מאז ההצלחה המסחררת של ChatGPT, נראה כי כולם מתפעלים מההתקדמויות האדירות של AI בתחום השפה, ומהפוטנציאל של הטכנולוגיה הזו לשנות את חיינו (לטוב ולרע). אבל בעוד שההייפ מתמקד ביכולות של ה-AI הגנרטיבי ליצור טקסטים חדשים, יש מי שרותמים את הכלים הללו לשימושים אחרים, עם פוטנציאל מהפכני לא פחות.
עוד בנושא:
בסוף יוני פורסם מחקר של IBM ואוניברסיטת אוקספורד שבמסגרתו החוקרים הצליחו, באמצעות מודל AI גנרטיבי, "לעצב" ולבדוק תוך חודשים מולקולות שיכולות להילחם בנגיף הקורונה. מדובר במחקר ראשוני, והדרך ליצירת תרופה על בסיסו עוד ארוכה, אך לפי IBM הוא מוכיח כי בינה מלאכותית גנרטיבית יכולה לשחק תפקיד משמעותי בפיתוח תרופות עתידי, ובעיקר בתקופות משבר. בכלל, לפי פרופ' מיכל רוזן-צבי, דירקטורית בחטיבת מחקרי בינה מלאכותית לרפואה ומדעי החיים במעבדת המחקר של IBM, הדמיון בין תחום השפה לתחום פיתוח התרופות רב, ועוזר לרתום את הטכנולוגיות החדשות למטרה זו.
"יש פה קשר שלא נראה לי שאנשים רואים", אומרת רוזן-צבי, שפעילותה מתמקדת בטכנולוגיות להאצת פיתוח תרופות, בשיחה עם ynet. "מחלה קשורה להליך לא תקין בגוף, למשל חוסר בחלבון שמפרק את הסוכרים וגורם לסוכרת, ובמקרה הזה התרופה תטפל בחלבון, או חלבון שפועל יותר מדי וגורם לסרטן, ואז רוצים להפריע לו לפעול. החלבון הוא מבנה גדול, ויש לו כל מיני כיסים, ואם תבוא מולקולה קטנה שתיתקע בכיס, הוא לא יוכל לעשות את הפעולה. למציאת החלבון והמולקולה הקטנה יש הרבה דמיון לשפה טבעית ולכן אפשר להשתמש בכלים של שפה טבעית", היא מסבירה. "החלבונים נבדלים בסדר שבו מופיעות 20 חומצות האמינו שמרכיבות אותם. אם אנחנו חושבים על עברית, שיש בה קצת יותר מעשרים אותיות, אנחנו יכולים לחשוב על זה כהרבה מאוד טקסטים".
היא מסבירה כי "יש לנו מאמר שבו אנחנו מראים שאפשר לייצג חלבונים באמצעות שרשראות חומצות אמינו שלוקחות בחשבון את המבנה התלת-ממדי - זה חשוב כי שואלים איפה המולקולה הקטנה תתחבר. גם המולקולות הקטנות מתורגמת לשרשראות של אותיות שנראות כמו טקסט, ואז אפשר כבר לשאול מה האינטראקציה בין שתי השרשראות. לכן את כל הכלים שפותחו בשנתיים האחרונות כדי ללמוד מטקסטים ענקיים ולייצר בעזרתם דברים שאי אפשר היה לעשות קודם, אפשר להפעיל גם בעולם החלבונים והמולקולות".
אלגוריתם שעוסק בשפה טבעית לומד להבין הקשרים בין טקסטים, ובסוף יודע לייצר טקסט חדש. במקרה הזה הוא מצופה להסיק תובנות על חלבונים שאנחנו לא יודעים עליהם?
"זה החזון המלא שלנו, אבל מתחילים יותר בקטן. ברגע שאספנו בצורה מאוד קונקרטית את כל החלבונים, למדנו את הקשרים ביניהם ומה מאפיין חלבון שפועל נכון בגוף, אפשר לענות לשאלה - בהינתן החלבון הזה, איך היית מייצר חלבון חדש שיתקשר אליו ויפעיל אותו בצורה שמתאימה לנו - ויגרום לו להפסיק לפעול או לפעול יותר, תלוי מה אנחנו צריכים בהקשר של המחלה".
ברגע שקיבלת תשובה מה יוכל לסייע בטיפול במחלה - מה הצעד הבא? אתם מנסים את זה במעבדה?
"אלה דברים שקורים עכשיו, זה תהליך המחקר שלנו ואנחנו בתנופת עשייה. אם אני רוצה לייצר את הנוגדן שיתחבר לחלבון נכון ויגרום לפעולה מסוימת, אנחנו עושים את זה באופן וירטואלי. השלב הבא הוא לבחון את זה בתוך המעבדה שמייצרת את הנוגדן ובוחנת את הפעילות שלו. זה תהליך שאנחנו עושים עם כמה שותפים, בהם Cleveland Clinic, מרכז רפואי ומחקרי גדול בארה"ב. אחרי שאנחנו עושים את החלק הווירטואלי, חוקר שלהם, מומחה לסרטן ומחלות אוטואימוניות, עושה את הבדיקות במעבדה".
באיזה שלב כרגע אתם נמצאים במחקרים מהסוג הזה?
"יש לנו המון ניסיון בעבודה עם חלבונים ועם התנהגות של המערכת החיסונית בכלים יותר ישנים של למידת מכונה - לפני חמש שנים עשינו מחקר שבו בדקנו למי טיפול כימותרפי לסרטן יעזור ולמי לא, לפי נתונים של התא, זה הצריך ללמוד את הנתונים שהגיעו מחולים שקיבלו טיפול כזה, ולייצר תחזיות", היא מסבירה על ניסיון העבר, ומתייחסת להתפתחויות האחרונות בתחום. "הקפיצה המטאורית שקרתה השנה ובשנה שעברה, עם יכולות לייצר טקסט חדש באמצעות מודלים שנקראים foundation models, מהווה מהפך, ואנחנו בתחילת הדרך בעולמות האלה. בשנה שעברה פרסמנו מאמר ראשוני שהראה יכולת ללמוד תכונות של מיליארד מולקולות קטנות, ולחזות מה יקרה כשמולקולה קטנה כזאת תיכנס לתא של ווירוס HIV; אחר הפרויקטים עם קליבלנד קליניק, מתמקד בניסיון למצוא נוגדנים נכונים לסרטן על בסיס למידת התכונות של המולקולות; יש לנו גם שיתוף פעולה עם מודרנה כדי להשתמש בטכנולוגיות של פאונדיישן מודלס כדי לפתח חיסונים שמבוססים על mRNA. בעולם הטקסט יש הצלחות פנומנליות, ובעולם התרופות אנחנו ממש בהתחלה".
פרט למחקרים שעוסקים בניסיון לפתח תרופות חדשות, תחום מחקר מעניין לא פחות שהחברה מעורבת בו נוגע ל"repurposing" - הרעיון שלפיו ניתן להשתמש בתרופה קיימת ומאושרת לשימוש כדי לטפל במחלות אחרות. גם המחקרים הללו נעשים בסיוע של בינה מלאכותית.
"יש סט שלם של כלים שנקרא causal inference, היכולת להסיק הסקה קזואלית מתוך נתונים בקנה מידה ענק", אומרת רוזן-צבי. "זו טכנולוגיה שלא לגמרי נמצאת בציר של למידה חישובית קלאסית - בה לומדים מנתונים, ומוצאים קשרים אסוצייאטיביים וקורלציות כדי לחזות תוצאות על נתונים שלא ראינו. במקרה הזה, מנסים לחזות את התוצאה שתגיע בעקבות שינוי במשתנה. למשל - אם תפסיק לעשן הסיכוי שיהיה לך סרטן יקטן".
היא ממשיכה ומתארת כי "העולם של תרופות, ובמיוחד ריפרפסינג, שואל את השאלה מה תיקח שיגדיל את הסיכוי שלך להחלים ממחלה. לצורך הזה בנינו כלים אחרים. במתודות האלה, בוחנים רטרוספקטיבית מאגר מידע מאוד גדול, ומזהים שתרופה מסוימת שאנשים צרכו לבעיה אחת, הועילה להם לבעיה אחרת. זה משלים את השאלות האחרות שמבקשות להבין איזה מולקולה מתקשרת לחלבון - אבל התא של הגוף שלנו כל כך מורכב ויש בו מגוון רחב של חלבונים, כך שלפעמים יכול להיות שאנחנו לא מבינים את המנגנון, אבל עדיין משהו קרה".
המתודות האלו נבחנו במחקר ש-IBM ערכה בעבר עם חברת טבע. במסגרת המחקר שפורסם ב-2019, נבחן מאגר מידע של מאה אלף חולי פרקינסון מארה"ב. "בדקנו את הידרדרות המחלה, והאם אנחנו יכולים לזהות תרופות שהם צרכו, שלא נועדו להועיל להם בפרקינסון והאיטו את הקצב של הידרדרות המחלה. מצאנו שנראה שתרופה לבעיות שינה שנקראת זולפידם האטה את הקצב של ההתפתחות של דמנציה שקשורה לפרקינסון. אחר כך רופאים מומחים הציעו לכך הסבר וגם מצאנו מאמרים בספרות הרפואית שמראים שיש היפותזה כזאת - זה נתן לנו עוד אינדיקציה לכך שהמתודה שלנו שלומדת מנתונים היסטוריים של חולים יכולה לעזור בגילוי שימושים חדשים לתרופות קיימות".
לשיטה הזו יש לדבריה פוטנציאל להקל על חלק מהקשיים הקיימים היום: "לייצר תרופה ולפתח אותה זה מאוד יקר, אז למצוא שימוש חדש לתרופה שכבר עברה את תהליכי האישור על הבטיחות זה דבר מאוד מבטיח". נכון להיום, החברה בוחנת שאלות דומות הנוגעות למחלת האלצהיימר במסגרת שיתוף הפעולה עם קליבלנד קליניק. "אנחנו בוחנים האם נוכל לזהות תרופות שלכאורה מונעות את ההתפתחות של המחלה. זו שאלה הרבה יותר רחבה ומורכבת, כי עכשיו צריך לבחון אנשים שעוד לא התפתח להם אלצהיימר, אבל הם בגיל שהיה יכול להתפתח, ולבדוק אם אולי הם צרכו תרופות שמנעו זאת. אנחנו עובדים על זה בשיתוף פרופסור פיישיונג צ'נג מארצות הברית, שפרסם מאמר בשנה שעברה שצבר הרבה עניין בקהילה - הוא הראה שייתכן שסילדנאפיל (ויאגרה), מונעת התפתחות של אלצהיימר. כך נראה לפי הנתונים. אבל יש כמובן תהליך ארוך מהרגע שמוצאים את זה בנתונים ועד האישור כתרופה".
ובכל זאת, כמה את צופה שהשימוש בכלי בינה מלאכותית יקצר את תהליך פיתוח התרופות?
"תהליך פיתוח התרופות היום לוקח בין עשר לעשרים שנים. הפעילות שלנו מתמקדת בתחום הפרה-קליני, ויש גם AI שמשרת את שלב הניסויים הקליניים, והרבה קיצורים שיכולים לקרות בשלב הזה, למשל בהחלפת קבוצת הביקורת בבחינת מאגרי מידע של היסטוריה רפואית. בצד הפרה-קליני, אני חושבת שתהיה האצה מאוד משמעותית, אנשים בוחנים הרבה מאוד נוגדנים עד שהם מגיעים לנוגדן הנכון, ועכשיו אנחנו נקצר את כל התהליכים האלה בחודשים, אם לא שנים, ובוודאי יהיה גם חיסכון של עלויות".
מתי את מעריכה שזו תהפוך להיות הפרקטיקה הסטנדרטית?
"זה מתחיל כבר עכשיו ויעבור מהפך משמעותי בשנתיים-שלוש הקרובות. את המאמצים הראשונים בשוק אני כבר רואה, יש סטארטאפים ישראליים, יש מענקים גדולים מאוד שמופנים לדברים האלה. העולם רץ לשם".
