MAMMAL - ארכיטקטורה מולטי-מונכנית ומולקלולרית ומודלים לשפה לגילויים ביו-רפואיים

מדוע גילוי תרופות חכם יותר חשוב

מציאת תרופות חדשות היא תהליך איטי, מסוכן ויקר מאוד. רוב המועמדים לתרופות עדיין נכשלים בניסויים קליניים, לעתים לאחר שנים של עבודה. במקביל, מעבדות ביולוגיה מייצרות כיום כמות עצומה של נתונים על גנים, חלבונים, תאים וחומרים כימיים. מאמר זה מציג את MAMMAL, סוג חדש של מערכת בינה מלאכותית שלומדת מכל סוגי הנתונים הללו במקביל. על ידי חיבור דפוסים בין מולקולות, תאים ותרופות, המערכת שואפת לעזור למדענים לבחור יעדים טובים יותר, לעצב תרופות טובות יותר ולהימנע ממבוי סתום יקר בשלב מוקדם יותר בתהליך.

מוח אחד למגוון סוגי נתונים ביולוגיים

כלי ה-AI הנוכחיים בביו-רפואה הם לעתים קרובות מומחים: מודל אחד מטפל ברצפי חלבון, אחר מטפל במולקולות קטנות, ואחר רק בפעילות גנים. MAMMAL בוחרת בגישה שונה. היא מטפלת בחלבונים, אנטי-גופים, תרופות מולקולות-קטנות ופרופילי ביטוי גנים כסוגים שונים של "משפטים" שכולם יכולים להיקרא על ידי אותו מודל. כדי לעשות זאת, החוקרים בנו שיטה גמישה להמרת כל סוג נתונים לפורמט רצף משותף, ואימנו רשת גדולה מבוססת טרנספורמר — בדומה לרוח של מודלים שפתיים מודרניים — על כ־2 מיליארד דוגמאות שנלקחו ממאגרי נתונים פומביים של חלבונים, אנטי-גופים, חומרים כימיים ורמת התא.

לימוד שפת התרופות והתאים

MAMMAL מיועדת גם להבין וגם ליצור מידע ביולוגי. היא יכולה לסווג, לדרג או לחזות ערכים כמו עוצמת קשר או עוצמת תרופה, והיא גם יכולה להמציא רצפים חדשים, למשל להציע קטעי אנטי-גוף חדשים. תכונה מרכזית היא שאינה רואה רק סמלים; היא גם יכולה לקבל ולהפיק ערכים מספריים ישירות, כגון מדידות ממבחנים מעבדתיים. זה עוזר לה להסיק עד כמה תרופה נקשרת בחוזקה לחלבון או כיצד תא סרטני מגיב לטיפול. כל המשימות האלו מוצגות כווריאציות של פעילות אחת מרכזית: הפיכת רצף אחד לרצף אחר, בדומה לתרגום בין שפות.

בדיקת המודל לאורך תהליך גילוי התרופות

כדי לבדוק האם הגישה המאוחדת אכן מסייעת, המחברים בחנו גרסאות מותאמות של MAMMAL על אחת־עשרה מבחני סטנדרט המדמים שלבים אמיתיים בגילוי תרופות. אלה כללו זיהוי סוגי תאים מנתוני ביטוי גנים בתא יחיד, חיזוי האם מולקולות קטנות יכולות לעבור את מחסום דם–מוח או לגרום לתופעות לוואי רעילות, הערכת אופן תגובת תאי סרטן לתרופות שונות, וחיזוי עד כמה חלבונים ייקשרו זה לזה או למולקולות קטנות. MAMMAL השיגה או עלתה על הביצועים המדווחים הטובים ביותר בתשעה מתוך אחת־עשרה הבדיקות, לעתים קרובות מנצחת מודלים מומחים שהותאמו רק לסוג נתונים אחד.

עיצוב אנטי-גופים והתגברות על מודלי מבנה בשלהם

חלק מהתוצאות המפתיעות ביותר הגיעו ממשימות מבוססות חלבון. באתגר "השלמת" אנטי-גוף — שבו המטרה היא למלא את הקטעים המשתנים ביותר שבאים במגע עם המטרה — MAMMAL שחזרה את חומצות האמינו הנכונות בתדירות גבוהה יותר משיטות קודמות, במיוחד באזור המרכזי הקשה של אתר הקשירה של האנטי-גוף. הצוות גם בדק האם MAMMAL יכולה להבחין בין אנטי-גופים מקשירים ולא מקשירים והשווה זאת ל-AlphaFold 3, כלי לחיזוי מבנה שלתוכו ניתן להשתמש בציוני ביטחון ככלי משוער לקישור. בחמישה מתוך שבעת היעדים הנבדקים, כולל חלבונים גדולים וגמישים הרלוונטיים לסרטן, תחזיות הקשירה של MAMMAL היו מדויקות יותר בבירור, אף על פי שראה רק רצפים ולא מבנים תלת־ממדיים.

רמזים להשפעה בעולם האמיתי

מעבר לבדיקות הביצועים, החוקרים בחנו האם תחזיות המודל תואמות את המציאות במעבדה. הם בדקו ארבע תרופות לסרטן, כולל Carfilzomib, המאושרת בעיקר לסרטן הדם. MAMMAL חזה נכון את חוזק היחסי של תרופות אלה על פני מאות שורות תאים, ודירוג זה אושר בניסויים ממוקדים. הממצא מרמז שהתרופה עשויה להיות שימושית גם בגידולים מוצקים יותר ממה שמקובל כיום, אפשרות שמצריכה כעת בדיקות נוספות. המודל הראה אף הוא פוטנציאל בשיתופי פעולה שמטרתם לחזות פעילות אנטי-גופים כנגד וירוסים של שפעת ומטרות נוספות.

מה זה אומר עבור תרופות עתידיות

במילים פשוטות, MAMMAL מתנהגת כקורא וככותב רב-לשוני של ביולוגיה, המאפשרת לחבר בין מה שקורה ברמות הגנים, החלבונים והכימיקלים בתוך מסגרת אחת. הביצועים החזקים שלה במגוון משימות מצביעים על כך שמודלים מאוחדים כאלה יכולים להפוך לרכיבים מרכזיים של "תאים וירטואליים" מסייעי בינה מלאכותית, שיאפשרו למדענים לחקור טיפולים במרחב הממוחשב לפני מעבר למעבדה. למרות שלא מחליפה ניסויים — ועדיין דרושה אימות קפדני — היא יכולה לצמצם את מרחב החיפוש, להאיר אפשרויות מפתיעות ולהפוך את הדרך הארוכה מרעיון לתרופה מאושרת למהירה ויעילה יותר במידה מסוימת.

ציטוט: Shoshan, Y., Raboh, M., Ozery-Flato, M. et al. MAMMAL - Molecular Aligned Multi-Modal Architecture and Language for biomedical discovery. npj Drug Discov. 3, 14 (2026). https://doi.org/10.1038/s44386-026-00047-4

מילות מפתח: גילוי תרופות מונע בינה מלאכותית, מודלים ביומדיים מולטי-מודליים, עיצוב אנטי-גופים, אינטראקציות חלבון–תרופה, פרופילינג ביטוי גנים