אנטיביוטיקה נחשבת לאחת מפריצות הדרך החשובות ביותר בתולדות הרפואה. במשך עשרות שנים היא אפשרה לרופאים לטפל בזיהומים שבעבר היו עלולים להסתיים במוות, והפכה הליכים רפואיים רבים לבטוחים יותר. אלא שבשנים האחרונות הולכת ומתעצמת בעיה שמאיימת על ההישג הזה: יותר ויותר מחוללי מחלות מפתחים עמידות לתרופות שנועדו להילחם בהם.
התופעה, המכונה עמידות לתרופות אנטי-מיקרוביאליות (Antimicrobial Resistance, או AMR), מתרחשת כאשר חיידקים, נגיפים ופטריות עוברים שינויים שמאפשרים להם לשרוד למרות הטיפול התרופתי. כתוצאה מכך, תרופות שבעבר היו יעילות עלולות להפסיק להשפיע, הזיהומים נמשכים זמן רב יותר והטיפול בחולים הופך למורכב יותר.
ככל שהרפואה מסתמכת על תרופות אנטי-מיקרוביאליות, כך גובר הצורך להתמודד עם יכולתם של מחוללי המחלות להשתנות ולהסתגל. החשש הגדול הוא שקצב הפיתוח של תרופות חדשות לא יצליח להדביק את קצב התפתחות העמידות. במצב כזה עלולים להתרבות חיידקי-על, מחוללי מחלות עמידים במיוחד שגם התרופות החזקות ביותר מתקשות להתמודד עמם.
כאן נכנסת לתמונה הבינה המלאכותית. חברת Google DeepMind מנסה לרתום את יכולותיה כדי להתמודד עם אחד האתגרים הרפואיים המשמעותיים של העשורים הקרובים, ולהפוך את תהליך הגילוי והפיתוח של תרופות חדשות למהיר ונגיש יותר.
כיצד בינה מלאכותית יכולה לסייע בפיתוח תרופות?
המאמצים של Google DeepMind מתמקדים בין היתר בביולוגיה מבנית, תחום העוסק במבנה של מולקולות ביולוגיות ובאופן שבו הוא משפיע על פעילותן, ובמודלים גנרטיביים המסוגלים לנתח מידע ביולוגי מורכב ולסייע בחיפוש אחר פתרונות חדשים.
החברה משתמשת בלמידת מכונה מתקדמת ובכלים כמו Google Antigravity, פלטפורמת פיתוח המבוססת על סוכני AI, במטרה להקל על חוקרים ומדענים לבחון מבנים מולקולריים, לפתח תרכובות חדשות ולהבין טוב יותר את המטרות הביולוגיות שאליהן תרופות צריכות לפעול.
אחד היישומים המעניינים בתחום הוא ניתוח חלבונים שעדיין לא פוענחו במלואם. חלבונים ממלאים תפקיד מרכזי כמעט בכל תהליך ביולוגי, והבנת המבנה והתפקוד שלהם חיונית לפיתוח תרופות. אלא שקיימים חלבונים רבים שהמידע על פעילותם עדיין מוגבל.
לצורך כך יכולים חוקרים להיעזר במאגר UniProt, אחד ממאגרי המידע המרכזיים בעולם לחקר חלבונים. המאגר כולל רצפים של חומצות אמינו, אבני הבניין של החלבונים, ומשמש מדענים ברחבי העולם כדי ללמוד על תפקידיהם הביולוגיים, המבנה שלהם, מיקומם בתאים, הקשר שלהם למחלות והסיווג של היצורים שבהם הם מופיעים.
לצד המאגר פועל ProtNLM, מודל למידה עמוקה של גוגל שפותח כדי להבין את הדפוסים והמבנה של רצפי חומצות אמינו. בדומה לאופן שבו מודלי שפה לומדים לזהות קשרים בין מילים ומשפטים, המודל מנתח רצפים ביולוגיים ומסייע להסיק מידע על חלבונים.
השילוב בין השניים עשוי לאפשר לחוקרים לאפיין חלבונים שטרם נחקרו לעומק, לזהות מטרות חדשות לפעילות של תרופות ולהרחיב את האפשרויות לפיתוח טיפולים נגד מחוללי מחלות עמידים.
איום בריאותי עם מחיר של מיליוני חיים
החשיבות של המחקר הזה מתבהרת כשבוחנים את היקף בעיית העמידות לתרופות. מדובר באחד האתגרים המשמעותיים ביותר שמולם צפויה מערכת הבריאות העולמית להתמודד בעשורים הקרובים. לפי מחקרי בריאות הציבור המוזכרים בכתבה, עמידות לתרופות אנטי-מיקרוביאליות עלולה להוביל לעשרה מיליון מקרי מוות עד שנת 2050 ולעלות לכלכלה העולמית 66 טריליון ליש״ט נוספים.
המרכזים האמריקאיים לבקרת מחלות ומניעתן (CDC) מדווחים כי בשנת 2019 עמידות לתרופות הייתה קשורה לכמעט חמישה מיליון מקרי מוות ברחבי העולם. בארצות הברית לבדה מתרחשים מדי שנה יותר מ-9.3 מיליון זיהומים עמידים לתרופות.
המספרים הללו ממחישים עד כמה התופעה רחבה. מחוללי מחלות עמידים נפוצים יותר מכפי שרבים מעריכים, וכאשר הטיפול הראשוני נכשל, הרופאים נאלצים לעבור לתרופות חלופיות. אם גם טיפולי הקו השני והשלישי אינם מצליחים, האפשרויות מצטמצמות משמעותית, ולעיתים נותר רק לנסות שילובים שונים של תרופות בתקווה שאחד מהם יהיה יעיל. המשמעות היא שזיהומים שבעבר ניתן היה לטפל בהם בקלות יחסית עלולים להפוך לממושכים, מסוכנים ומורכבים הרבה יותר לטיפול.
גוגל אינה היחידה במרוץ
לצד Google DeepMind, גם חברות ביוטכנולוגיה ומוסדות אקדמיים ברחבי העולם משקיעים מאמצים בפיתוח פתרונות חדשים לעמידות לתרופות. במכון הטכנולוגי של מסצ'וסטס (MIT), למשל, חוקרים משתמשים בבינה מלאכותית גנרטיבית כדי לפתח תרכובות חדשות שיוכלו להתמודד עם זיבה עמידה לתרופות ועם חיידק ה-MRSA, זן עמיד של סטפילוקוקוס זהוב שנחשב לאחד הגורמים המסוכנים לזיהומים במוסדות רפואיים ברחבי העולם.
היתרון של הבינה המלאכותית הוא ביכולתה לסייע לחוקרים לבחון אפשרויות רבות ולזהות כיוונים חדשים לפיתוח תרופות, בתהליך שבשיטות מסורתיות עלול להיות ארוך, יקר ומורכב במיוחד. מחקר נוסף בתחום מצביע על הפוטנציאל של AI לשנות את תהליכי גילוי התרופות האנטי-מיקרוביאליות. לפי החוקרים, תהליכי הפיתוח המסורתיים של אנטיביוטיקה איטיים, יקרים ומתקשים יותר ויותר להתמודד עם מחוללי מחלות העמידים למספר סוגי תרופות.
לעומת זאת, ההתקדמות בבינה מלאכותית מאפשרת לחקור מגוון רחב יותר של מבנים כימיים וביולוגיים, לזהות תרכובות חדשות בעלות מבנה מולקולרי שונה מהקיים ולפתח גישות ממוקדות יותר לטיפול בזיהומים. בין היתר, AI עשויה לסייע בפיתוח תרופות בעלות טווח פעולה צר, שמיועדות לפעול נגד מחוללי מחלות מסוימים, ובשיפור היכולת לחזות את פעילותם של פפטידים, מולקולות המורכבות משרשראות קצרות של חומצות אמינו, שחלקן עשויות לשמש בסיס לטיפולים חדשים.
המרוץ נגד הזמן
ככל שהמודלים החישוביים מתפתחים, כך מתרחבות האפשרויות להשתמש בהם כדי להתמודד עם עמידות לתרופות. אבל גם אם הבינה המלאכותית תצליח להאיץ את גילוין של תרכובות חדשות, הדרך מהמעבדה לטיפול רפואי יעיל עדיין דורשת מחקר, פיתוח ובדיקות.
ההתמודדות עם האיום מחייבת גם שיתוף פעולה בינלאומי רחב. לצד חברות הטכנולוגיה ומוסדות המחקר, יידרשו ממשלות, גופי בריאות הציבור וחברות תרופות להשקיע בפיתוח פתרונות, לגבש מדיניות מתאימה וליצור שיתופי פעולה בין המגזר הציבורי לפרטי.
עמידות לתרופות היא כבר היום בעיה רפואית ממשית, והשלכותיה עלולות להחריף בדורות הבאים. השאלה היא האם ההתקדמות הטכנולוגית, ובראשה הבינה המלאכותית, תצליח להאיץ את פיתוח התרופות בקצב שיאפשר לרפואה להישאר צעד אחד לפני מחוללי המחלות.
