Vědci používají AI k vytvoření protilátek odolných vůči mutacím pro SARS-CoV-2

Vědci používají AI k vytvoření protilátek odolných vůči mutacím pro SARS-CoV-2

Vědci použili AI k vytvoření protilátek odolných vůči mutacím, které překonaly konvenční design léků a nabízejí nový výkonný nástroj proti rychle se vyvíjejícím virům, jako je SARS-CoV-2.

V nedávné studii publikované v časopiseVědecké zprávyVýzkumníci testovali a používali několik špičkových technologií, včetně strojového učení, modelování proteinové struktury, zpracování přirozeného jazyka a modelování proteinových sekvencí, k návrhu protilátek, které mohou neutralizovat více než 1 300 kmenů SARS-COV-2 (včetně mutantů). Návrh zahrnoval 64 klíčových mutací v doméně vázající receptor Spikeho proteinu (RBD) a zaměřil se na tuto kritickou oblast pro vstup viru. Použité templáty protilátek byly CR3022, casiirivimab (Regen 10 933) a imdevimab (Regen 10 987), což jsou známé monoklonální protilátky proti koronavirům.

Výsledky studie ukázaly silnou reaktivitu mezi novými protilátkami a kmeny SARS-CoV-2, včetně Delta (10 protilátek) a Omicron (1 protilátka). Pozoruhodné je, že 14 % z první šarže protilátek a 40 % z druhé šarže vykazovalo „trojitou křížovou vazbu“, což znamená, že se v testech ELISA navázaly na receptor vazebnou doménu (RBD) divokého typu, kmenů Delta a Omicron. Zejména se ukázalo, že současný přístup je časově náročný a nákladově efektivnější než tradiční přístupy založené na struktuře. Může způsobit revoluci v budoucím designu a vývoji léků, zejména pro rychle se vyvíjející patogeny, které vyžadují časté úpravy, aby se zohlednily jejich rychlé mutace. Zatímco studie prokázala adaptabilitu tím, že reagovala na objevení se Omicronu druhým kolem designu protilátek, jeho prediktivní schopnost pro zcela nové a neznámé budoucí varianty je stále spekulativní a nebyla přímo prokázána.

pozadí

Těžký akutní respirační syndrom koronavirus 2 (SARS-CoV-2), který způsobil pandemii COVID-19, zůstává jedním z nejhorších v historii lidstva a od svého objevení na konci roku 2019 si vyžádal více než 7 milionů životů. Naštěstí vládou vynucená opatření k sociálnímu distancování v kombinaci s rozsáhlými imunizačními zásahy proti COVID-19 podstatně omezila šíření nemocí.

Bohužel SARS-COV-2 je rychle se vyvíjející rodina virů a nyní se objevily nové kmeny odolné vůči dříve schváleným protilátkovým terapeutikům. Klasickým příkladem toho je rezistence demonstrovaná kmeny b.1.427 a b.1.429 vůči bamlanivimab a etesevimab díky jejich substitucím L452R.

Zatímco probíhající výzkumné závody probíhají s cílem prozkoumat původ nových, stále odolnějších kmenů SARS-CoV-2, tradiční přístupy k objevování protilátek jsou pracné, neefektivní a drahé. Využitím nejnovějších výpočetních a technologických pokroků v modelech umělé inteligence (AI), jako jsou grafické neuronové sítě (GNN) a sítě založené na řeči (architektury zpracování přirozeného jazyka), mohou výzkumníci navrhovat a promítat rychleji a efektivněji než kdykoli předtím.

O studiu

Tato studie si klade za cíl vyhodnotit životaschopnost přístupů založených na AI pro modelování vazby protilátka-antigen a screening protilátek se širokospektrálními schopnostmi kastrů. Ukazuje použití modelů umělé inteligence při rychlém objevování terapeutik k boji proti budoucím pandemiím a zdůrazňuje jejich potenciál napříč obory medicíny.

"Naše studie popisuje použití modelu hlubokého učení k výpočetnímu návrhu účinných a širokospektrálních mutací proti různým kmenům virového spike proteinu a následné experimenty v mokré laboratoři výsledky potvrzují."

Studie vyvinula několik vlastních „modelů AI s afinitou zrání protilátek“. Tyto modely byly založeny jak na GNN, tak na hlasové síťové architektuře. Architektura GNN specificky umožnila modelování vztahů mezi aminokyselinovými zbytky jako grafy a zachycuje jak lokální, tak globální sekvenční rysy relevantní pro vazbu protilátka-antigen. Všechny modely byly trénovány pomocí datových sad ze čtyř kurátorských datových sad: 1. databáze Skempi, 2. pozorovaný prostor protilátek, 3. databáze protilátka-vazba (AB-Bind) a 4. UniProt.

Po zaškolení byla přesnost a výkon modelu vyhodnocena pomocí kombinované datové sady z databází Skempi a AB-Bind. Přesnost a škálovatelnost byly hodnoceny pomocí přístupu Leave-5-Out (L5O).

Neutralizační protilátky CoVID-19 byly identifikovány nejprve porovnáním dat databáze GISAID (1300 kmenů SARS-COV-2), výběrem templátů v testech s křížovou vazbou protilátek silico a vytvořením knihoven mutantů in silico (mutace v templátu). Modely strojového učení byly poté použity k objevení protilátek se širokospektrální vazbou na několik z 1300 dodaných kmenů SARS-CoV-2. Protože protein S1 je nezbytný pro vazbu antigen-protilátka, byly identifikovány protilátky odolné vůči mutacím ve virových proteinech S1.

Následně byly experimentálně provedeny mokré laboratorní testy (enzyme-linked immunosorbent assays [ELISAs] a testy cytotoxicity koronaviru) k ověření výpočtových výsledků. Po objevení se Omicron vědci provedli druhé kolo výpočtového návrhu protilátek, aby zlepšili afinitu protilátek specificky proti Omicron, což prokázalo reaktivní adaptabilitu jejich přístupu k nově vznikajícím variantám.

Výběr sekvence křížové vazby SARS-COV-2 a zpracování dat o mutaci viru. Krok 2: Predikce vazby protilátky na bázi AI a selekce vazby zkřížené varianty pro potenciální kandidátní sekvence pro budoucí varianty. Krok 3: Změřte vazebnou schopnost protilátky pomocí testu založeného na ELISA; a měření neutralizační kapacity protilátky pomocí testů neutralizace a cytopatického účinku (CPE).

Výsledky studie

Hodnocení přesnosti modelu (prováděné pomocí Spearmanových koeficientů hodnocení) odhalilo, že model založený na grafu překonává jazykové přístupy. Je pozoruhodné, že jak grafické, tak jazykové modely odpovídaly nebo převyšovaly současný komerční (nestrojové učení) strukturovaný přístup Discovery Studio.

"Na rozdíl od Discovery Studio, které používá fyzikální model odvozený z primární, sekundární a terciární proteinové struktury k výpočtu vazebné afinity, náš model se učí mapování mezi sekvencí protilátky a vazebnou afinitou z velkého množství experimentálních dat."

Výhody výsledků neuronové sítě se dále rozšířily, přičemž model založený na grafu (Pearson = 0,6) překonal nejběžnější přístupy in silico (Discovery Studio Pearson = 0,45).

Experimenty v mokré laboratoři tyto výsledky potvrdily. Byly syntetizovány protilátkové sekvence navržené AI s nejvyššími předpokládanými vazebnými schopnostmi. Povzbudivé bylo, že většina těchto protilátek se váže a často dosahuje přesyceného stavu při vyšších koncentracích na kmeny B.1, Delta a Omicron SARS-CoV-2.

Cytopatické testy koronaviru ukázaly 10 protilátek schopných neutralizovat hostitelské buňky Vero-E6 infikované kmeny Delta a jednu protilátku schopnou neutralizovat buňky infikované kmeny Omicron. Studie však také zjistila, že silná vazba v testech ELISA ne vždy odpovídala neutralizační schopnosti v testech na bázi buněk, což ukazuje, že samotná vazebná afinita nezaručuje neutralizaci. Tato nesrovnalost může být způsobena rozdíly ve struktuře spike proteinu v destičce (ELISA) ve srovnání s živým virem, stejně jako specifickou lokalizací epitopu a konformací protilátky.

Je důležité poznamenat, že ačkoli jsou tyto výsledky slibné, studie byla omezena na experimenty in vitro. Nebyly provedeny žádné studie účinnosti in vivo (na zvířatech nebo lidech) a pro přesnější návrh a validaci protilátek budou vyžadovány další výzkumy, jako je mapování epitopů a studie konformační dynamiky.

I když se studie zaměřila na dosažení široké neutralizace, autoři uznávají, že může existovat kompromis mezi širokou zkříženou reaktivitou a terapeutickou specifitou, což by mohlo v některých klinických kontextech omezit použitelnost.

Závěry

Tato studie zdůrazňuje výhody používání hlubokých neuronových sítí bez struktur AI k objevování a testování terapeutických protilátek. Tyto výpočetní modely výrazně překonaly tradiční struktury založené na strukturách bez strojového učení, pokud jde o náklady, efektivitu a přesnost. Modely AI mají další výhodu v tom, že iterativně zlepšují původně objevené protilátky, aby kompenzovaly mutace v rychle se vyvíjejících patogenech.

„Protože náš přístup kombinuje flexibilitu a vysokou propustnost při nízkých výpočetních nákladech, může být přínosný i pro další aplikace této technologie.“

Zdroje: