تصور کنید دارویی وجود داشته باشد که نه‌تنها بیماری را درمان کند، بلکه ساعت داخلی بدن شما را به عقب برگرداند. نتایج منتشرشده در ۷ سپتامبر ۲۰۲۶ در نشریه Nature Biotechnology نشان می‌دهد که این تصور اکنون به واقعیت نزدیک شده است.
طبق اعلام پژوهشگران، داروی rentosertib که توسط هوش مصنوعی طراحی شده، توانسته است سن بیولوژیک پیش‌بینی‌شده برای بیماران را در یک آزمایش بالینی فاز IIa به‌طور مستمر کاهش دهد. این نخستین مقایسه بالینی مستقیم است که در آن از چندین «ساعت پروتئومیک» (Proteomic Clocks) مستقل برای ردیابی اثر یک مداخله دارویی واحد استفاده شده است.
این پیشرفت در حالی رخ می‌دهد که حوزه علم پیری (Geroscience) برای یافتن زیست‌نشانگرهای (Biomarkers) معتبر دست‌وپنجه نرم می‌کند تا ثابت کند یک دارو واقعاً سرعت پیری را کم می‌کند، نه اینکه صرفاً یک علامت خاص را درمان کند. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی کاربردهای هوش مصنوعی در بیوتکنولوژی اشاره کردیم، دقت در شناسایی اهداف مولکولی کلید موفقیت این مسیر است. شرکت Insilico Medicine برای ساخت این دارو از یک رویکرد دوگانه استفاده کرد: پلتفرم PandaOmics ژن TNIK را به‌عنوان هدفی شناسایی کرد که با شش ویژگی اصلی پیری (Hallmarks of Aging) مرتبط است و سپس پلتفرم شیمی زاینده Chemistry42 ساختار مولکولی دارو را طراحی نمود.
جزئیات آزمایش
این آزمایش روی بیماران مبتلا به فیبروز ریوی ایدیوپاتیک (IPF) در مراکز مختلف چین طی سال‌های ۲۰۲۳ و ۲۰۲۴ متمرکز بود. بر اساس مستندات پژوهش، نمونه‌های خون ۴۲ شرکت‌کننده با میانگین سنی ۶۷.۱ سال تحلیل شد. برای این منظور، ۲۸۴۱ پروتئین از طریق پنل Olink Explore 3072 اندازه‌گیری شدند.
شرکت‌کنندگان در چهار بازه زمانی مشخص تحت پروفایل پروتئومیک طولی قرار گرفتند: نقطه شروع (Baseline)، هفته دوم، هفته چهارم و هفته دوازدهم. این جدول زمانی دقیق و سخت‌گیرانه به محققان اجازه داد تا مسیر تغییرات سن بیولوژیک را در لحظه و طی مداخله دارویی ردیابی کنند.
مقایسه ساعت‌های بیولوژیک
در این مطالعه، ۶ ساعت پروتئومیک متمایز شامل ProtAge، دو نسخه OrganAge (که یکی بر اساس سن تقویمی و دیگری بر اساس ریسک مرگ‌ومیر آموزش دیده بود)، PAC، ipfP3GPT و PAOPAC بر روی داده‌ها اعمال شدند. با وجود تفاوت در روش‌های آموزش این ساعت‌ها (که از یادگیری ماشین کلاسیک تا یادگیری عمیق را شامل می‌شد)، تمام این ساعت‌ها کاهش سن بیولوژیک را در بیماران تحت درمان در مقایسه با گروه پلاسبو طی ۱۲ هفته ثبت کردند.
یافته‌های کلیدی استخراج‌شده از داده‌ها عبارتند از:
- رژیم مصرفی ۳۰ میلی‌گرم دو بار در روز، بیشترین توافق و سازگاری را بین ساعت‌های مختلف نشان داد.
- از میان ۵۴ مقایسه آماری که بین ۶ ساعت و ۳ نقطه زمانی پس از شروع درمان انجام شد، ۲۱ مورد به سطح معناداری رسیدند که بیشترین تمرکز این نتایج در هفته چهارم بود.
- ساعت‌های کرونولوژیک (تقویمی) در بازوی درمانی دوز ۶۰ میلی‌گرم یک‌بار در روز، کاهش سن بیولوژیک بین ۲.۷ تا ۳.۵ سال را در هفته چهارم ثبت کردند.
- ساعت‌های ارگان‌های مبتنی بر مرگ‌ومیر، تغییرات حتی بزرگ‌تری را در بازوهای درمانی خاص نشان دادند.
- اثر دارو تا هفته دوازدهم به حالت پلاتو (ثبات) رسید؛ روندی که نویسندگان اشاره کردند نیازمند مطالعه‌های تکمیلی است.
تفکیک پیری از بیماری
تیم تحقیق برای اثبات اینکه دارو «پیری» را تعدیل می‌کند و نه فقط «عملکرد ریه» را بهبود می‌بخشد، سه بررسی تخصصی انجام داد. نخست، دریافتند دوز ۶۰ میلی‌گرمی یک‌بار در روز، بیشترین بهبود عملکرد ریه را ایجاد کرد (که از طریق ظرفیت حیاتی اجباری یا FVC اندازه‌گیری شد)، اما پاسخ ساعت‌های پیری در آن نسبت به دوز ۳۰ میلی‌گرمی کمتر و ناسازگارتر بود. یک تحلیل رگرسیون تایید کرد که تغییر در عملکرد ریه، تنها بخش ناچیزی از تغییرات سن بیولوژیک را در هر ۶ ساعت توضیح می‌دهد.
دوم، محققان نتایج را با داده‌های ۵۵,۳۱۹ شرکت‌کننده از UK Biobank مقایسه کردند. آن‌ها دریافتند رژیم ۳۰ میلی‌گرمی دو بار در روز به‌طور معناداری مسیرهای پروتئومیک مرتبط با سن را معکوس کرده است، در حالی که گروه پلاسبو همچنان به سمت روند طبیعی پیری حرکت کردند.
سوم، تحلیل غنی‌سازی مجموعه‌ژن‌ها یک اثر «سنومورفیک» (Senomorphic) را آشکار کرد. این بدان معناست که دارو ترشحات مضر سلول‌های پیر را بدون کشتن خودِ سلول‌ها سرکوب می‌کند. در بیماران تحت درمان، امضاهای پروتئینی مرتبط با پیری کاهش یافت؛ به‌ویژه هفت پروتئین کلیدی از جمله EREG، IGFBP4، MMP10، MMP13 و SPP1 کاهش یافتند.
چارچوب‌های آینده
این مقاله فراتر از یافته‌های خاص، یک چارچوب گام‌به‌گام برای گنجاندن نقاط پایانی علم پیری در آزمایش‌های بالینی بیماری‌های متداول پیشنهاد می‌کند. این چارچوب شامل موارد زیر است:
- جمع‌آوری پیش‌دستانه زیست‌نشانگرهای پیری و پیری سلولی به‌عنوان نقاط پایانی اکتشافی.
- تکرار اثرات مشاهده‌شده در جمعیت‌های مرتبط با سن که لزوماً مبتلا به IPF نیستند.
- پیگیری تایید و صلاحیت زیست‌نشانگرها تحت چارچوب BEST (متعلق به FDA-NIH) و برنامه صلاحیت زیست‌نشانگرهای FDA.
این رویکرد مدرن با فرآیندهای چندین‌ساله و سنتی که برای ارزیابی داروهای تاییدشده‌ای مانند متفورمین و رپامایسین به‌عنوان کاندیداهای محافظت‌کننده در برابر پیری (Geroprotectors) استفاده می‌شد، تفاوت اساسی دارد.
این نتیجه، معیار موفقیت در کشف داروهای مبتنی بر هوش مصنوعی را از «اثربخشی ساده در درمان بیماری» به «توانایی تعدیل فرآیندهای بنیادی بیولوژیک» تغییر می‌دهد. با اثبات اینکه یک مولکول طراحی‌شده توسط هوش مصنوعی می‌تواند چندین ساعت بیولوژیک مستقل را در یک جهت حرکت دهد، Insilico نقشه‌ای برای آزمایش‌های «دو منظوره» ارائه کرده است: درمان یک بیماری خاص و هم‌زمان هدف قرار دادن فرآیند پیری. این تلاش‌ها در راستای تسریع تشخیص و درمان بیماری‌های پیچیده است، مشابه رویکردی که در برنامه‌های حمایتی ARPA-H برای کاهش زمان تشخیص بیماری‌های نادر مشاهده شد.
با این حال، نویسندگان اعتراف می‌کنند که تفکیک کامل اثرات پیری و بیماری تنها در یک گروه مبتلا به IPF غیرممکن است. اعتبارسنجی این نتایج نیازمند آزمایش مکانیسم دارو روی داوطلبان سالم و افزایش اندازه نمونه‌های کوچک فعلی است. همچنین محدودیت پنجره زمانی ۱۲ هفته‌ای و نبود داده‌های تکمیلی از سایر مودالیته‌های اومیکس (Omics) از نقاط ضعف مطالعه است.
داروی rentosertib اکنون به فاز III آزمایش‌های بالینی برای IPF وارد شده است. تمام داده‌های پروتئومیک در مرکز ملی بیوانفورماتیک چین (با کد دسترسی OMIX008341) ثبت شده و خط لوله تحلیل داده‌ها به‌عنوان یک کتابخانه متن‌باز پایتون در گیت‌هاب منتشر شده است. الکس ژاوورونکوف، نویسنده اول، نتایج را در ۸ سپتامبر ۲۰۲۶ در کنفرانس «بازتعریف مراقبت‌های بهداشتی در عصر هوش مصنوعی» در دانشگاه سوربن پاریس ارائه خواهد کرد.
گام بعدی شما
- بررسی کتابخانه متن‌باز پایتون منتشرشده در گیت‌هاب برای تحلیل داده‌های پروتئومیک.
- دنبال کردن نتایج فاز III داروی rentosertib برای تایید اثربخشی در مقیاس بزرگ‌تر.
- مطالعه چارچوب BEST برای درک نحوه تایید زیست‌نشانگرهای پیری توسط FDA.
اما تاثیر این رویکرد بر کاهش هزینه‌های استنتاج در طراحی مولکول‌های پیچیده‌تر حتی شگفت‌انگیزتر است — به تحلیل ما درباره بهینه‌سازی مدل‌های شیمی زاینده مراجعه کنید.
گفتگو