לומדת לעצב מולקולות ליעדי חלבון ספציפיים. המערכת מקבלת את רצף חומצות האמינו של החלבון ומקודדת אותו באמצעות מודל שפה עוצמתי לחלבונים, שמלכד תמורות הקשורות למבנה ולתפקוד. במהלך הדיפוזיה המודל שם קשב צולב (cross‑attention) לייצוג החלבון כך שהמולקולות שהוא מייצר יהיו מיועדות להתאים לאתר הקשירה של היעד. במבחנים על סט מבחנים גדול, מולקולות מותאמות אלה לא רק קיבלו ציונים טובים עבור חוזק קשירה צפוי, אלא גם הפגינו אופייניות תרופתית ונגישות סינתטית טובה יותר מאשר אלה ממספר כלים מתקדמים לעיצוב תלת‑ממדי. כדי להפוך את הקשירות הלא‑קובלנטיות למועמדים קובלנטיים, הצוות הוסיף מסווג (classifier) שמניע בעדינות את תהליך הדיפוזיה לכיוון מולקולות הנושאות קבוצות תגובתיות מסוימות, הידועות כ"warheads" קובלנטיים, מבלי להקריב את האיכות הכוללת.

הטמעת בטיחות כבר מההתחלה

מכיוון שתרופות קובלנטיות עלולות לגרום לנזק מתמשך אם הן פוגעות ביעדים הלא־נכונים, הבטיחות היא דאגה מרכזית. לכן החוקרים התייחסו לרעילות ככמות שיש לאופטימיזציה, לא כמשנה שולית. הם אימנו מודלים מנבאים של רעילות חריפה וסיכונים ספציפיים לאיברים, ואז יישמו למידת חיזוק (reinforcement learning) כדי לכייל את מודל הדיפוזיה כך שיעדיף מולקולות עם תחזיות רעילות נמוכות יותר. אחרי אימון זה, CovaGEN ייצרה תרכובות ששמרו על קשירה טובה ותכונות דמויות‑תרופה אך היו פחות צפויות להכיל "דגלים אדומים" מבניים המקושרים להשפעות מזיקות. חשוב לציין שהשיטה השיגה זאת מבלי לקרוס לקבוצת מולקולות דומות וצרות, ושמרה על גיוון כימי.

בדיקת השיטה במבחן המציאות

כדי להדגים פוטנציאל במציאות, הצוות ביקש מ‑CovaGEN לעצב מעכבים קובלנטיים לשני יעדים בעלי ערך גבוה: צורה מוטנטית של חלבון EGFR המעורב בסרטן ריאות עמיד לתרופות, והפרוטאז הראשי של SARS‑CoV‑2, הווירוס שמאחורי COVID‑19. עבור כל חלבון, המערכת יצרה מועמדי מולקולות רבים המצוידים בwarheads המתאימים. מחקרי דוקינג ממוחשבים הצביעו על כך שעיצובי CovaGEN היו סביר יותר לאמץ תנוחות שמאפשרות יצירת קשרים קובלנטיים מאשר תרכובות שבהן פשוט הוצמדו warheads לעיצובים לא‑קובלנטיים. מספר מועמדים מובילים גם התאימו או עלו על תרופות ייחוס במדדי משולב של קשירה צפויה, אופייניות תרופתית וקלה בסינתזה.

מה המשמעות לעתיד התרופות

CovaGEN מציגה כי בינה מלאכותית גנרטיבית מודרנית יכולה לעשות יותר מאשר לדמיין מולקולות שנדבקות היטב לחלבונים. על‑ידי עבודה במרחב של מבנים מטבעם דמויות‑תרופה, הנחיית הוספת קבוצות תגובתיות והסטה מפורשת מהרעלתיות, המערכת מקדמת את גילוי התרופות הקובלנטיות לעבר תהליך הוליסטי ואוטומטי יותר. בעוד שנדרשים ניסויים מעבדתיים נוספים כדי לאשר כיצד מולקולות וירטואליות אלה מתנהגות במערכות חיות, הגישה פותחת נתיב לחקירה מהירה ורחבה של תרופות קובלנטיות שהן לא רק בעלות עוצמה אלא גם בטוחות יותר עבור החולים.

ציטוט: Zhang, W., Liu, T., Dong, X. et al. De novo covalent drug generation with enhanced drug-likeness and safety. Commun Biol 9, 446 (2026). https://doi.org/10.1038/s42003-026-09725-5

מילות מפתח: תרופות קובלנטיות, בינה מלאכותית גנרטיבית, גילוי תרופות, מודלים של דיפוזיה, חיזוי רעילות