זיהוי מטרות לתרופות אימונותרפיות באמצעות למידת מכונה ואימות בעוויתנים נגזרים של גידול ממטופלים

מדוע זה חשוב לחולי סרטן

האימונותרפיה חוללה שינוי בטיפול בסרטן, אך רוב החולים עדיין אינם נהנים ממנגנונים אלו. עבודה זו מציגה שיטה חדשה לסינון כמויות עצומות של נתונים ביולוגיים כדי למצוא מטרות תרופתיות חדשות שעשויות לסייע למערכת החיסון לתקוף גידולים באופן יעיל יותר. בשילוב למידת מכונה מתקדמת עם ניסויים בדגימות גידול ממטופלים, המחקר מציע מתווה לגילוי אסטרטגיות אימונותרפיות בדור הבא.

מפה חכמה למציאת נקודות תורפה חדשות בסרטן

החוקרים בנו מערכת בשם MIDAS שמתייחסת לגוף האדם כרשת מורכבת של גנים ותאים המתקשרים זה עם זה. במקום לבחון סוג נתונים יחיד בכל פעם, MIDAS מאגדת רבדים רבים של מידע: שינויים ב‑DNA של הגידול, פעילות גנים, התנהגות תאי החיסון בתוך הגידולים, קטעי חלבון המופיעים על פני התאים וכיצד וריאנטים גנטיים משפיעים על המחלה. רמזים שונים אלה נשזרים למפת אינטראקציות גן–גן אחת, שעליה רשת עצבית גרפית לומדת דפוסים שמבדילים בין מטרות אימונותרפיה ידועות לבין גנים אחרים.

איך נבדק מנוע הלמידה

כדי לבדוק האם MIDAS אכן שימושי לגילוי תרופות, הצוות תכנן מספר מבחנים מאמצים. ראשית, הם בדקו האם גנים שנכנסו לניסויים קליניים של אימונותרפיה לאחר 2019 דורגו גבוה על ידי מודל שאומן רק על נתונים זמינים עד אותה שנה. MIDAS עשה בדיוק זאת, ונתן ציונים גבוהים יותר למטרות ה"עתידיות" הללו מאשר לגנים אקראיים. שנית, המערכת נטתה לדרג גבוה יותר מטרות אימונותרפיה שכבר אושרו לעומת אלה שעדיין בניסויים קליניים מוקדמים, אף על פי שלא סופק לה מידע על אילו גנים הגיעו רחוק כל כך. שלישית, כאשר נבדקו מערכי נתונים מטופלים חדשים שלא שימשו לאימון, MIDAS שחזרה גנים רבים שרמות פעילותם שונות בין מגיבים ולא־מגיבים לתרופות מעכבות נקודות ביקורת, מה שמרמז שהיא לוכדת תכונות אמיתיות של האינטראקציה גידול–חיסון.

מה המודל לומד על מערכת החיסון

מבט פנימי של החוקרים הראה ש‑MIDAS מתמקדת בחוזקה במסלולים שידועים כבר כמכריעים לתגובות חיסוניות נגד סרטן, כגון אותות שמנחים את תאי T להפעיל או להירגע. תכונות שמשקפות כיצד גנים מווסתים גנים אחרים, לצד קישורים למחלות אוטואימוניות, בלטו כמידעיים במיוחד. הדבר הגיוני ביולוגית: גנים שיכולים להפעיל יתר על המידה את המערכת החיסונית במצבים אוטואימוניים עשויים, כאשר יכוונו בזהירות, לשחרר התקפות חיסוניות נגד גידולים. רשת האינטראקציות בין גנים התגלתה גם כמכבדת; כאשר הקשרים ברשת עברו ערבוב אקראי, ביצועי המודל צנחו חדה, מה שמראה שמבנה המפה הביולוגית עצמו הוא מרכיב מפתח.

מנבא ממחשב לרקמת גידול אמיתית

בהסתמך על רשימת העדיפויות של המועמדים, MIDAS הדגישה זוג איתות הנקרא אונקוסטטין M (OSM) וקולטן שלו OSMR, וכן אנזים ויסותי PTPN22. עבודות בעלי חיים קודמות רמזו כי OSM–OSMR עשוי לקדם סביבות נוחות לגידול, אך הדבר לא נבדק באופן יסודי ברקמות אדם. הצוות בחן מטרות אלה באמצעות עוויתני גידול נגזרים ממטופלים, חתיכות קטנות של מלנומה שגודלו קצרות מחוץ לגוף וששומרות על התערובת המקורית של תאי הסרטן והתאים החיסוניים. חסימת איתות OSM–OSMR בעוויתנים אלה הובילה לפחות תאי CD8 "דיספונקציונליים"—מצב המקושר לתגובות אימונותרפיה טובות יותר—ולירידה ברמות המולקולה CCL4, הקשורה למקרופגים המקדמים את הגידול. לעומת זאת, עיכוב PTPN22 הניב שינויים עדינים יותר בהתנהגות תאי T שלא הגיעו למובהקות סטטיסטית ברורה בסדרה קטנה זו.

מה משמעות הדבר לטיפול בסרטן בעתיד

בסך הכל, המחקר מראה כי MIDAS יכולה לכרות נתונים מורכבים כדי לסמן מטרות תרופתיות שיש להן משמעות בגידולים אנושיים אמיתיים, לא רק בקווי תאים או במודלים מעבדתיים פשוטים. העבודה תומכת ברעיון שאיתות OSM–OSMR מסייע לעצב מיקרו‑סביבה דוכא חיסונית של הגידול, ושחסימת מסלול זה עשויה להיות אסטרטגיית אימונותרפיה מבטיחה שכדאי לבדוק עוד באונקולוגיה. ברמה הרחבה יותר, הגישה ממחישה כיצד שילוב של נתוני מטופלים עשירים, בינה מלאכותית מבוססת רשת וניסויים פונקציונליים ברקמות נגזרות מטופלים יכול להפוך את החיפוש אחר מטרות אימונותרפיה חדשות ליעיל ומעוגן יותר בביולוגיה אנושית.

ציטוט: Augustine, M., Nene, N.R., Fu, H. et al. Immunotherapy drug target identification using machine learning and patient-derived tumour explant validation. Nat Mach Intell 8, 670–689 (2026). https://doi.org/10.1038/s42256-026-01201-3

מילות מפתח: אימונותרפיה בסרטן, גילוי מטרות תרופתיות, רשתות עצביות גרפיות, מיקרו־סביבה של הגידול, למידת מכונה באונקולוגיה