AI ו-CRISPR בסרטנים: מה זה אומר לביוטק הרפואי?

ב-2023 שוק השרימפס העולמי הוערך ב-40.35 מיליארד דולר. זה מספר שמפתיע בעיקר כי הוא לא “רק אוכל” — הוא תשתית תעשייתית עצומה שמרגישה היטב כל זעזוע: מחלות, שינויי אקלים, מחירי מזון, רגולציה וסיכוני שרשרת אספקה. וכשמשהו בקנה מידה הזה מחפש יציבות, הוא מתחיל להשקיע במדע שמייצר ודאות.

כאן נכנסת הידיעה שמבחינתי שווה הרבה יותר מכותרת של “עוד מענק”: רשות החדשנות (IIA) אישרה שנה שנייה של מימון לפרויקט מו״פ ישראלי שמשלב CRISPR לעריכת גנים בסרטנאים יחד עם מנועי AI חישוביים כדי לשפר תכונות כמו קצב גדילה, עמידות למחלות והסתגלות סביבתית. השותפות כוללת את Watershed AC (חקלאות ימית בת-קיימא), Evogene (ביוטכנולוגיה חישובית) ואוניברסיטת בן-גוריון.

אבל אם אתם כאן בגלל סדרת התוכן שלנו על בינה מלאכותית בתחום הבריאות והביוטכנולוגיה, הסיפור האמיתי הוא לא שרימפס. הסיפור הוא שיטת עבודה: איך AI ועריכת גנים מתחברים כדי לקצר מסלול מניסוי במעבדה ליישום תעשייתי — ומה מזה מחלחל ישירות לפיתוח תרופות, ביולוגיה חישובית, וביוטק רפואי.

למה מימון לשיפור גנטי בסרטנאים חשוב גם לבריאות

הנקודה המרכזית: פרויקטים של עריכת גנים בחקלאות ימית הם מעבדת אימון לכל מה שתעשיות הבריאות צריכות — מודלים חישוביים, ניהול ניסויים, סקיילינג, ובטיחות.

בבריאות אנחנו רגילים לשמוע על AI שמנתח הדמיות או מסכם רשומות רפואיות. זה חשוב, אבל חלק גדול מהערך הכלכלי של AI בביוטכנולוגיה נמצא דווקא ביכולת שלו להחליט מהר יותר מה לשנות בביולוגיה: איזה גן, איזה וריאנט, איזה מסלול מטבולי, ואיזו התערבות צפויה לשפר תכונה רצויה בלי “תופעות לוואי” לא צפויות.

במילים פשוטות: אם אפשר ללמד מערכת AI להציע עריכות גנטיות מדויקות בשרימפס ולהראות שזה עובד בפועל, קל יותר להעביר את אותו היגיון (לא את אותו המוצר) לעולמות כמו:

• גילוי מטרות תרופתיות (target discovery) באמצעות חיזוי קשרים בין גנים-חלבונים-מחלה
• אופטימיזציה של תאי ייצור (למשל קווי תאים לייצור נוגדנים)
• ביולוגיה סינתטית: תכנון מסלולים ביוכימיים לייצור חלבונים/אנזימים טיפוליים
• פרסונליזציה רפואית: התאמת טיפול על בסיס וריאנטים גנטיים

והסיבה שזה מרגש היא לא הפנטזיה על “רפואה של העתיד”, אלא היכולת למדוד תוצאות: קצב גדילה, עמידות, שרידות. אלה מדדים כמותיים שמכריחים את ה-AI לעמוד במבחן המציאות.

מה באמת קורה בפרויקט: CRISPR + מנוע AI לתכנון עריכות

הנקודה המרכזית: עריכת גנים טובה מתחילה לפני המעבדה — היא מתחילה במודל שמחליט איפה לגעת.

לפי הידיעה, בשנה הראשונה השותפים עמדו ביעדים והצליחו לייצר את הסרטןון (prawn) הראשון שעבר עריכה גנטית עם שינויי גנים נבחרים באמצעות CRISPR. זה הישג טכני, אבל מה שמעניין יותר הוא ש-Evogene תרמה מנוע AI בשם GeneRator וכלים נוספים כדי לתמוך בתהליך הבחירה והאופטימיזציה.

למה AI נחוץ בכלל אם יש CRISPR?

CRISPR הוא “היד” שמבצעת. AI הוא “המוח” שמחליט.

CRISPR מאפשר לחתוך/לשנות DNA בדיוק גבוה יחסית. הבעיה האמיתית ברוב הפרויקטים היא לא היכולת לערוך — אלא בחירת היעד:

• איזה גן באמת משפיע על עמידות למחלה?
• האם שינוי בגן אחד יפגע בתכונה אחרת (כמו פוריות או גדילה)?
• האם יש רשת גנטית שלמה שצריך להזיז בעדינות ולא “לדחוף” נקודה אחת?

AI עוזר לצמצם ניסוי וטעייה באמצעות:

1. אינטגרציה של נתוני -omics (גנומיקה/תעתיק/חלבונים) כדי לזהות קשרים
2. חיזוי השפעות של עריכה על פנוטיפ (התכונה בפועל)
3. דירוג מועמדים לעריכה לפי סיכון/תועלת והסתברות הצלחה
4. תכנון ניסויי יעיל יותר: פחות קבוצות, יותר כוח סטטיסטי

בבריאות, זה מקביל לתהליך שבו AI מציע מטרות תרופתיות — ואז ביולוגים מאמתים אותן בניסויים. אותו מחזור, רק אורגניזם אחר.

מה היעדים בשנה השנייה (ומה זה אומר “סקייל תעשייתי”)

היעד המוצהר לשנה השנייה הוא להגדיל את הטכנולוגיה בקנה מידה תעשייתי עבור סרטןון ענק במים מתוקים, ולהרחיב את היישום לשני מינים נוספים: שרימפס white leg ו-crayfish אדום.

“סקייל תעשייתי” בביוטכנולוגיה הוא לא סיסמה. זה אומר להתמודד עם:

• רבייה במספרים גדולים תוך שמירה על עקביות גנטית
• בקרת איכות (QC) לבדיקת העריכות ומניעת פספוסים
• עלות ליחידה: להפוך פרוטוקול מעבדתי יקר למשהו שיכול לעבוד בחווה
• ביוסייפטי ורישוי: תיעוד, עקיבות, והערכת סיכונים

והלקח לביוטק רפואי ברור: אם אין סקייל, אין מוצר. הרבה חברות בריאות נופלות לא במדע אלא בהנדסת התהליך.

למה חקלאות ימית היא “מגרש אימונים” מצוין לביוטק רפואי

הנקודה המרכזית: חקלאות ימית מייצרת לחץ תעשייתי דומה לזה של בריאות — רק עם מחזורי חיים קצרים יותר ומדדים קשיחים.

בפיתוח תרופות, ניסוי קליני יכול לקחת שנים. בחקלאות ימית אפשר למדוד מחזורי גדילה, תמותה, עמידות לפתוגן ותנאי סביבה בפרקי זמן קצרים יותר — וזה מאפשר למידה מהירה.

כדי להבין את ההקבלה, תחשבו על ארבע שכבות:

1. ביולוגיה: גנים → חלבונים → תכונות
2. מידע: איסוף נתונים, תיוג, ניתוח סטטיסטי
3. מודלים: AI שמייצר השערות ותחזיות
4. אימות: ניסויים שמכריעים אם המודל צדק

זה בדיוק אותו מבנה שמפעיל היום פלטפורמות של AI לגילוי תרופות. ההבדל הוא שהשאלה בבריאות היא “האם זה ישפר תוצאה קלינית?”, ובחקלאות ימית השאלה היא “האם זה שורד, גדל ומרוויח”. שתיהן שאלות קשות, רק עם מדדים שונים.

גם “עמידות למחלות” בסרטנאים היא בעיית בריאות ציבורית

מחלה בחווה ימית היא לא רק הפסד כספי. היא עלולה לגרור שימוש יתר בתרופות אנטי-מיקרוביאליות, פגיעה באיכות מים והשפעות שרשרת על מערכות אקולוגיות.

עריכות שמעלות עמידות למחלות יכולות לצמצם צורך בהתערבויות טיפוליות. זו אותה פילוסופיה שמובילה היום פתרונות בריאות: פחות טיפול מאוחר, יותר מניעה מוקדמת.

מה אפשר ללמוד מזה אם אתם סטארטאפ/מעבדה בבריאות ובביוטכנולוגיה

הנקודה המרכזית: הפרויקט מדגים תבנית פעולה יעילה ל-AI בביוטק — לשלב מודל, ניסוי וסקייל כבר מהיום הראשון.

אני רואה הרבה צוותים שמנסים “לבנות מודל מושלם” ואז לחפש נתונים, או להפך. כאן יש שילוב של שותפים שמכסים את כל השרשרת: תעשייה (Watershed), AI-ביוטק (Evogene), ואקדמיה (בן-גוריון). זה לא מקרי — זו דרך להימנע מצוואר הבקבוק הקלאסי בין תגלית מעבדתית ליישום.

צ’ק ליסט פרקטי: איך לארגן פרויקט AI-ביוטק כך שיעבוד

אם אתם עובדים על AI בתחום הבריאות והביוטכנולוגיה, הנה רשימה שמבדילה בין מחקר יפה למוצר מתקדם:

1. להגדיר פנוטיפ מדיד: מה בדיוק “הצלחה”? אחוז שרידות? ירידה בביומרקר?
2. לבנות דאטה שמשרת החלטה: לא “כמה שיותר נתונים”, אלא נתונים שמכריעים בין אפשרויות
3. לייצר לולאת אימות קצרה: מודל → ניסוי → עדכון מודל, במחזורים קבועים
4. לכלול שיקולי סקייל מוקדם: עלות בדיקה, זמני ריצה, פרוטוקול מעבדה שמוכן להתרחב
5. לנהל סיכונים רגולטוריים: תיעוד, עקיבות, והסבר מדעי ברור למה התערבות בטוחה

משפט שאני חוזר אליו: AI בביוטק לא נמדד באיכות המודל, אלא בכמות ההחלטות הטובות שהוא גורם לנו לקבל.

“People also ask” בגרסת השטח

האם עריכת גנים בסרטנאים קשורה ישירות לפיתוח תרופות? לא במובן של “מחר זה תרופה”. כן במובן של פלטפורמות: מודלים חישוביים, שיטות אימות, ותהליכי סקיילינג שניתנים להעברה.

למה דווקא סרטנאים ולא דגים? כי יש בהם אתגרי רבייה, מחלות ורגישות סביבתית שמכריחים פתרונות מדויקים. מבחינת AI, זה מגרש מורכב שמייצר הרבה אותות ביולוגיים.

האם זה יגיע גם לבריאות בישראל? בפועל זה כבר שם: אותן גישות של ביולוגיה חישובית ו-AI שמיושמות בחקלאות מתורגמות בישראל גם לאונקולוגיה, אימונולוגיה ופיתוח תרופות. ההעברה היא דרך אנשים, כלים ותהליכים.

מה זה אומר על ישראל כמעצמת AI-ביוטק (ולמה זה רלוונטי לסוף 2025)

הנקודה המרכזית: המימון לשנה שנייה מצביע על מעבר מ”הוכחת יכולת” ל”הוכחת היתכנות תעשייתית”, וזה בדיוק השלב שבו נוצרים לידים עסקיים.

דצמבר 2025 הוא זמן שבו ארגונים בבריאות ובביוטכנולוגיה סוגרים תוכניות ל-2026: תקציבי חדשנות, פיילוטים עם בתי חולים, ושיתופי פעולה עם פלטפורמות AI. כשגורם ממשלתי מממן שנה שנייה — אחרי עמידה ביעדים בשנה הראשונה — זה אות לשוק: יש כאן כיוון שעובד, עם משמעת ביצוע.

וזו גם תזכורת: הרבה מההתקדמות ב-AI בבריאות תגיע לא מכותרות על צ׳אטבוטים, אלא מחיבור שקט בין חיזוי חישובי לבין ביולוגיה ניסויית.

אם אתם מחפשים את המקום שבו AI פוגש “חומר חי”, זה בדיוק הסיפור.

צעד הבא למי שרוצה להפוך את זה להזדמנות עסקית

אם אתם מנהלי חדשנות, חוקרים, או צוותי מוצר בבריאות:

• מיפוי מהיר של תהליכים אצלכם שבהם יש “ניסוי וטעייה יקר” (בחירת מטרות, סקרינינג, תכנון ניסויים)
• בדיקה האם יש נקודת חיבור ל-AI שמייצרת החלטה: דירוג, חיזוי, אופטימיזציה
• הקמה של פיילוט קצר (6–10 שבועות) עם מדד תוצאה אחד ברור

החיבור בין AI לעריכת גנים לא נשאר באוקיינוס. הוא נכנס ללב של הביוטכנולוגיה הרפואית — דרך תהליכים, לא דרך סיסמאות.

השאלה שמעניינת אותי לקראת 2026: מי יהיו הגופים שידעו להפוך את המחזור מודל → ניסוי → סקייל ליתרון תחרותי קבוע, ולא לפרויקט חד-פעמי?