מנבא פרמקוקינטיקה מבוסס למידת מכונה (EGFR-PROPK) עבור PROTACs המכוונים ל-EGFR

עיצוב תרופות חכם יותר לסרטנים שקשים לטיפול

תרופות חדשות מבטיחות רבות נכשלות לא כי הן מפספסות את המטרה, אלא כי הגוף מפטר אותן מהר מדי, מאחסן אותן במקומות לא נכונים או לא מסוגל לספוג אותן כראוי. כיתת תרופות חדשה הנקראת PROTACs יכולה להשמיד חלבונים גורמי מחלה שלעולם נחשבו "בלתי ניתנים לטיפול", אך ההתנהגות שלהן בתוך הגוף קשה במיוחד לחיזוי. המחקר הנוכחי מציג כלי מבוסס למידת מכונה, EGFR-PROPK, שתוכנן במיוחד לניבוי אופן התנועה של קבוצה של PROTACs נגד חלבון סרטן מרכזי בגוף, במטרה לסייע למדענים לבחור מועמדי תרופות טובים יותר מוקדם יותר ולחסוך שנים ומשאבים על מיתרים מתים.

תרופות חדשות ההורסות חלבון ואתגרים שלהן

PROTACs הן תרופות יוצאות דופן: במקום לחסום חלבון בלבד, הן מסמנות אותו להשמדה על-ידי מערכת הכלים של התא. כל PROTAC קושר חתיכה שמזהה את המטרה המחלה לחתיכה אחרת שמגייסת "מגרסה" תאית, המחוברת באמצעות שרשרת גמישה. העיצוב הזה מאפשר להן לתקוף חלבונים שמעולם לא היו נגישים בקלות לתרופות רגילות ולעתים מאפשר קישור זמני במקום תפיסה מתמשכת של אתר החלבון. עם זאת, המימד והמורכבות הזו מקשים על מתן ובקרת ה-PROTACs בגוף. הן נוטות להיות גדולות, יחסית שומניות וקשורות בעוצמה לחלבוני הדם, וכל אלה מסבכים את הספיגה, ההתפלגות, השבירה וההוצאה שלהן.

מדוע הכללים הרגילים להתנהגות תרופות אינם מספיקים

מפתחי תרופות מסורתיים משתמשים במספרים פשוטים, כגון מסת מולקולה, אהבת שומן (LogP) ומדדי "דמיון לתרופה" כלליים, כדי להעריך כיצד תרכובת עשויה להתנהג בגוף. החוקרים התחילו בשאלה האם המדדים המוכרים הללו יכולים להסביר כיצד 100 PROTACs המכוונים לקולטן הפקטור לצמיחת אפידרמיס (EGFR) — מניע מרכזי במספר סרטנים — מתנהגים בעכברים חיים. הם התמקדו בשלוש תכונות מפתח: ניקוי (כמה מהר הגוף מסלק את התרופה), חצי-חיים (כמה זמן התרופה נשארת במחזור הדם) ונפח התפלגות ניכר (כמה רחבה היא מתפזרת לרקמות). כשהשוו תכונות אלו לתיאורים בסיסיים, נקודות הנתונים היו מפוזרות כמעט ללא מגמות ברורות, מה שמראה שהחוקים הכימיים הפשוטים אינם מספיקים לניבוי התנהגות PROTACs.

אימון מנוע ניבוי מותאם אישית

כדי לגשר על הפער הזה, הצוות בנה את EGFR-PROPK, מנבא למידת מכונה מותאם במיוחד ל-PROTACs המכוונים ל-EGFR. הם ערכו תחילה ניסויים בעכברים על 100 PROTACs שונים, ומדדו את הניקוי, חצי-החיים ונפח ההתפלגות לאחר מתן המנה. לאחר מכן תיארו כל מולקולה באמצעות מספר "טביעות אצבע" עשירות המקודדות את המבנה המפורט שלה וחישבו 200 תכונות כימיות נוספות. תיאורים מספריים אלו הוזנו למודל מבוסס CatBoost, אלגוריתם מודרני המצטיין בזיהוי דפוסים בנתוני טבלאות. שלא כמו כלים כלליים, EGFR-PROPK אומן ישירות על תוצאות תוך-חיות ל-PROTACs, מה שאיפשר לו ללמוד קשרים עדינים בין צורות קישורים מורכבות, גודל כולל וכמה זמן התרופות נשארות בדם או מתפזרות לרקמות.

עוקף מודלים כלליים וחושף ניואנסים חבויים

החוקרים השוו את EGFR-PROPK לפלטפורמות ניבוי נפוצות שנבנו בעיקר עבור תרכובות קטנות מסורתיות. כאשר אותם מודלים גנריים הופעלו "כמו שהם" על PROTACs, הניבויים היו חלשים: הערכים המוערכים לחצי-חיים, ניקוי והתפלגות ברקמות סטו לעתים קרובות במידה ניכרת מהמדידות האמיתיות. גם לאחר שמודל מתחרה אחד כוּונּן מחדש עם נתוני PROTAC, הוא עדיין נותר מאחור. לעומת זאת, EGFR-PROPK השיג התאמה חזקה באופן משמעותי בין ערכים חזויים לניסיוניים, במיוחד עבור חצי-חיים וניקוי, עם שיפורים מתונים לגבי התפלגות. המודל גם טיפל במקרי מבחן מהעולם האמיתי: שני PROTACs עם מבנים דומים מאוד אך התנהגות שונה מאוד הובדלו בדיוק רב יותר על-ידי EGFR-PROPK מאשר על-ידי כלים כלליים, דבר המדגיש את חשיבות נתוני אימון ייחודיים ל-PROTAC.

מיפוי נוף כימי ומגבלותיו

מעבר למספרי הביצועים, הצוות בדק האם 100 ה-PROTACs שלהם מכסים טווח רחב של עיצובים או רק פינה צרה של המרחב הכימי. על-ידי פירוק המולקולות לשלדות הליבה שלהן והצגתן בין אלפי PROTACs מועתקים בפטנטים, הם הראו שהקבוצה שלהם משתרעת על פני סוגים מבניים רבים ושונים, במיוחד בקישורים הגמישים. משמעות הדבר היא שהמודל מתאים לשיפור PROTACs המכוונים ל-EGFR המשתפים בלוקי בנייה מרכזיים אך משתנים באופן החיבור בין חלקיהם. בו-בזמן, המחברים מדגישים שהכלי הוא מומחה תחום: הדיוק שלו עלול לרדת עבור PROTACs המבוססים על מטרות שונות לחלוטין או נתיבי השמדה שונים, מה שמצביע על הצורך בהרחבה עתידית ולמידת העברה על פני מערכי נתונים.

מה משמעות הדבר עבור תרופות בעתיד

עבור שאינם מומחים, המסקנה המרכזית היא ש"השיניים" של תרופה בגוף — כיצד היא נספגת, לאן היא הולכת וכמה זמן היא נשארת — יכולות לעשות או לשבור טיפול סרטן מבטיח, וכללי הקיצור הרגילים עבור כדורים קטנים אינם מתאימים היטב לדור הבא של מפצחים כמוהם PROTACs. על-ידי יצירת EGFR-PROPK, החוקרים מראים שעדויות מעבדה על בעלי חיים שנאספות בקפידה, בשילוב עם שיטות זיהוי דפוסים מתקדמות, יכולות לספק מבט ראשוני חד יותר על האופן שבו מולקולות מורכבות אלה יתנהגו. סוג ניבוי מותאם זה אמור לסייע לכימאים לעצב PROTACs שלא רק יהרסו את החלבונים הנכונים אלא גם יגיעו אליהם ברמות הנכונות, ולפחד דרך לטיפולים יעילים ובטוחים יותר נגד סרטנים עמידים.

ציטוט: Zhang, R., Li, F., Liu, Y. et al. A machine learning-based pharmacokinetics predictor (EGFR-PROPK) for EGFR-targeting PROTACs. Commun Chem 9, 134 (2026). https://doi.org/10.1038/s42004-026-01938-3

מילות מפתח: פרמקוקינטיקה של PROTAC, מחדירים שמטרתם EGFR, למידת מכונה בעיצוב תרופות, ניבוי ADMET, הרס חלבון ממוקד