בתחום הרפואה המודרנית, טיפולים מבוססי RNA הופיעו כשדרה מבטיחה, עם התקדמות משמעותית במחלות מטבוליות, אונקולוגיה וחיסונים מונעים. מאמר שפורסם לאחרונה ב הַנדָסָה שכותרתו "העתיד של פיתוח תרופות RNA מונחה בינה מלאכותית" מאת Yilin Yan, Tianyu Wu, Honglin Li, Yang Tang ופנג Qian, חוקר כיצד בינה מלאכותית (AI) יכולה לחולל מהפכה בפיתוח תרופות RNA, לטפל במגבלות הנוכחיות ולהציע הזדמנויות חדשות לחדשנות.
המאמר מדגיש את הפוטנציאל של טיפולי RNA, ומציין שתרופות RNA הראו אחוזי הצלחה גבוהים יותר בהשוואה לתרופות מסורתיות. לדוגמה, Alnylam Pharmaceuticals טוענת ששיעור המעבר המצטבר של תרופות להפרעות RNAi (RNAi) משלב 1 קליני לשלב 3 מגיע ל-64.4%, גבוה משמעותית משיעור הצלחת התרופה המסורתית של 5%-7%. בנוסף, לוחות זמנים לגילוי תרופות RNA נמדדים בדרך כלל בחודשים, ולא בשנים הנדרשות לתרופות מסורתיות, והם קשורים בעלויות נמוכות יותר. עם זאת, למרות היתרונות הללו, טכניקות ניסיוניות נוכחיות כמו CRISPR ושיטות חישוביות כגון רצף RNA עדיין לא מצליחות לעמוד בדרישות למהירות וגיוון בפיתוח תרופות RNA.
בינה מלאכותית מוכנה למלא את הפער הזה. המאמר מדגיש את היכולת של AI למנף מחשוב מקביל וללמוד דפוסים מורכבים מנתונים בקנה מידה גדול, ובכך לטפל במגבלות של מתודולוגיות קיימות. גישות מונעות בינה מלאכותית יכולות לשפר את יעילות פיתוח התרופות ולפתוח הזדמנויות חדשות לזיהוי מועמדים לתרופות חדשניות. המחברים מתארים שלוש אסטרטגיות עיקריות שבאמצעותן בינה מלאכותית יכולה להניע התקדמות בפיתוח תרופות RNA: גישות מונעות נתונים, גישות מונחות אסטרטגיה למידה וגישות מונעות למידה עמוקה.
גישות מונעות נתונים מהוות את הבסיס על ידי ניצול מערכי נתונים בקנה מידה גדול וטכניקות כריית כללים כדי לחלץ דפוסים ויחסים משמעותיים בין מולקולות RNA והמבנים או הפונקציות הביולוגיות שלהן. גישות מונעות אסטרטגיות למידה משתמשות בטכניקות כגון הסקה סיבתית ולמידת חיזוק כדי לייעל את תהליכי קבלת ההחלטות. גישות מונעות למידה עמוקה, המייצגות רמה גבוהה יותר של מורכבות ואוטומציה, משתמשות במודלים של שפה גדולים כמו ChatGPT כדי לנתח רצפי RNA ארוכים ולתמוך בעיצוב דה נובו של RNA פונקציונלי.
המאמר צופה זרימת עבודה עתידית לפיתוח תרופות RNA מונעות בינה מלאכותית המסתמכת על מערכת אינטראקטיבית מבוססת תוכנה. מערכת זו תכלול שתי לולאות משוב מרכזיות: לולאה פנימית המתמקדת בתכנון מבוסס פלטפורמה כדי לשפר את ביצועי מודל AI, ולופ חיצוני המשלב נתונים מהעולם האמיתי כדי לחדד את פיתוח התרופות באופן מתמיד. זרימת העבודה תתחיל עם דיגיטציה מקיפה של נתוני RNA, ולאחריה תכנון מותאם אישית של מועמדים לתרופה, הערכות תרופות, סינתזה אוטומטית וניסויים ביולוגיים לצורך אימות קליני ראשוני. לאחר מכן, המועמדים לתרופות שנבחרו יותאמו למערכות מסירה מתאימות ויוצבו בסימולציה מקוונת לצורך צפייה מוקדמת בדינמיקה של מסירה, פעולת התרופה ותהליכי השפלה בגוף האדם.
המחברים מזהים מספר נושאי מחקר מאתגרים לטווח הקרוב, כולל הדמיה מקיפה ברזולוציה גבוהה, גילוי תרופות RNA מותאם אישית ופיתוח של פלטפורמת ייצור RNA הניתנת לעריכה. התקדמות אלו עשויות להוביל לייצוג שלם ואינטראקטיבי יותר של מבני RNA והתנהגותם במערכות ביולוגיות, ולאפשר יצירת תרופות RNA מותאמות אישית ביותר המותאמות לפרופילים גנטיים אינדיבידואליים.
היתרונות הכלכליים והחברתיים של פיתוח תרופות RNA מונעות בינה מלאכותית בולטים. אוטומציה מונעת בינה מלאכותית מפחיתה משימות עתירות עבודה, ומאפשרת זיהוי מהיר ומדויק יותר של יעדי RNA, וכתוצאה מכך חיסכון בעלויות ובדיקות מזורזות של טיפולי RNA. ככל שהפלטפורמה מתרחבת מבחינה תעשייתית, היא מבטיחה איכות תרופות עקבית ויעילות עלות גבוהה יותר באמצעות תהליכים אופטימליים הניתנים לשחזור.
השילוב של AI בפיתוח תרופות RNA טומן בחובו את הפוטנציאל לשנות את עתיד הטיפולים. על ידי מינוף היכולות של AI, חוקרים יכולים לחקור באופן שיטתי מבני RNA חדשניים, לזהות מועמדים לתרופות מבטיחות ולזרז את צינור גילוי התרופות, מה שיוביל בסופו של דבר למודלים של פיתוח בר-קיימא וחסכוני יותר עם יתרונות נרחבים.
