גישת בינה מלאכותית גנרטיבית לאופטימיזציה של אנטיביוטיקה פפטידית

למה שיטות חדשות לאנטיביוטיקה חשובות

זיהומים עמידים לתרופות מתפשטים במהירות גבוהה יותר מקצב היכולת שלנו לטפל בהם, וחלק מהאנטיביוטיקות שמהוות קו הגנה אחרון מתחילות להתקלקל. המחקר הזה בוחן כיצד צורת בינה מלאכותית חדשה יכולה לסייע בעיצוב מחדש של חלקי חלבון טבעיים, הנקראים פפטידים, לאנטיביוטיקות עוצמתיות יותר, בהנחייה של דגמי מחשב וניסויים בחיות.

הפיכת מולקולות עתיקות לתרופות מודרניות

העבודה מבוססת על רעיון מעניין: כריית גנומים של בעלי חיים נכחדים למציאת פפטידים אנטימיקרוביאליים סמויים. מחקרים קודמים כבר חשפו מולקולות כאלה בדנ"א של מינים כמו ממותת הצמר והעצלן הענקי, אך רבים מהפפטידים הטבעיים הללו היו בעלי פעילות מתונה בלבד נגד חיידקים. השאלה כאן היא האם מערכת בינה מלאכותית יכולה לקחת נקודות התחלה גסות אלה ולהציע במהירות שינויים רצף קטנים שהופכים אותן לאנטיביוטיקות חזקות ובטוחות יותר, מבלי העמל הרגיל של ניסויים ועיכובים במעבדה.

כיצד פועלת לולאת העיצוב של הבינה המלאכותית

המחברים יצרו את ApexGO, מסגרת עיצוב שמשלבת מודל למידה עמוקה עם אסטרטגיית חיפוש. "מתרגם" מבוסס טרנספורमर ממיר תחילה כל רצף פפטידי למיקום במרחב מתמטי חלק, שבו רצפים דומים יושבים קרוב זה לזה. מודל שני, בשם APEX, חוזה כמה מכל פפטיד נדרש כדי לעצור את גדילת כמה חיידקים בעייתיים. אלגוריתם חיפוש בייסיאני חוקר אז את המרחב החלק, מציע וריאנטים חדשים של פפטידים שסביר שיהיו עוצמתיים יותר בעודם שומרים על דמיון של לפחות שלושה רבעים לתבנית המקורית וניתנים לייצור בפועל.

ממוצעים ממחשב למולקולות אמיתיות

באמצעות עשר פפטידים נכחדים שונים כתבניות, ApexGO ייצר מועמדויות רבות ונבחרו 100 מהן לסינתזה כימית. אלה נבדקו במעבדה מול אחד-עשר חיידקים בעלי חשיבות קלינית, כולל כמה שמתעלמים מתרופות סטנדרטיות. שמונים וששה מתוך 100 הפפטידים המתוכננים הראו פעילות מדידה, וכשני שלישים בערך היו בבירור טובים יותר מהתבניות ההתחלתיות שלהם, עם הצלחה גבוהה אף יותר נגד חיידקים גרם-שליליים שאותם קשה בדרך כלל לטפל. הצוות השווה גם את ApexGO למפיקי בינה מלאכותית אחרים ומצא שמערכות ישנות אלה התקשו כאשר הוכרחו להישאר קרובות לתבנית מסוימת, בעוד ApexGO הפיק באופן אמין וריאנטים משופרים תחת ההגבלות האלה.

מה חשפו הניסויים במעבדה ובחיות

החוקרים חקרו לעומק כיצד הפפטידים המותאמים פועלים. הם מדדו כיצד המולקולות מתקפלות, כיצד הן מפריעות לממברנות החיידק והאם הן פוגעות בתאי כליה אנושיים בתרבית. הפפטידים החדשים כיסו צורות רבות, מרצועות רופפות ועד הליקסים, ואף מבנה יחיד לא הבטיח פעילות חזקה, מה שמעיד שהבינה המלאכותית יכולה לנצל כמה מסלולים פיזיקליים להריגת חיידקים. רוב הפפטידים המתוכננים לא היו רעילים במינונים שנבדקו. במודלים עכבריים של זיהום עור ושריר עמוק בחיידק המסוכן Acinetobacter baumannii, פפטידים מותאמים נבחרים הקטינו את ספירת החיידקים בסדרי גודל של שלוש עד ארבע. במקרים מסוימים הם התאימו או אף עלו על אנטיביוטיקות קו-חסיון אחרון כמו פולימיקסין B, וכל זאת ללא תופעות לוואי ברורות בחיות.

מה משמעות הדבר לעתיד האנטיביוטיקות

המחקר מראה שלולאת אופטימיזציה מונחית בינה מלאכותית יכולה לחדד באמינות את ביצועי אנטיביוטיקות פפטידיות קיימות, גם כאשר מתחילים מרצפים טבעיים בעלי פעילות מתונה בלבד. במקום חיפוש עיוור במרחב העצום של פפטידים אפשריים, ApexGO לומד מכל סבב תחזיות וניסויים, ומתמקד בוריאנטים שהם גם עוצמתיים יחסית וגם בטוחים יחסית. אמנם יש עוד עבודה רבה לטיפול בנושאים כמו יציבות בגוף ומינון בבני אדם, הגישה הזו מצביעה על דרך מהירה וממוקדת יותר לבניית אנטיביוטיקות חדשות בזמן שהן נחוצות בדחיפות.

ציטוט: Torres, M.D.T., Zeng, Y., Wan, F. et al. A generative artificial intelligence approach for peptide antibiotic optimization. Nat Mach Intell 8, 841–856 (2026). https://doi.org/10.1038/s42256-026-01237-5

מילות מפתח: עמידות אנטימיקרוביאלית, אנטיביוטיקות פפטידיות, בינה מלאכותית גנרטיבית, אופטימיזציה בייסיאנית, גילוי תרופות