מחקר ב-MIT מנסה לפתח מודל AI שינבא איך גידולים מפתחים עמידות לטיפול
לפי דיווח מ-MIT, פרופ׳ מתיו ג׳ונס מפתח מודלים חישוביים שממפים את האבולוציה של גידולים, עם דגש על ecDNA, כדי לחזות מתי ואיך מתפתחת עמידות לתרופות ולשפר התאמת טיפול אישית.
חוקר הסרטן פרופ׳ מתיו ג׳ונס (Matthew G. Jones) מ-MIT מנסה להפוך את אחת הבעיות המתסכלות ביותר באונקולוגיה לשאלה שניתנת לחיזוי: מדוע טיפול שעובד בתחילה מפסיק לעבוד, ומתי בדיוק הגידול “לומד” לעקוף אותו.
סרטן כאבולוציה מואצת בתוך הגוף
ג׳ונס, חבר סגל במחלקה לביולוגיה של MIT, ב**מכון כוך לחקר סרטן אינטגרטיבי וב-Institute for Medical Engineering and Science (IMES), מתאר את הגידול כמערכת של תאים שמגיבה ללחצי סביבה ממש כמו אוכלוסייה בטבע. טיפול תרופתי, מחסור בחמצן, תגובת מערכת החיסון ואפילו מגבלות מרחביות בתוך הרקמה הם “לחצי סלקציה” שמעדיפים תאים ששרדו, השתנו והפכו לאגרסיביים יותר. התוצאה הקלינית מוכרת היטב: תגובה ראשונית טובה, ואז חזרה של המחלה בגרסה עמידה לתרופות.
רוצה להישאר מעודכן ב-AI?
הירשם לדיוור השבועי שלנו וקבל עדכונים, המלצות על כלים, חדשות ודוחות מיוחדים
מה שמייחד את הגישה של ג׳ונס הוא הטענה שלמרות שהסרטן נראה כאוטי, יש בו דפוסים חוזרים בזמן ובמרחב. אם נצליח לזקק את “כללי המשחק” האלה, ניתן יהיה לא רק להסביר בדיעבד כיצד נוצרה עמידות, אלא לחזות מראש את מסלולי ההתקדמות הסבירים ולפעול לפני שהגידול מגיע לנקודת אל-חזור.
ecDNA: מעקף גנטי שמאיץ תוקפנות
מרכז המחקר הוא תופעה בשם DNA חוץ-כרומוזומלי (ecDNA), מקטעי DNA שנחתכים מהכרומוזומים, נסגרים במבנה מעגלי, ומתקיימים כמאגר נפרד בגרעין התא. בעבר ecDNA נחשב נדיר, אך בעשור האחרון, עם התרחבות השימוש בריצוף גנטי בהיקפים גדולים, התברר שהוא נפוץ בהרבה ומעניק לגידולים יתרון אבולוציוני.
לפי ג׳ונס, כ-25% ממקרי הסרטן כוללים הגברה (Amplification) של גנים דרך ecDNA, במיוחד בסוגים אגרסיביים כמו סרטן מוח, ריאות ושחלות. ההיגיון הביולוגי חשוב: כשהגידול מסוגל להגדיל במהירות עותקים של גנים מסוימים מחוץ לכרומוזום, הוא יכול לשנות את עוצמת האיתותים התאית ולהסתגל ללחצים, כולל תרופות, בקצב מהיר מהצפוי.
בינה מלאכותית ושושלות תאים: מיפוי ההיסטוריה כדי לנבא את העתיד
כדי להפוך אבולוציה תאית לבעיה חיזויית, המעבדה משתמשת בשילוב של למידת מכונה עם טכנולוגיות מעקב שושלות בתא בודד (Single-Cell Lineage Tracing). כלים אלה מאפשרים, כאשר מדגימים תא מתוך גידול, להבין לא רק “מי הוא” מבחינה מולקולרית, אלא גם לשחזר את ההיסטוריה שלו: מתי הופיעו מוטציות, באיזה סדר, ואילו ענפים תחרותיים ניצחו לאורך הדרך.
המשמעות עבור הרפואה היא פוטנציאלית כפולה. מצד אחד, פיתוח מודלים שיסייעו לסווג מראש אילו מטופלים יגיבו לתרופות מסוימות. מצד שני, זיהוי מוקדם של מסלולים אופייניים שמובילים לעמידות עשוי לאפשר התערבות מוקדמת, למשל בשילובי תרופות או במטרות טיפוליות חדשות, לפני שהגידול מספיק “להנדס” לעצמו יתרון.
למה זה חשוב עכשיו
בעידן שבו אונקולוגיה עוברת במהירות לרפואה מותאמת אישית, האתגר אינו רק לזהות מוטציה קיימת, אלא להבין דינמיקה: כיצד הגידול ישתנה תחת טיפול. אם הגישה של ג׳ונס תבשיל לכלים קליניים, היא עשויה לתרום למעבר ממודל תגובתי, שבו מחכים לכישלון הטיפול, למודל פרואקטיבי שמנסה לחזות עמידות ולמנוע אותה. זהו צעד נוסף בהפיכת נתוני עתק ביולוגיים, ריצוף מתקדם ובינה מלאכותית לשיפור ממשי בתוצאות טיפול עבור מטופלים ברחבי העולם.