כשהגוף חוזר לתקוף: מנגנון ישראלי, ו-AI שמאיץ טיפול

ב-30/10/2024 פורסם ממצא של חוקרים מאוניברסיטת תל אביב שמכוון בדיוק לנקודה שמונעת מהרבה טיפולי אימונותרפיה לעבוד: הגידול מצליח “להרדים” את מערכת החיסון רגע לפני המגע. לא עוד “הגידול חזק מדי”, אלא יותר “החיסון לא מקבל אישור להתקרב”.

הבשורה כאן לא מסתכמת בעוד יעד ביולוגי. היא מציעה אסטרטגיה: לקחת מנגנון דיכוי חיסוני שאנחנו מכירים מהקשר אחר לגמרי—חשיפה לקרינת UV—ולהשתמש בו כמודל להבין איך גידולים עושים דבר דומה, ואז להפוך את הכיוון. זה חיבור חכם בין ביולוגיה של העור, חקר סרטן, ואיך שלא—זה בדיוק המקום שבו בינה מלאכותית בתחום הבריאות והביוטכנולוגיה יכולה להפוך תגלית מעבדתית למסלול טיפולי שמגיע לקליניקה.

הפוסט הזה הוא חלק מסדרת “בינה מלאכותית בתחום הבריאות והביוטכנולוגיה”, ובאמת שאין כאן צורך בסיסמאות: כשמבינים מנגנון דיכוי, אפשר לבנות סביבו שכבת החלטה—אילו חולים יתאימו, מה המינון, מה הסיכון לתופעות לוואי, ואיך למדוד תגובה בזמן אמת.

מה התגלה באוניברסיטת תל אביב—ולמה זה חשוב לאימונותרפיה

התשובה הקצרה: החוקרים זיהו מנגנון שמונע מתאי מערכת החיסון לתקוף גידולים, והראו שכאשר “מהפכים” אותו—החיסון חוזר לפעול גם מול גידולים עמידים.

צוות המחקר (פרופ’ כרמית לוי, פרופ’ ירון כרמי והדוקטורנט אבישי מליח) התמקד בתופעה מוכרת באימונולוגיה: דיכוי חיסוני מקומי. זה קורה בעור לאחר UV (כדי להפחית דלקת-יתר), וזה קורה בתוך מיקרו-סביבה של גידול (כדי לאפשר לגידול לשרוד). החידוש הוא בגישה: במקום להתחיל מהגידול ולחפש “מה הוא עושה לחיסון”, הם התחילו מ-UV וחיפשו “איך הגוף מוריד את הווליום לחיסון”, ואז יישמו את ההיגיון על סרטן.

למה זה משנה? כי חלק מהכישלונות באימונותרפיה אינם בגלל שאין תאי T “טובים”, אלא בגלל שהם לא מצליחים:

• להגיע לגידול
• להישאר פעילים מספיק זמן
• להתגבר על אותות מעכבים (inhibitory signals)

תגלית שמפרקת מנגנון עיכוב יכולה לעבוד כ”שדרוג” לכמה טיפולים קיימים—not by replacing them, אלא על ידי הורדת הבלמים שמנטרלים אותם.

הטריק של הגידול: דיכוי חיסוני כמערכת “הרשאות”

התשובה הישירה: גידול לא רק מתחמק—הוא מנהל סביבו מערכת הרשאות שמגבילה גישה, מפחיתה הפעלה ומשנה את התנהגות התאים החיסוניים.

אם חושבים על זה כמו אבטחת מידע, הרבה גידולים מתנהלים כמו ארגון שמקיף את עצמו בבירוקרטיה:

• תאים חיסוניים מתקרבים, אבל מקבלים “אותות אל תתקרב”
• תאים שמגיעים פנימה עוברים “הסבה” לתאים מדכאים (למשל מקרופאגים פרו-גידוליים)
• נוצרת סביבה ענייה בחמצן ומלאת גורמי דלקת/דיכוי שמחלישה פעילות אנטי-גידולית

כאן נכנסת ההשראה מ-UV: הגוף למד במהלך האבולוציה להפעיל מנגנונים שמפחיתים תגובה חיסונית בעור כדי למנוע נזק עודף. אבל אותו סוג מנגנון, כשהוא מופעל בגידול, הוא לא “הגנה”—הוא בעיה.

האמירה החשובה בעיניי היא זו: כשמגלים את כפתור ההשתקה, אפשר לתכנן טיפול שמחזיר את הסאונד—בדיוק ברקמה הנכונה. וזה הבדל עצום בין טיפול חכם לבין “להגביר את החיסון בכל הגוף” (שעלול לייצר תופעות אוטואימוניות קשות).

למה זה רלוונטי במיוחד בדצמבר 2025

חצי השני של 2025 המשיך להבליט שתי מגמות: מצד אחד הרחבה של טיפולים אימונותרפיים לקווי טיפול מוקדמים יותר, ומצד שני דרישה הולכת וגוברת לפרסונליזציה—מי באמת ירוויח ומי רק יסבול מתופעות לוואי.

דווקא בחורף, כשמערכת הבריאות נמתחת (עומסים, זיהומים נשימתיים, מחסור בכוח אדם), יש ערך אדיר לטיפולים שמגיעים עם יכולת ניבוי ומדידה: לדעת מראש למי לתת, ולזהות תוך שבועות בודדים אם הטיפול עובד.

איפה הבינה המלאכותית נכנסת—ומה היא יכולה לעשות כבר עכשיו

התשובה הפשוטה: AI יכול להפוך מנגנון ביולוגי לטיפול ישים דרך זיהוי חולים מתאימים, אופטימיזציה של שילובים, וחיזוי תופעות לוואי ותגובה.

כשמתגלה מנגנון דיכוי חיסוני חדש (או מובהר מחדש), נפתחת שאלה פרקטית: איך מתרגמים את זה למשהו שהאונקולוג יכול להשתמש בו בלי לנחש? כאן AI הוא לא “תוספת נחמדה”—הוא שכבת תפעול.

1) בחירת חולים (Patient Stratification) על בסיס חתימות חיסוניות

כדי שמנגנון “הסרת בלמים” יעבוד, צריך לזהות מי באמת סובל מהבלם הזה. AI יכול לאחד נתונים ממקורות שונים כדי לבנות חתימה חיסונית:

• RNA / ביטוי גנים ברקמת גידול
• פתולוגיה דיגיטלית (תמונת היסטולוגיה) לזיהוי חדירה חיסונית
• נתוני דם (סמנים דלקתיים, תתי-אוכלוסיות תאים)
• מידע קליני (טיפול קודם, תגובה קודמת, תופעות לוואי)

במילים פשוטות: במקום “ננסה ונראה”, אפשר להגיע ל”הסבירות לתגובה כאן גבוהה יותר”.

2) גילוי תרופות ושילובים: לא להמציא מחדש, אלא להתאים נכון

המנגנון החדש מצביע על יעד. השאלה הבאה: איזה מולקולות יכולות להשפיע עליו—ומה השילוב הנכון עם טיפולים קיימים?

AI בגילוי תרופות עושה שלושה דברים טוב במיוחד:

• חיפוש מהיר של מועמדים (כולל תרופות קיימות לשימוש מחדש – repurposing)
• חיזוי אינטראקציות בין מסלולים ביולוגיים (pathways)
• אופטימיזציה של מינונים ולוחות זמנים: לא רק “מה לתת”, אלא “מתי”

כאן נוצרת פרקטיקה חדשה: לבנות “מרשם חכם” שמכוון להפעיל את החיסון וגם לנטרל את ההשתקה המקומית.

3) ניטור תגובה בזמן אמת (Real-World Monitoring)

אימונותרפיה לפעמים נראית ככישלון בהדמיה ואז מתברר שהגוף כן מגיב (פסאודו-פרוגרסיה), ולהפך. מודלים של AI יכולים לשלב:

• הדמיות עוקבות
• בדיקות דם סדרתיות
• תיעוד תופעות לוואי

ולספק לרופא כלי תמיכה: האם להמשיך, לעצור, או לשנות שילוב.

משפט שאפשר לקחת לפגישה: “מנגנון חדש הוא לא תרופה. AI הוא מה שמאפשר להפוך אותו לפרוטוקול.”

מה צריך לקרות כדי שזה יהפוך לטיפול: מסלול “מהמעבדה לקליניקה”

התשובה הישירה: צריך לאמת את המנגנון בסוגי גידול שונים, לבנות מדדי התאמה, לתכנן ניסויים קליניים חכמים, ולוודא בטיחות חיסונית.

תגליות אימונולוגיות רבות נופלות לא בגלל שהן לא נכונות, אלא בגלל שהן לא מתורגמות נכון. ארבע תחנות קריטיות:

1) הרחבה לסוגי גידול ומצבי עמידות

אם המנגנון פועל בגידולים עמידים לאימונותרפיה, זה מבטיח—אבל עדיין צריך להבין:

• באילו גידולים הוא שכיח יותר
• האם הוא משתנה אחרי כימותרפיה/קרינה
• האם הוא קשור למאפייני מטופל (גיל, מצב חיסוני, קומורבידיות)

2) ביומרקרים מדידים: מה בודקים בפועל

מערכת בריאות לא יכולה להישען על “נראה במעבדה”. היא צריכה בדיקה:

• בדיקת דם או בדיקת רקמה
• סף החלטה (cutoff) ברור
• זמן תוצאה קצר

כאן AI תורם בהמרת נתונים מורכבים למדד אחד שימושי: ציון סיכון/התאמה.

3) ניסויים קליניים אדפטיביים

ניסוי קלאסי (Phase 1-3 ליניארי) יקר ואיטי. יותר ויותר גופים עוברים לעיצוב אדפטיבי:

• משנים הקצאות תוך כדי בהתאם לתגובה
• מפסיקים זרועות לא יעילות מוקדם
• מאתרים תתי-אוכלוסיות שמגיבות טוב במיוחד

AI יכול לתמוך בניהול הניסוי: בחירת אתרים, התאמת פרוטוקול, זיהוי אותות בטיחות מוקדמים.

4) בטיחות: “להחזיר את החיסון” בלי להצית שריפה

הסרת בלמים חיסוניים יכולה להציל חיים—אבל גם להעלות סיכון לתופעות אוטואימוניות. לכן צריך:

• מדידה רציפה של סמני דלקת
• מנגנוני עצירה ברורים
• פרופיל סיכון מותאם מטופל

שאלות שאנשים שואלים (וגם כדאי לשאול בצוות)

התשובות כאן פרקטיות, לא אקדמיות.

האם זה אומר שיש “מנגנון שמעלים גידולים”?

לא. המשמעות היא שיש מנגנון שמונע מהחיסון לעשות את העבודה, וכשמסירים אותו—הגוף יכול לתקוף טוב יותר. בין זה לבין טיפול סטנדרטי יש עוד דרך רגולטורית וקלינית.

מה ההבדל לעומת מעכבי PD-1/PD-L1?

מעכבי PD-1 הם סוג אחד של הסרת בלם. התגלית הזו מצביעה על בלם אחר/מסלול אחר של דיכוי מקומי. בעולם האמיתי, לעיתים שילוב בלמים הוא הסיבה לעמידות.

איפה ה-AI הכי משפיע כבר בשלב הזה?

בבחירת חולים ובאיפיון המיקרו-סביבה החיסונית מתוך דאטה קיים: פתולוגיה דיגיטלית, טרנסקריפטומיקה, ונתוני טיפול בעולם האמיתי.

מה עושים עם זה אם אתם סטארטאפ/חברת ביוטק/בית חולים

התשובה הישירה: בונים יכולת דאטה סביב מנגנוני דיכוי חיסוני—ומחברים אותה לפרוטוקולי ניסוי וטיפול.

שלושה צעדים שאני רואה שעובדים (וגם לא דורשים “להמציא תרופה” ביום אחד):

1. מאגר נתונים מאוחד: פתולוגיה + קליניקה + אומיקס/דם, עם תיוג של תגובה לאימונותרפיה.
2. מודל התאמה: ציון שמנבא מי יגיב כשמסירים בלמים מסוימים.
3. פרוטוקול פיילוט: מסגרת לניטור תופעות לוואי ולמידה מהירה (גם רטרוספקטיבית, גם פרוספקטיבית).

אם אתם מובילים חדשנות רפואית, זו נקודת כניסה חזקה: לא רק לדבר על AI, אלא לחבר אותו למנגנון ביולוגי עם ערך קליני ברור.

לאן זה הולך מכאן—ולמה זה משתלב יפה בסדרת ה-AI שלנו

המסר המרכזי מהתגלית בתל אביב הוא חד: מיקרו-סביבת הגידול היא מערכת בקרה. מי שיודע לשנות את אותות הבקרה, משפר את סיכויי ההצלחה של אימונותרפיה.

במסגרת “בינה מלאכותית בתחום הבריאות והביוטכנולוגיה”, זה בדיוק הסיפור שאני אוהב לספר: ביולוגיה נותנת את היעד, וה-AI נותן את המהירות, ההתאמה האישית, והיכולת למדוד ולשפר. זה ההבדל בין תגלית מעניינת לבין שינוי קליני בקנה מידה.

אם אתם רוצים להפוך את הכיוון הזה לליד אמיתי—כלומר לתוכנית עבודה—השלב הבא הוא למפות איזה נתונים יש לכם (או חסרים לכם) כדי לזהות את “בלם הדיכוי” אצל חולים שונים, ואיפה AI יכול לחסוך חודשים של ניסוי וטעייה. השאלה שמובילה את 2026 כבר עכשיו:

מי יבנה ראשון את הגשר בין מנגנון חיסוני חדש לבין פרוטוקול טיפול מותאם אישית?