מאת: ד"ר אסנת רזיאל, מומחית לטיפול בהשמנה, בריאות מטבולית ואריכות חיים בריאה, מנהלת המרכז הרב־תחומי לטיפול בהשמנת יתר, אסיא מדיקל, אסותא רמת החייל
בינה מלאכותית והזדקנות: צעד חדש במחקר
בינה מלאכותית והזדקנות נפגשות במחקר חדש שפורסם בכתב העת היוקרתי Cell. החוקרים פיתחו מערכת הערכה פתוחה בשם LongevityBench. המטרה הייתה לבדוק אם מודלים של בינה מלאכותית יודעים לעשות משהו מעבר לסיכום מאמרים. האם הם יכולים לקרוא נתונים ביולוגיים מורכבים, לזהות בהם דפוסים ולהסיק מסקנות על גיל, הישרדות והזדקנות?
התוצאה המרכזית מפתיעה. מודלים קטנים יחסית, שאומנו על נתוני הזדקנות, השתוו למודלי-ענק כלליים. בחלק מהמשימות הם אף עלו עליהם. המשמעות אינה שמחשב יודע לעצור את ההזדקנות. המשמעות היא שהתמחות ואיכות הנתונים חשובות לא פחות מגודל המודל.
למה צריך בינה מלאכותית בחקר ההזדקנות?
ההזדקנות היא גורם הסיכון המרכזי למחלות רבות. ביניהן מחלות לב וכלי דם, סרטן, סוכרת, מחלות ניווניות של המוח ואובדן מסת שריר. אולם ההזדקנות אינה נובעת ממנגנון יחיד. היא כוללת שינויים מצטברים במערכות רבות:
מתילציה של DNA ושינויים אפיגנטיים.
ביטוי גנים ורמות חלבונים בדם וברקמות.
דלקת כרונית, תפקוד מיטוכונדריאלי והזדקנות תאית.
שינויים מטבוליים והורמונליים.
מאפיינים קליניים, תזונתיים והתנהגותיים.
קשרים מורכבים בין גנטיקה, סביבה ואורח חיים.
המחקר המודרני מייצר כמויות עצומות של מידע מסוג "אומיקס" (Omics). המונח כולל גנומיקה, אפיגנומיקה, טרנסקריפטומיקה ופרוטאומיקה, כלומר מדידה רחבה של גנים, ביטוי גנים וחלבונים. האתגר אינו רק לאסוף את הנתונים, אלא לחבר ביניהם ולהפוך אותם לתובנות.
כאן טמון הפוטנציאל של הבינה המלאכותית. היא יכולה לזהות בתוך מיליוני מדידות דפוסים שאדם יחיד מתקשה לראות. לעיתים גם צוות מחקר שלם מתקשה בכך.
לא עוד שאלות ידע: מבחן על נתונים ביולוגיים אמיתיים
רוב מבחני הבינה המלאכותית ברפואה בודקים אם המודל מכיר עובדות שכבר פורסמו. מודל עשוי לענות היטב משום שהתשובה הופיעה בטקסטים שמהם למד. אולם הצלחה כזו אינה מוכיחה שהוא יודע לנתח ניסוי ביולוגי חדש.
לכן פיתחו החוקרים את LongevityBench. זוהי מערכת פתוחה עם 17 משימות שונות, המבוססות על חמישה תחומי מידע ביולוגי:
נתונים קליניים: בדיקות דם, מדדי גוף, תרופות, שאלונים ונתוני הישרדות ממאגר NHANES.
אפיגנומיקה: פרופילים של מתילציית DNA ממאגר GEO.
טרנסקריפטומיקה: דפוסי ביטוי גנים ברקמות ממאגר GTEx.
פרוטאומיקה: רמות של מאות חלבונים בפלזמה, שנמדדו בפלטפורמות Olink.
גנטיקה של אריכות ימים: גנים והשפעת מניפולציות גנטיות על תוחלת החיים.
בסך הכול כללה המערכת 25,457 שאלות. למשל, המודלים התבקשו לקבוע מי מבין שני אנשים הוא המבוגר. בנוסף, הם שייכו נבדקים לקבוצות גיל והעריכו גיל מתוך פרופיל מולקולרי. הם גם ניסו לחזות איזו התערבות גנטית תוביל להארכת החיים הגדולה ביותר.
זו דרישה אחרת לגמרי משאלת ידע רגילה. המודל צריך לקרוא את המדידות עצמן ולהסיק מהן מסקנה.
מודלי-הענק לא הציגו עליונות עקבית
החוקרים בחנו 18 מערכות בינה מלאכותית מתקדמות משש קבוצות פיתוח. ביניהן מודלים של OpenAI, Google, Anthropic, xAI, DeepSeek ו-Moonshot AI.
התוצאות לא היו אחידות. אף מודל מסחרי לא הצטיין בכל התחומים. בנוסף, המודלים היו רגישים מאוד לניסוח השאלה. אותו מידע הניב ביצועים שונים כשהמשימה הוצגה כהשוואה, כסיווג או כהערכת גיל מספרית.
המודלים הכלליים הצליחו יחסית במשימות קליניות, עם נתונים מוכרים כמו בדיקות דם. לעומת זאת, הם התקשו לפרש ישירות פרופילים של מתילציה, ביטוי גנים או חלבונים.
למשל, משימה אחת דרשה מהמודל לזהות את המבוגר מבין השניים לפי ביטוי גנים. אף מודל-ענק לא עבר רמת ביצוע של 0.56. ניחוש אקראי צפוי להגיע ל-0.50, וחלק מהמודלים אף ירדו מתחת לכך.
גם בניתוח החלבונים בלט הפער. מודל סטטיסטי ייעודי הגיע למדד התאמה של 0.749. המודל המסחרי הטוב ביותר הגיע ל-0.703 בלבד, ואחרים התקרבו לביצוע אקראי.
בינה מלאכותית והזדקנות: דווקא המודלים הקטנים ניצחו
החוקרים אימנו חמישה מודלים ייעודיים בשם Longevity-LLMs. גודלם נע בין 600 מיליון ל-9 מיליארד פרמטרים. זה קטן בהרבה ממודלי-הענק המסחריים.
החוקרים אימנו את המודלים על כ-1.4 מיליארד טוקנים ייחודיים של מידע על הזדקנות. טוקנים הם יחידות הטקסט שמודל שפה מעבד. האימון כלל נתונים ביולוגיים מובנים ולא רק טקסטים מדעיים. כך למדו המודלים את המבנה הסטטיסטי והביולוגי של נתוני אומיקס.
שלושת המקומות הראשונים בדירוג הכולל נתפסו בידי המודלים הייעודיים. המודל L-Qwen3.5-9B השיג את הדירוג הממוצע הטוב ביותר, 4.4. הוא הקדים את כל המודלים המסחריים. אפילו מודל זעיר של 600 מיליון פרמטרים דורג במקום השישי מתוך 26.
המסקנה ברורה: גודל אינו הכול. כשרוצים להבין נתונים ביולוגיים, אימון ממוקד על מידע איכותי עשוי לעלות ביעילותו על הגדלת המודל.
משעונים ביולוגיים למערכת שמסבירה את הנתונים
שעוני הזדקנות קיימים כבר שנים. הם מעריכים גיל ביולוגי לפי מתילציה של DNA, חלבונים בדם, בדיקות דם או ביטוי גנים. לעיתים הם משלבים גם הדמיה, מיקרוביום או תצלומים.
אולם לשעון מסורתי יש מגבלות. בדרך כלל הוא מקבל סוג מידע אחד ומשתמש ברשימה קבועה של משתנים. בסוף הוא מחזיר מספר יחיד. כדי לעבור לסוג מידע אחר, צריך לבנות ולאמת מודל חדש.
מודל שפה ייעודי עשוי בעתיד לעלות עליהם בגמישות. הוא יוכל לשלב סוגי מידע שונים, לנהל שיחה עם החוקרת ולהסביר את מסקנותיו. עם זאת, המחקר אינו מוכיח שהמודלים מעריכים במדויק גיל ביולוגי של אדם מסוים. הוא גם אינו מאפשר להם להמליץ על טיפול.
Longevity Claw: סוכן AI לחיפוש מטרות טיפוליות
החוקרים שילבו את המודל המוביל במערכת מחקרית בשם Longevity Claw. זוהי מערכת סוכנית (Agentic), כלומר מערכת שמבצעת משימות בעצמה. היא מחברת מודל שפה לכלים ביואינפורמטיים, לשעוני הזדקנות ולמאגרי מידע.
בהדגמה ביקשו מהמערכת להציע גנים שיכולים לשמש מטרות לטיפולים נגד הזדקנות. היא בחנה 14 קטגוריות, ובהן סימני ההיכר של ההזדקנות. כל מועמד קיבל ציונים בשישה תחומים:
מידת הביטחון במועמד.
האפשרות לפתח נגדו תרופה.
בטיחות וחדשנות.
פוטנציאל מסחרי.
בהירות המנגנון הביולוגי.
אחרי שישה סבבי ניתוח המערכת הפיקה רשימה של 328 גנים פוטנציאליים. החוקרים השוו אותה לרשימת מטרות להזדקנות שפורסמה ב-2022. החוקרים מצאו העשרה של פי 2.4 בכלל מטרות ההזדקנות. במטרות שנחשבו ניתנות לפיתוח תרופתי ההעשרה הייתה פי 2.8. בקרב מטרות שכבר אומתו בניסוי היא הגיעה לפי 5.6.
שניים מהמועמדים, CXCL12 ו-ADAMTS14, נכללו גם ברשימה של מטרות שאומתו בעבר בניסוי. גן נוסף, KDM1A, הופיע בחמישה מתוך שישה סבבים. בהמשך הוא זוהה כמטרה אפשרית הקשורה גם להזדקנות וגם לסרטן. ניסוי בתולעים הראה עדות להארכת חיים.
אלה תוצאות מעניינות, אך הן אינן הוכחה לבטיחות או ליעילות בבני אדם. מטרות שמציעה בינה מלאכותית חייבות לעבור אימות במעבדה ובבעלי חיים. רק אחר כך מגיעים לניסויים קליניים. על הדרך שבה תרופות קיימות נבחנות כמאטות הזדקנות כתבתי בעבר.
בינה מלאכותית והזדקנות: למה זה חשוב לרפואת הלונג׳ביטי?
הפוטנציאל העתידי רחב. מערכת AI אמינה עשויה לעזור לחוקרים ולרופאים:
לשלב בדיקות קליניות עם מידע גנטי ומולקולרי.
לנתח שעונים ביולוגיים מסוגים שונים.
לזהות מסלולים שמואצים אצל אדם מסוים.
לאתר סמנים מוקדמים של סיכון בריאותי.
להציע השערות מחקריות ולזהות מטרות לתרופות.
לעקוב לאורך זמן אחר התגובה להתערבויות.
יתרון נוסף של המודלים הקטנים הוא הפעלה מקומית בתוך מוסד רפואי. כך אפשר לצמצם העברה של מידע רגיש לשירותי ענן מסחריים. בנוסף, השליטה בפרטיות ובאבטחת המידע משתפרת. על AI ככלי לרפואה מונעת כתבתי במאמר אחר.
עם זאת, הדרך ממודל מחקרי לכלי קליני ארוכה. צריך תיקוף חיצוני ובדיקה באוכלוסיות שונות. חשובים גם שקיפות, מנגנוני בקרה ואישור רגולטורי.
בינה מלאכותית והזדקנות: מה המחקר עדיין אינו מוכיח?
חשוב לקרוא את הממצאים בהתלהבות, אך גם בזהירות. המערכת בדקה חיזוי וזיהוי דפוסים. היא לא הוכיחה שהמודלים מבינים מנגנונים ביולוגיים. היא גם לא הוכיחה שהם מבחינים בין קשר סטטיסטי לסיבתיות.
המודל יכול לזהות שסמן מסוים קשור לגיל. אולם מכאן אי אפשר להסיק ששינוי הסמן יאט את ההזדקנות. בנוסף, יש מגבלות נוספות:
מאגרי הנתונים ציבוריים, ולכן ייתכן שמודלים מסחריים נחשפו לחלקם מראש.
לא נבדקו עלויות ההפעלה וזמן התגובה של המודלים.
לא נבדקה הוגנות הביצועים לפי מין, גיל או מוצא.
המחקר לא כלל תחומים כמו ניתוח חד-תאי, פרוטאומיקה מרחבית ותכנות אפיגנטי מחדש.
בחלק מהמשימות מודלים סטטיסטיים ייעודיים עדיין עקפו אותם.
חיזוי תמותה אישית נותר קשה: אף מודל לא ירד משגיאה ממוצעת של 50 חודשים.
מכאן שהבינה המלאכותית היא כלי תומך מחקר. היא אינה מקור עצמאי לאמת מדעית או להחלטה טיפולית.
העתיד: צוות משולב של חוקרים, רופאים ובינה מלאכותית
המסר של המחקר אינו שהבינה המלאכותית תחליף את חוקרי ההזדקנות. להפך, היא עשויה להרחיב את יכולתם להתמודד עם היקף המידע. כפי שכתבתי במאמר על הכישורים האנושיים ברפואה של עידן ה-AI, השיפוט האנושי נשאר במרכז.
המערכת יכולה לסרוק נתונים, לזהות דפוסים ולדרג השערות. החוקרים והרופאים צריכים להעריך את ההיגיון הביולוגי ולזהות הטיות. הם גם מתכננים ניסויים ובודקים אם ההשערה עומדת במבחן המציאות.
בעתיד, רפואת הלונג׳ביטי עשויה לשלב מדידות מתקדמות, מודלים ייעודיים ובקרה אנושית. המטרה אינה רק "ציון גיל ביולוגי". המטרה היא להבין אילו מערכות נפגעות, מה אפשר לשנות ואילו התערבויות בטוחות.
שורה תחתונה
המחקר מסמן מעבר חשוב בתחום של בינה מלאכותית והזדקנות. מבינה מלאכותית שקוראת את הספרות, עוברים לבינה מלאכותית שמתחילה לקרוא את הביולוגיה עצמה. הדרך ליישום קליני עדיין ארוכה. אולם החיבור בין נתונים קליניים, גנטיים וחלבוניים במערכת אחת עשוי להפוך לכלי מרכזי בחקר הזדקנות בריאה.
המידע במאמר הוא מידע כללי ואינו מהווה תחליף לייעוץ רפואי אישי.
מקורות
An open benchmark and language models for AI in aging biology
Setting the Frontier of Aging Biology with Liquid Foundation Models
Insilico Medicine Releases Open Longevity AI Toolkit in Cell Study
Hallmarks of aging: An expanding universe
גילוי נאות: חלק מחוקרי המחקר הם עובדים ובעלי אופציות או מניות בחברת Insilico Medicine. חלקם עובדים ומייסדים של חברת Liquid AI, שפיתחה את מודלי LFM2 שנבדקו. הכלים שפורסמו במסגרת המחקר הם מוצרים של Insilico Medicine.
