Ερευνητές στις ΗΠΑ δημιούργησαν νέα αντισώματα με τη βοήθεια της γενετικής τεχνητής νοημοσύνης. Συνήθως τα αντισώματα κατασκευάζονται χρησιμοποιώντας προσεγγίσεις που περιλαμβάνουν ανοσοποίηση ζώων ή έλεγχο μεγάλου αριθμού μορίων.
Τα εργαλεία τεχνητής νοημοσύνης μπορούν να συντομεύσουν αυτή τη διαδικασία και να «εκδημοκρατίσουν την ικανότητα σχεδιασμού αντισωμάτων», εξηγεί ο συν-συγγραφέας της μελέτης Ναθάνιελ Μπένετ, υπολογιστικός βιοχημικός στο Πανεπιστήμιο της Ουάσιγκτον στο Σιάτλ.
«Σε δέκα χρόνια από τώρα, θα σχεδιάζουμε αντισώματα με αυτόν τον τρόπο» προσθέτει.
Δημιουργία μίνι πρωτεϊνών
Ο Μπένετ και οι συνάδελφοί του χρησιμοποίησαν ένα εργαλείο τεχνητής νοημοσύνης που κυκλοφόρησε η ομάδα τους πέρυσι, το οποίο βοήθησε στον μετασχηματισμό του σχεδιασμού των πρωτεϊνών. Το εργαλείο, που ονομάζεται RFdiffusion, επιτρέπει στους ερευνητές να σχεδιάσουν μίνι πρωτεΐνες που μπορούν να προσκολληθούν σε άλλη πρωτεΐνη επιλογής.
Μια άλλη ομάδα με επικεφαλής τον υπολογιστικό βιοφυσικό Ντέιβιντ Μπέικερ και τον υπολογιστικό βιοχημικό Τζόζεφ Γουάτσον από το Πανεπιστήμιο της Ουάσιγκτον, τροποποίησε το RFdiffusion, το οποίο βασίζεται σε ένα νευρωνικό δίκτυο παρόμοιο με αυτά που χρησιμοποιούν τα προγράμματα τεχνητής νοημοσύνης που δημιουργούν εικόνες όπως το Midjourney και το DALL·E. Η ομάδα συντόνισε το δίκτυο εκπαιδεύοντάς το σε χιλιάδες πειραματικά προσδιορισμένες δομές αντισωμάτων που συνδέονται με τους στόχους τους, καθώς και σε πραγματικά παραδείγματα άλλων αλληλεπιδράσεων που μοιάζουν με αντισώματα.
Πώς η γενετική τεχνητή νοημοσύνη δημιούργησε καλύτερα αντισώματα
Χρησιμοποιώντας αυτήν την προσέγγιση, οι ερευνητές σχεδίασαν χιλιάδες αντισώματα που αναγνωρίζουν συγκεκριμένες περιοχές αρκετών βακτηριακών και ιικών πρωτεϊνών – συμπεριλαμβανομένων εκείνων που χρησιμοποιούν ο SARS-CoV-2 και οι ιοί της γρίπης για να εισβάλουν στα κύτταρα – καθώς και έναν στόχο φαρμάκου για τον καρκίνο. Στη συνέχεια δημιούργησαν ένα υποσύνολο των σχεδίων τους στο εργαστήριο και εξέτασαν εάν τα μόρια μπορούσαν να συνδεθούν με τους σωστούς στόχους.
Σύμφωνα με τον Γουάτσον, περίπου 1 στα 100 σχέδια αντισωμάτων λειτούργησε όπως αναμενόταν – χαμηλότερο ποσοστό επιτυχίας από αυτό που επιτυγχάνει τώρα η ομάδα με άλλους τύπους πρωτεΐνης που έχουν σχεδιαστεί με τεχνητή νοημοσύνη. Οι ερευνητές προσδιόρισαν τη δομή ενός από τα αντισώματα της γρίπης, χρησιμοποιώντας μια τεχνική που ονομάζεται κρυο-ηλεκτρονική μικροσκοπία, και διαπίστωσαν ότι αναγνώριζε το επιδιωκόμενο τμήμα της πρωτεΐνης στόχου. Ωστόσο, τα αντισώματα που λειτούργησαν δεν δέσμευαν με τους στόχους τους ιδιαίτερα ισχυρά.
Η ερευνητική ομάδα ελπίζει ότι το RFdiffusion θα βοηθήσει στην αντιμετώπιση στόχων φαρμάκων που έχουν αποδειχθεί δύσκολοι, όπως οι υποδοχείς συζευγμένοι με πρωτεΐνη G – μεμβρανικές πρωτεΐνες που βοηθούν στον έλεγχο των αποκρίσεων ενός κυττάρου σε εξωτερικές χημικές ουσίες.
Τα αντισώματα που σχεδίασαν οι ερευνητές μοιάζουν με αυτά που εντοπίζονται σε καμήλες και καρχαρίες, παρά με τις πιο σύνθετες πρωτεΐνες στις οποίες βασίζονται σχεδόν όλα τα εγκεκριμένα φάρμακα αντισωμάτων. Αυτοί οι τύποι αντισωμάτων είναι πιο εύκολο να σχεδιαστούν και πιο απλό να μελετηθούν στο εργαστήριο, και είναι λογικό να σχεδιάζονται πρώτα αυτά, δηλώνει η Σαρλότ Ντιν, υπολογιστική ανοσολόγος στο Πανεπιστήμιο της Οξφόρδης, στο Ηνωμένο Βασίλειο.
«Αλλά αυτό δεν σημαίνει ότι είμαστε ένα βήμα πιο κοντά στην ανάπτυξη μεθόδων που χρειαζόμαστε» προσθέτει.
Ωστόσο οι ερευνητές της μελέτης ελπίζουν ότι αυτή η αρχική επιτυχία θα ανοίξει το δρόμο για το σχεδιασμό φαρμάκων αντισωμάτων με το «πάτημα ενός κουμπιού».
Η μελέτη προδημοσιεύθηκε αυτή την εβδομάδα στο bioRxiv1.
ΠΗΓΗ: Nature
