В исследовании, опубликованном 28 января 2023 года в Сообщения о природе Исследователи использовали этот подход для идентификации нового антитела, которое связывает основную раковую мишень в 17 раз прочнее, чем существующий препарат против антител. Авторы говорят, что этот проект может ускорить открытие новых лекарств против рака и других заболеваний, таких как COVID-19 и ревматоидный артрит.

Чтобы быть успешным лекарственным средством, 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 на предмет их способности связывать целевой антиген. Подмножество антител, которые работают лучше всего, затем подвергается еще одному 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 все еще 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 первоначальную библиотеку примерно из полумиллиона возможных последовательностей антител и проверяют их на сродство к определенному белку-мишени. Но вместо того, чтобы повторять этот процесс снова и снова, они передают набор данных в байесовскую нейронную сеть, которая может анализировать информацию и использовать ее для прогнозирования сродства к связыванию других последовательностей.

"С помощью наших инструментов машинного обучения эти последующие раунды мутации последовательностей и отбора могут быть выполнены быстро и эффективно на компьютере, а не в лаборатории", - сказал старший автор Вэй Ван, доктор философии, профессор клеточной и молекулярной медицины в Медицинской школе Калифорнийского университета в Сан-Диего.

Одним из особых преимуществ их модели искусственного интеллекта является ее способность сообщать об уверенности каждого прогноза. "В отличие от многих методов искусственного интеллекта, наша модель действительно может сказать нам, насколько она уверена в каждом из своих прогнозов, что помогает нам ранжировать антитела и решать, какие из них являются приоритетными при разработке лекарств", - сказал Ван.

Чтобы подтвердить это, ученые проекта и соавторы исследования Джонатан Паркинсон, доктор философии, и Райан Хард, доктор философии, решили разработать антитело против лиганда запрограммированной смерти 1 (PD-L1), белка, высоко экспрессируемого при раке и являющегося мишенью для нескольких коммерчески доступных противораковых препаратов.. Используя этот подход, они идентифицировали новое антитело, которое связывалось с PD-L1 в 17 раз лучше, чем атезолизумаб (торговая марка Tecentriq), антитело дикого типа, одобренное для клинического применения Управлением по контролю за продуктами и лекарствами США.

В настоящее время исследователи используют этот подход для выявления перспективных антител против других антигенов, таких как SARS-CoV-2. Они также разрабатывают дополнительные модели искусственного интеллекта, которые анализируют аминокислотные последовательности на предмет других свойств антител, важных для успеха клинических испытаний, таких как стабильность, растворимость и селективность.

"Объединив эти инструменты искусственного интеллекта, ученые смогут выполнять все большую часть своих усилий по обнаружению антител на компьютере, а не на стенде, что потенциально приведет к более быстрому и менее подверженному сбоям процессу обнаружения", - сказал Ван. "У этого конвейера так много применений, и эти результаты - действительно только начало".