LM-QASAS: מעקב אחר תגובות חיסוניות בלי מאגרי נוגדנים

במציאות שבה מגפות חדשות צצות ודורשות תגובה מהירה, אחד החסמים הגדולים ביותר במחקר החיסוני הוא הצורך במאגרי מידע קיימים של רצפי נוגדנים ידועים. בלי בסיס כזה, קשה לנטר תגובות חיסוניות – למשל, לראות אם חיסון עובד או לעקוב אחרי זיהום מתפתח. אבל מה אם אפשר היה לעשות את זה בלי מאגרים כאלה? צוות חוקרים מיפן טוען שפיתח שיטה מבוססת AI שעושה בדיוק את זה.

מה הסיפור?

חוקרים מ-Kobe University ומ-Institute of Science Tokyo הציגו שיטת ניתוח חדשה בשם LM-QASAS. השיטה משלבת מודלי שפה של נוגדנים עם רפרטוארים של רצפטורים של תאי B (BCR repertoires) שנאספו לפני ואחרי חיסון, כדי לזהות ולעקוב אחרי רצפי BCR שכנראה הגיבו לגירוי חיסוני – כל זאת מבלי להסתמך על מאגר של רצפי נוגדנים ספציפיים לנגיף, הידועים מראש.

LM-QASAS מרחיבה שיטה קודמת בשם QASAS (Quantification of Antigen-Specific Antibody Sequence), שהייתה מוגבלת על ידי הצורך במאגרי נוגדנים קיימים. הגרסה החדשה משתמשת במודל שפה של נוגדנים כדי לחקור את הדינמיקה הפנימית של רצפי הנוגדנים עצמם.

איך זה עובד בפועל?

בליבת LM-QASAS נמצא מודל AbLang2. הוא לוקח רצפי חומצות אמיניות מ-CDR-H3 – אזור בשרשרת הכבדה של הנוגדן שחשוב במיוחד לזיהוי אנטיגנים – וממיר אותם לייצוגים וקטוריים של 480 ממדים. במילים אחרות, כל רצף נוגדן הופך לנקודה ב"מרחב שפה" רב-ממדי, שבו רצפים עם מאפיינים דומים ממוקמים קרוב זה לזה.

החוקרים ייצגו רצפי BCR משלוש נקודות זמן: לפני גירוי חיסוני (Pre), בשיא התגובה (Peak) ובשלב הירידה (Post). הם חיפשו אזורים במרחב השפה שהיו דלילים בשלב ה-Pre, הפכו לצפופים מקומית בשלב ה-Peak, ואז הצפיפות בהם ירדה שוב בשלב ה-Post. כך אפשר לזהות רצפים שהגיבו זמנית לגירוי החיסוני.

אז מה קרה בנתונים?

כדי לבדוק את השיטה, החוקרים ניתחו נתוני רצפי BCR מסוג IgG מ-10 משתתפים בקוהורטים הקשורים ל-SARS-CoV-2. התוצאות היו מעניינות: הרצפים שנבחרו כמועמדים מובילים באמצעות מודל השפה הכילו יחס גבוה יותר של רצפים דומים לאלה של נוגדנים ידועים נגד SARS-CoV-2, בהשוואה לבחירה אקראית.

בנוסף, החוקרים בנו "מאגר ייחוס מדומה" מנתוניהם של תשעה מהמשתתפים. הם השתמשו בו כדי לעקוב אחרי התגובה החיסונית של המשתתף העשירי – שהיה חדש ולא היה חלק ממאגר הייחוס. המאגר המדומה הצליח להציג את העלייה, את השיא ואת הירידה בתגובה החיסונית לאורך זמן.

זה אומר שלמרות הגיוון העצום של רצפי CDR-H3, מודל ה-AI הצליח ללכוד דפוסים ביולוגיים רלוונטיים מנתוני רצפים לאורך זמן.

למה זה חשוב?

הממצאים מציעים של-LM-QASAS יש פוטנציאל לשנות את הדרך שבה אנחנו עוקבים אחרי תגובות חיסוניות. במקום להסתמך על מאגרים קיימים של נוגדנים – שזמינים רק עבור מחלות שנחקרו רבות כמו COVID-19 – אפשר לבנות מאגרי ייחוס מדומים מרצפי BCR של מספר אנשים, ולהשתמש בהם כדי לעקוב אחרי תגובות באנשים חדשים.

זה קריטי במיוחד עבור מחלות זיהומיות מתפתחות, שבהן מידע על נוגדנים ידועים הוא מוגבל מאוד. השיטה יכולה לספק פלטפורמה לניטור מגוון רחב של תגובות חיסוניות הומורליות, כולל תגובות הקשורות לחיסונים, מחלות זיהומיות, מחלות אוטואימוניות ואפילו חיסונים נגד סרטן.

רקע: אתגר ה-BCR repertoires

לתאי B יש נוגדנים בצורת ממברנה, הנקראים רצפטורים של תאי B (BCRs), על פני השטח שלהם. הגוף האנושי יכול לייצר תיאורטית עד 100 טריליון BCRs שונים. האוסף המלא של הרצפים האלה – רפרטואר ה-BCR – מתעד את ההיסטוריה החיסונית של הפרט, כולל זיהומים, חיסונים ותגובות אוטואימוניות.

למרות שטכנולוגיית ריצוף מהדור הבא יכולה כיום לקרוא מספר גדול של רצפי BCR בבת אחת, זיהוי תת-הקבוצה שהגיבה בפועל לאנטיגן ספציפי נותר מאתגר. שיטת QASAS המקורית אפשרה לראות תגובות חיסוניות לאורך זמן על ידי השוואה למאגרי נוגדנים ידועים, אבל היא הייתה מוגבלת כשלא היה מאגר מתאים.

מה הלאה?

החוקרים מדגישים שיש צורך בבדיקות נוספות. כדי שהשיטה תהפוך לפלטפורמה רחבה, צריך לאמת אותה מול אנטיגנים נוספים וקוהורטים גדולים יותר. אם היא תעמוד במבחן הזה, LM-QASAS יכולה להפוך לכלי משמעותי בפיתוח חיסונים, במחקר של מחלות אוטואימוניות ואפילו בהתאמה אישית של טיפולים.

מחקר זה פורסם ב-Frontiers in Immunology ב-30 ביולי 2026, ומציג כיצד מודלי AI יכולים לעזור לפענח את המורכבות של מערכת החיסון.

ואולי בעתיד, זה יהיה פשוט יותר ממה שאנחנו חושבים: דגימת דם, קצת AI, ותשובה ברורה אם החיסון שלכם עבד.