גידול סרטני אינו אויב יחיד. הוא מורכב מאוכלוסיות תאים רבות ושונות שיכולות להתנהג בדרכים שונות מאוד. ביניהם, גם בזמן האבחון, יתכנו כבר תאים שחודשים או שנים לאחר מכן עלולים להוליד גרורות או להפוך עמידים לטיפול. האתגר הוא שקשה מאוד לזהות את אוכלוסיות התאים הקריטיות הללו בזמן. חוקרים בסגד, העובדים יחד עם שותפים שוויצרים ושוודים, השיגו פריצת דרך חשובה בתחום זה.
קבוצת המחקר של ניתוח תמונה מיקרוסקופית מומנטום ולמידת מכונה, בראשות פיטר הורבאת', שמונה לאחרונה למזכיר המדינה למדע, פועלת להתמודדות עם האתגר הזה. בהתבסס במרכז המחקר הביולוגי HUN-REN, סגד, הקבוצה מפתחת שיטות מבוססות בינה מלאכותית המחברת תמונות רקמה מיקרוסקופית עם מידע מולקולרי. שני פרסומים עדכניים בעלי השפעה רבה בספרות המדעית הבינלאומית מדווחים, לראשונה, על מדידות ברמת תא בודד של הפרופילים הגנטיים והחלבוניים של שיבוטים של גידולים (https://doi.org/10.1038/s44321-026-00484-8), וכן על הגנטיקה של היווצרות גרורות על ידי שיבוטים של גידולים. (https://doi.org/10.1038/s41698-026-01569-w). תוצאות אלו פותחות נקודות מבט חדשות לעתיד של טיפול מדויק בסרטן.
ניתוחים מולקולריים מסורתיים בודקים לעתים קרובות דגימת רקמה שלמה בבת אחת. כתוצאה מכך, הבדלים חשובים בין אזורים שונים של גידול עלולים ללכת לאיבוד. מטרת הגישה החדשה היא לאפשר לחוקרים לראות לא רק איך נראה גידול, אלא גם איך מתפקדות אוכלוסיות התאים השונות שלו. בדרך זו, המפה הפנימית של הגידול הופכת לא רק לגלויה, אלא גם לקריאה ברמה המולקולרית.
שיתוף פעולה בינלאומי ומערכת ייחודית בעולם בסגד
הקבוצה במרכז המחקר הביולוגי HUN-REN, Szeged מפתחת טכנולוגיות פתולוגיה דיגיטליות וטכנולוגיות אומיקה מרחבית יחד עם שותפים שוודים ושוויצרים. משתפי פעולה מרכזיים כוללים הולגר מוך, פתולוג מולקולרי בעל שם עולמי בבית החולים האוניברסיטאי בציריך, וגיורגי מרקו-ורגה, פרופסור מחקר באוניברסיטת לונד.
בסיס טכנולוגי עיקרי של העבודה הוא מרכז מחקר אוטומטי של תא בודד שהוקם על ידי קבוצת סגד. מערכת ייחודית עולמית זו מאפשרת לבודד תאים שנבחרו בינה מלאכותית בדייקנות גבוהה, ללא התערבות אנושית, אפילו מסביב לשעון, לצורך ניתוח מולקולרי לאחר מכן.
הגישה מבוססת על Deep Visual Proteomics, או DVP. בשיטה זו, הבינה המלאכותית מנתחת תחילה תמונות רקמה היסטולוגיות ומזהה סוגי תאים רלוונטיים או אוכלוסיות תאים. לאחר מכן, החוקרים משתמשים בקרן לייזר דקה כדי לבודד במדויק את התאים הללו מהדגימה. לאחר מכן, נעשה שימוש בניתוח פרוטאומי כדי למפות אילו חלבונים קיימים בתאים שנבחרו. חלבונים הם אינפורמטיביים במיוחד מכיוון שהם משקפים ישירות את האופן שבו תא סרטני מתפקד, גדל, מסתגל או הופך עמיד לטיפול.
מבט עמוק יותר של התנהגות תאי סרטן אגרסיבית
במחקר זה, קבוצת המחקר פיתחה את ה-DVP בצורה חשובה נוספת: אוכלוסיות תאי הגידול שנבחרו על ידי ניתוח תמונה מבוסס AI נבדקו לא רק על ידי פרוטאומיקה, כלומר ברמת החלבון, אלא גם על ידי transcriptomics. Transcriptomics מראה אילו גנים פעילים בתא.
זה היה חשוב במיוחד עבור אוכלוסיות תאים שנראו מסוכנות יותר מתחת למיקרוסקופ. החוקרים הצליחו לבחון את אותן קבוצות תאים משתי נקודות מבט משלימות: אילו גנים הופעלו בהן, ואילו פונקציות ברמת החלבון נבעו מפעילות זו.
בעזרת גישה זו, חוקרים יכולים לחשוף בצורה מדויקת יותר כיצד אוכלוסיות תאים נבדלות ויזואלית בתוך גידול שונות זו מזו ביולוגית. זה משנה כי האגרסיביות של תא סרטני אינה מוסברת על ידי גורם אחד, אלא על ידי ההשפעות המשולבות של פעילות גנים, תפקוד חלבון, חילוף חומרים ואינטראקציות עם מערכת החיסון.
מעקב אחר המקורות האפשריים של גרורות
במחקר אחר, קבוצת המחקר הדגימה את הפוטנציאל הקליני של הטכנולוגיה באמצעות מקרה של מטופל צעיר עם מלנומה גרורתית חוזרת. דגימות מהגידול המקורי של החולה, כמו גם גרורות מאוחרות יותר בריאה ובמוח, נותחו באמצעות פתולוגיה דיגיטלית מבוססת בינה מלאכותית ופרוטאומיקה שנפתרה במרחב.
בינה מלאכותית זיהתה שתי אוכלוסיות של תאי גידול נפרדים במלנומה המקורית של החולה. תאים בגרורות המאוחרות יותר דמו בעיקר לאחת מהאוכלוסיות המוקדמות הללו. ניתוח רמת החלבון אישש תצפית זו: הדפוס המולקולרי של אוכלוסיית תאים זו היה הקרוב ביותר לזה של הנגעים הגרורתיים. זה מצביע על כך שעקבות של התפשטות מאוחרת של המחלה כבר היו קיימים בגידול המקורי.
במקרה של מלנומה, לא רק ראינו שחלקים שונים של הגידול נראים אחרת. בשיטה זו, נוכל גם להראות שההבדלים הללו באו לידי ביטוי ברמת החלבון. זה עשוי לקרב אותנו להבנה אילו אוכלוסיות תאים יכולות להיות אחראיות להיווצרות גרורות".
עדה מי, ביולוג ואחד החוקרים המעורבים במחקר
כיצד זה יכול לתמוך בטיפול עתידי בחולים?
העבודה המקושרת של קבוצת המחקר של סגד מראה שאי אפשר עוד להבין גידולים פשוטים כמסות אחידות. אוכלוסיות תאים שונות יכולות להתקיים באותו גידול, וחלקן עשויות למלא תפקיד מכריע בגרורות, צמיחה אגרסיבית או עמידות לטיפול.
בגישה זו, AI אינו מאבחן בעצמו. במקום זאת, הוא מספק רמה חדשה של רזולוציה לחקר גידולים. בעוד שהערכה פתולוגית מסורתית מסווגת אזורי רקמה גדולים יותר, בינה מלאכותית יכולה לנתח את המדגם תא אחר תא. זה עשוי לחשוף אילו סוגי תאים סרטניים קיימים באזורים שונים של הגידול, היכן הם ממוקמים, אילו דפוסים הם יוצרים, ובאילו פרופורציות הם מתרחשים.
"ככל שנוכל לראות בצורה מדויקת יותר אילו תאים דוחפים את המחלה קדימה, כך אנו מתקרבים יותר להתמקד לא רק בגידול באופן כללי, אלא בחלקים המסוכנים ביותר שלו", אמר פיטר הורבאת'.
למרות שממצאים אלה עדיין אינם מייצגים טיפול חדש מיידי זמין לכל החולים, הם עשויים לעזור לחוקרים ולרופאים למפות את התנהגות הגידול בצורה מדויקת יותר בעתיד, להעריך טוב יותר סיכונים ולתמוך בהחלטות טיפול מותאמות יותר.
