הפעלת גילוי תרופות רב-מטרתם באמצעות אופטימיזציה אבולוציונית נסתרת ותעדוף המודע לסינתזה (EVOSYNTH)

מדוע עיצוב תרופות חכמות יותר חשוב

מחלות קשות רבות, מאלצהיימר ועד סרטן השחלות, אינן נובעות מחלבון בודד פגום אלא מרשתות שלמות של מסלולים מופרעים. טיפול במצבים כאלה באמצעות תרופה אחת שמכוונת מטרה אחת לעתים קרובות אינו מספיק, בעוד מתן מספר תרופות עלול לגרום לתופעות לוואי רעילות וללוחות מינון מסובכים. המחקר הזה מציג את EVOSYNTH, מסגרת חישובית שמטרתה לעצב מולקולות בודדות שיכולות לפגוע בבטחה וביעילות במספר מטרות הקשורות למחלה במקביל—ולמרות הכל להיות כאלו שכימאים יכולים למעשה לסנתז במעבדה.

מיעדים בודדים למעגלים מרובים

גילוי התרופות המסורתי רדף ברובו אחרי "כדורי הקסם" — תרכובות שמיקדות חיבור חזק לחלבון אחד ומשאירות את היתר ללא נגיעה. עם הזמן התברר שהגישה הזו מתקשה מול מחלות מורכבות הכוללות לולאות משוב ונתיבי גיבוי רבים. הוספת יותר תרופות — אסטרטגיית הפוליפארמציה — יכולה להרחיב את הכיסוי אך מעלה את הסיכון לאינטראקציות מסוכנות בין תרופות, להתנהגות לא צפויה בגוף ולתוכניות טיפול מעיקות. תרופות רב-מטרתיות מציעות דרך בינה: מולקולה אחת המתוכננת בקפידה שמודולרת מספר חלבונים מרכזיים בו-זמנית, באופן שמניע בעדינות רשת שלמה חזרה לכיוון בריאותי. האתגר הוא שמציאת מולקולות כאלה, והבטחת היתכנות סינתטית מעשית, קשה מאוד בעבודה ידנית.

מנוע אבולוציה דיגיטלי עבור מולקולות

EVOSYNTH מתמודד עם האתגר הזה על ידי התייחסות לפוטנציאל התרופות כאוכלוסייה שיכולה "להתפתח" בתוך מחשב. במקום לשנות מולקולות אמיתיות במבחנה, המערכת עובדת במרחב מופשט ודחוס שמקודד הן את המבנה של כל מולקולה והן את ההתנהגות החזויה שלה מול מטרות חלבון שונות. רשת עצבית מותאמת לומדת מרחב זה כך שנקודות קרובות נוטות להתאים למולקולות עם פעילות רב-מטרתית דומה. תהליך דיפוזיה משמש תפקיד של מוטציה, ומפר perturb בעדינות נקודות אלה ליצירת מולקולות וירטואליות חדשות. לאחר כל סבב מוערכים המועמדים לפי חוזק הקישור החזוי שלהם למספר חלבונים שנבחרו במקביל, בעוד מסננים נוקשים מפנים החוצה מועמדים שאינם עומדים בדרישות בסיסיות של דמיון לתרופה, רעילות, או, עבור מחלות מוחיות, היכולת לעבור את מחסום הדם-מוח.

עיצוב תרופות שאפשר באמת להכין

חידוש חשוב של EVOSYNTH הוא שהוא לא עוצר בפעילות וירטואלית בלבד. רבות מהמולקולות המוצעות על ידי מודלים מבוססי בינה מלאכותית נראות מבטיחות על המסך אך קשות או יקרות להפליא לסינתזה. כדי להימנע ממלכוד זה, המחברים משלבים במעגל העבודה מערכת תכנון סינתזה בשם SPARROW. הכלי הזה בונה רשתות תגובות שמחברות כל מולקולת מועמד בחזרה לגזרי בניין שקל לרכוש, תוך הערכת מספר השלבים, עלות חומרי הגלם ואמינות כל תגובה. במקום לדחות מולקולות בלתי אפשריות לאחר מעשה, EVOSYNTH משתמש בחישובים ברמת הרשת כדי לתעדף מועמדים שמציעים את הווקטור הטוב ביותר בין פוטנציאל תרפי לעמידות בייצור בעולם האמיתי, כולל הזדמנויות לשימוש חוזר במתווכים ולשיתוף שלבי סינטזה בין מספר תרכובות מובילות.

מבחנים מציאותיים במחלות מוח וסרטן

כדי להדגים מה EVOSYNTH יכול לעשות, החוקרים יישמו אותו על שתי מקרים דרמטיים. עבור מחלת אלצהיימר חיפשו מולקולות שיכולות לחסום הן את JNK3 והן את GSK3β, שני אנזימים שמעורבים במוות של תאי עצב ובבנייה לא תקינה של חלבונים במוח. עבור סרטן השחלות כוונו לזוג חלבונים המעורבים בסיגנלים לצמיחה ותיקון DNA, PI3K ו-PARP1, שהראו יעילות מיוחדת כשמונעים יחד. מתוך תרכובות ידועות המכוונות מטרה אחת כ"זרעים" של שלד, EVOSYNTH ייצר וישר מבנים חדשים על פני דורות רבים. בהשוואה לשיטה קרובה ובמודל גנרטיבי מתקדם נוסף, EVOSYNTH ייצר בעקביות מולקולות מועמדות עם פעילות חזויה חזקה יותר בשתי המטרות, שונות מבנית גדולה יותר ודמיון נמוך יותר לשלד המקורי — סימנים לכך שהוא חוקר שטח כימי חדש באמת ולא פשוט מתקן שוב ושוב את אותו מוטיף.

איזון בין כוח, גיוון ועלות

כאשר הצוות בחן את המולקולות המובילות דרך עדשת הסינתזה, היתרונות של הגישה שלהם נעשו ברורים עוד יותר. במסגרת מגבלות ריאליות — רק כעשר תרכובות יכולות להתקדם לניסויים חימום— הבחירות המובילות של EVOSYNTH שילבו תשואה תרפויטית צפויה גבוהה יותר עם פחות שלבי תגובה, פחות חומרים תחלתיים מובחנים ועלות חומרית מוערכת נמוכה משמעותית בהשוואה לשיטות מתחרות. מעניין כי יעילות עלות זו צצה אף על פי שהמערכת לא אומנה במפורש לצמצום קושי סינתטי. במקום זאת, המגמה שלה ליצירת משפחות של מולקולות קשורות אך מגוונות איפשרה לתכנון הסינתזה להשתמש מחדש בגזרי בניין וברצפי תגובות, ובאופן טבעי הטתה את הכף לעיצובים שיעבדו בקנה מידה טוב יותר במעבדה.

מה זה אומר עבור תרופות עתידיות

עבור הקורא שאינו מומחה, המסקנה המרכזית היא ש-EVOSYNTH מציע דרך לחיפוש מושכל במרחב העצום של מולקולות אפשריות, לא רק אחר אלו שמכבות מספר ממעגלי המחלה במקביל אלא גם אחר אלו שכימאים יכולים לייצר בלי מאמץ הרואי. על ידי חיבור הדוק בין תחזיות של פעילות רב-מטרתית לבין בדיקות בטיחות, חדירת מוח ומעשיות סינתטית, המסגרת מקרבת את עיצוב התרופות החישובי צעד נוסף לעבר ייצור תרכובות אמיתיות שניתן לבדוק. בעוד שהעבודה הנוכחית מתמקדת בזוגות של מטרות ותלויה בקישור מוערך ממחשב ולא בנתונים ניסויים מלאים, הגישה היא כללית. בהתאמה נוספת, מערכות דומות יכולות לעזור לעצב דור חדש של תרופות רב-שימושיות שהן הן מורכבות ביולוגית והן ניתנות לייצור בקנה מידה.

ציטוט: Nguyen, V.T.D., Pham, P. & Hy, TS. Enabling multi-target drug discovery through latent evolutionary optimization and synthesis-aware prioritization (EVOSYNTH). Commun Chem 9, 133 (2026). https://doi.org/10.1038/s42004-026-01945-4

מילות מפתח: עיצוב תרופות רב-מטרתיות, גילוי תרופות מונע-בינה מלאכותית, אופטימיזציה אבולוציונית, נגישות סינתטית, פוליפארמקולוגיה