מילון עכברי-אנושי

למרות השימוש העצום שנעשה בעכברים לחקר מחלות שפוגעות בבני אדם, יכולת ההשלכה מהמחקרים האלה לגוף האנושי היא מוגבלת: פעמים רבות תרופה שהציגה תוצאות יפות אצל עכברים במעבדה לא תפעל בבני אדם. אם תהיה לנו את היכולת להשליך מתהליכים ביולוגיים שמתרחשים בעכברים חולים לתהליכים המקבילים אצל בני אדם, וכך לצמצם את הפער הזה,  זו תהיה פריצת דרך משמעותית ביותר בפיתוח תרופות חדשות ובהבנת מנגנונים ביולוגיים. קבוצת מדענים בהובלת פרופסור שי שן-אור מהפקולטה לרפואה בטכניון, בשיתוף מדענים מאוניברסיטת סטנפורד, פרסמו לאחרונה בכתב העת Nature Methods מחקר שמהווה צעד משמעותי לקראת פיתוח גירסה ביולוגית של "מילון עכברי-אנושי".

תאיהם של יצורים חיים, ובכלל זה עכברים ובני אדם, מייצרים ומפרקים חלבונים באופן שוטף על פי הצורך. החלבונים הם מולקולות גדולות שאחראיות על כמעט כל פעולות הגוף: הזזת השרירים, שליחת אותות מתא לתא, חלוקה של התא ואפילו יצירה של עוד חלבונים, שום דבר לא יכול להתבצע בלעדיהם. בשל חשיבותם הרבה, אפשר להשוות בין החלבונים שנמצאים בתא בשגרה לבין אלה שנמצאים בו בעת מחלה, וללמוד מכךעל מנגנוני היווצרות המחלה ועל דרכי ריפוי אפשריות שלה.

בין בני אדם לעכברים יש הבדלים גנטיים רבים, ולכן גם אם שניהם יחלו באותה מחלה היא תשפיע אחרת על שכיחות החלבונים השונים בתאיהם. לפיכך, נחוצה לנו יכולת "תרגום" שתאפשר לנו לדעת למשל שאם אצל עכבר חולה מופיע חלבון א' בריכוז גבוה, זה מקביל למצב שבו חלבונים ב' וג' יופיעו בריכוז גבוה אצל בני אדם החולים באותה מחלה.

נמצא בתרגום

כדי להתמודד עם הקושי להשליך מניסויים על עכברים לבני אדם פיתחו המדענים מודל סטטיסטי המבוסס על למידת מכונה, שאותו כינו FIT ("נמצא בתרגום", Found IN Translation). למידת מכונה היא תחום שעוסק בפיתוח אלגוריתמים (כללים לעיבוד מידע) שמאפשרים ללמד את המחשב לקבל החלטות ולהציג ניבויים. כדי שהאלגוריתם יוכל לקבל החלטות לבד יש "לאמן" אותו, כלומר להזין לו כמות עצומה של דוגמאות למידע ולהגיד לו מה משמעותן, כך שבפעם הבאה שיתקל בפריט מידע דומה הוא יידע מה לעשות בו. למשל, כדי שאלגוריתמים לזיהוי פנים המבוססים על למידת מכונה יוכלו לעבוד, נציג להם מראש כמות עצומה של תמונות ונציין בכל אחת אם היא מראה פנים או לא. לאחר אימון כזה, המחשב יידע להעריך, בוודאות גבוהה, אם מופיעים פנים גם בתמונה שלא "ראה" מעולם.

במחקר הנוכחי אימנו החוקרים את האלגוריתם שלהם באמצעות מאגר מידע עצום שהכיל מאות אלפי פריטי מידע גנטיים על עכברים ובני אדם בריאים וחולים. לאחר האימון הם הציגו לו מידע על ריכוז החלבונים בתאיו של עכבר חולה במחלה שהאלגוריתם לא הכיר קודם, והוא העריך אילו חלבונים צפויים להיות רלוונטיים לאותה מחלה אצל בני אדם, ומה מידת הוודאות של ההערכה הזו.

החוקרים הדגימו את עוצמת האלגוריתם שפיתחו בעזרת אחד החלבונים שמצאו: הוא הצביע על החלבון כמעורב במחלות מעיים דלקתיות, למרות שעד אז לא היה ידוע קשר בינו ובין מחלות אלו. בדיקות של רקמות שנלקחו מחולים אכן הראו שאותו חלבון נמצא אצלם בכמות גדולה משמעותית בהשוואה לאנשים בריאים.

לדברי החוקרים, השיטה שפיתחו מזהה חלבונים המעורבים במחלות אדם טוב יותר ב-50-20 אחוז בהשוואה להסקה ישירה  מניסויי עכברים לבני אדם. אז אומנם עדיין לא נמצא "הגביע הקדוש" שיאפשר לנו לפענח ביעילות מלאה את כל הקשרים בין הניסויים במעבדה לפציינטים בבתי החולים, אך מדובר בצעד חשוב בכיוון הנכון. ומאחר שמנגנוני למידת מכונה מסוגלים להתאמן ולהשתפר, אפשר לקוות שככל שנזין לו יותר מידע, גם התוצאות שהוא נותן לנו יהיו טובות יותר.