AI uczy się biologii przeciwciał. Czy to początek nowej ery w projektowaniu leków?
Projektowanie skutecznego leku opartego na przeciwciałach jest jak poszukiwanie właściwego klucza w magazynie zamków. Naukowcy mogą zacząć od milionów, a nawet miliardów kandydatów na przeciwciała, ale tylko niewielka ich część rozpoznaje cel choroby i ściśle się z nim wiąże. Identyfikacja tych rzadkich kandydatów od dawna stanowi jedno z największych wyzwań w opracowywaniu leków opartych na przeciwciałach.
Naukowcy z Uniwersytetu Bostońskiego opracowali ramy sztucznej inteligencji specyficzne dla przeciwciał, które radykalnie zawężają zakres poszukiwań. Zamiast budować większy model AI, zespół przeprojektował sposób uczenia się modelu, koncentrując się na małych obszarach przeciwciał, które rozpoznają cele chorób.
– Zamiast traktować przeciwciała jak białka generyczne, zaprojektowaliśmy model językowy specyficzny dla przeciwciał, który uczy się podstawowych wzorców w regionach odpowiedzialnych za wiązanie antygenu. To ukierunkowane podejście pomaga badaczom zidentyfikować najbardziej obiecujące kandydatury terapeutyczne, zanim jeszcze trafią one do laboratorium – mówi dr Diane Joseph-McCarthy, główna badaczka i dyrektor wykonawcza Centrum Technologii i Przedsiębiorczości Bioinżynierii Uniwersytetu Bostońskiego.
Badanie zostało opublikowane w czasopiśmie „Communications AI & Computing” z Nature Portfolio. Naukowcy odkryli, że to podejście poprawiło przewidywania siły wiązania przeciwciał, znanej jako powinowactwo wiązania, nawet o 27 procent, wymagając przy tym znacznie mniej zasobów obliczeniowych niż wiele istniejących modeli sztucznej inteligencji przeciwciał.
Dlaczego przeciwciała stanowią wyzwanie dla sztucznej inteligencji
Sztuczna inteligencja zrewolucjonizowała biologię, identyfikując wzorce w milionach sekwencji białkowych – podobnie jak ChatGPT przewiduje brakujące słowa, modele języka białek przewidują zamaskowane aminokwasy, aby nauczyć się „języka” białek. W przypadku większości białek losowe ukrywanie aminokwasów jest skuteczną strategią treningową, ponieważ istotne informacje są rozproszone w całej cząsteczce.
Przeciwciała są jednak inne. Regiony odpowiedzialne za rozpoznawanie wirusów, bakterii i komórek nowotworowych nieustannie ewoluują, co czyni je trudniejszymi do modelowania. Informacje określające, co przeciwciało rozpoznaje i jak mocno się wiąże, są skoncentrowane w sześciu maleńkich pętlach zwanych regionami determinującymi komplementarność (CDR).
– Pomyśl o przeciwciele jak o śrubokręcie. Nie ma znaczenia, czy jest długi, czy krótki – kształt końcówki decyduje o tym, do jakiej śruby pasuje. Regiony CDR są jak ta końcówka: określają, który cel rozpoznaje przeciwciało – mówi dr John Misasi, adiunkt wirusologii, immunologii i mikrobiologii w Chobanian and Avedisian School of Medicine na Uniwersytecie Bostońskim.
Model uczy się biologii, która ma znaczenie
Naukowcy przeprojektowali proces szkolenia wokół biologii przeciwciał, koncentrując naukę modelu na CDR i trenując go na ponad 1,6 miliona naturalnie sparowanych łańcuchów ciężkich i lekkich przeciwciał. Podczas treningu celowo maskowali do połowy aminokwasów w CDR, zmuszając sztuczną inteligencję do rekonstrukcji regionów najbardziej krytycznych dla wiązania.
– Postawiliśmy sobie pytanie: jak możemy nauczyć model biologii, która jest dla niego najważniejsza? Okazało się, że to znacznie skuteczniejsza strategia – mówi dr Ioannis Paschalidis, dyrektor Instytutu Informatyki im. Haririego na Uniwersytecie Bostońskim.
Powstały mniejszy model, liczący około 600 milionów parametrów, dorównywał lub przewyższał znacznie większe modele w testach na ponad 90 000 zmodyfikowanych wariantów przeciwciał ukierunkowanych na sześć antygenów, wymagając przy tym mniejszego nakładu obliczeniowego.
– Nie potrzebowaliśmy większego modelu ani znacznie większej ilości danych. To podobne do tego, co zaobserwowano w przypadku modeli AI w języku ludzkim, gdzie mniejsze modele specyficzne dla danej dziedziny, trenowane na wysokiej jakości danych, często przewyższają większe, ogólne modele – mówi Paschalidis.
Badanie pomaga rozwiązać jeden z największych problemów w odkrywaniu przeciwciał: decydowanie, które z nich testować, skoro nawet niewielkie zmiany sekwencji mogą prowadzić do bilionów możliwych wariantów.
– Jeśli komputer może zawęzić miliony możliwości do kilkuset najbardziej obiecujących kandydatów, oszczędza to ogromną ilość czasu, pracy i kosztów w laboratorium – mówi Misasi, główny pracownik naukowy Narodowego Laboratorium Chorób Zakaźnych (NEIDL) Uniwersytetu Bostońskiego.
Naukowcy uważają, że biologicznie uwarunkowana sztuczna inteligencja może pomóc szybciej znajdować obiecujące przeciwciała w przypadku przyszłych epidemii oraz sugerować, jak adaptować istniejące terapie do zmieniających się wirusów.
– Ucząc sztuczną inteligencję biologii, która jest najważniejsza, mamy nadzieję zapewnić naukowcom lepsze narzędzia do odkrywania, optymalizacji i ostatecznie projektowania kolejnej generacji terapii przeciwciałowych – podsumował Joseph-McCarthy.
Źródło: Uniwersytet w Bostonie
Czytaj też: Odcinają nowotworom drogę ucieczki. Nowa terapia „paraliżuje” komórki rakowe!
Grafika tytułowa: Myriam Zilles / Unsplash
