Ученые разработали стратегию для открытия высокоаффинных препаратов на основе антител.
В исследовании, опубликованном в журнале Nature Communications, ученые из Медицинской школы Калифорнийского университета в Сан-Диего использовали подход для идентификации нового антитела, которое связывает основную мишень рака в 17 раз прочнее, чем существующее лекарство на основе антител. Авторы говорят, что проект может ускорить открытие новых лекарств от рака и других заболеваний, таких как COVID-19 и ревматоидный артрит.
Чтобы лекарство работало эффективно, антитело должно прочно связываться со своей мишенью. Чтобы найти такие антитела, исследователи обычно начинают с известной аминокислотной последовательности антител и используют бактериальные или дрожжевые клетки для получения серии новых антител с вариациями этой последовательности. Затем эти мутанты оценивают по их способности связывать антиген-мишень. Подмножество антител, которые работают лучше всего, затем подвергается другому раунду мутаций и оценок, и этот цикл повторяется до тех пор, пока не появится набор тесно связанных финалистов.
Несмотря на этот длительный и дорогостоящий процесс, многие из полученных антител по-прежнему не эффективны в клинических испытаниях. В новом исследовании ученые Калифорнийского университета в Сан-Диего разработали современный алгоритм машинного обучения для ускорения и оптимизации этих усилий.
Подход начинается аналогичным образом: исследователи создают начальную библиотеку из примерно полумиллиона возможных последовательностей антител и проверяют их на их родство к конкретному белку-мишени. Но вместо того, чтобы повторять этот процесс снова и снова, они передают набор данных в нейронную сеть, которая может анализировать информацию и использовать ее для прогнозирования родства связывания других последовательностей.
Благодаря нашим инструментам машинного обучения эти последующие этапы мутации и селекции последовательностей можно быстро и эффективно проводить на компьютере, а не в лаборатории,сказал старший автор Вэй Ван, доктор философии, профессор клеточной и молекулярной медицины в Медицинская школа Калифорнийского университета в Сан-Диего.
Одним из особых преимуществ их модели ИИ является ее способность сообщать о достоверности каждого прогноза.
В отличие от многих методов искусственного интеллекта, наша модель может фактически сказать нам, насколько она уверена в каждом из своих прогнозов, что помогает нам ранжировать антитела и решать, каким из них отдать приоритет при разработке лекарств,сказал Ван.
Чтобы проверить проект, ученые и соавторы исследования Джонатан Паркинсон и Райан Хард, решили разработать антитело против белка PD-L1, высоко экспрессируемого при раке, и являющегося мишенью нескольких доступных противораковых препаратов. Используя этот подход, они идентифицировали новое антитело, которое связывается с PD-L1 в 17 раз лучше, чем атезолизумаб (торговая марка Tecentriq), антитело, одобренное для клинического использования Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.
В настоящее время исследователи используют этот подход для выявления многообещающих антител против других антигенов, таких как SARS-CoV-2. Они также разрабатывают дополнительные модели искусственного интеллекта, которые анализируют аминокислотные последовательности на наличие других свойств антител, важных для успеха клинических испытаний, таких как стабильность, растворимость и селективность.
Объединяя эти инструменты ИИ, ученые могут выполнять все большую часть своих усилий по обнаружению антител на компьютере, что потенциально может привести к более быстрому и менее подверженному сбоям процессу обнаружения. У этого пайплайна так много применений, и эти открытия — только начало,сказал Ван.
