Forskere bruger AI til at bygge mutationssikre antistoffer mod SARS-CoV-2

Forskere bruger AI til at bygge mutationssikre antistoffer mod SARS-CoV-2

Forskere brugte AI til at skabe mutationsresistente antistoffer, der overgik konventionelt lægemiddeldesign og tilbyder et kraftfuldt nyt værktøj mod hastigt udviklende vira som SARS-CoV-2.

I en nylig undersøgelse offentliggjort i tidsskriftetVidenskabelige rapporterForskerne testede og brugte adskillige banebrydende teknologier, herunder maskinlæring, proteinstrukturmodellering, naturlig sprogbehandling og proteinsekvenssprogmodellering, til at designe antistoffer, der kan neutralisere mere end 1.300 SARS-COV-2-stammer (inklusive mutanter). Designet inkluderede 64 nøglemutationer i det receptorbindingsdomæne af Spike-proteinet (RBD) og fokuserede på denne kritiske region for viral indtræden. De anvendte antistofskabeloner var CR3022, casiirivimab (Regen 10.933) og imdevimab (Regen 10.987), som er kendte monoklonale antistoffer mod coronavirus.

Undersøgelsesresultater viste stærk reaktivitet mellem de nye antistoffer og SARS-CoV-2-stammer, inklusive Delta (10 antistoffer) og Omicron (1 antistof). Navnlig viste 14% af den første batch af antistoffer og 40% af den anden batch "triple cross-binding", hvilket betyder, at de bandt til receptorbindingsdomænet (RBD) af vildtype-, Delta- og Omicron-stammer i ELISA-assays. Især har den nuværende tilgang vist sig at være tidskrævende og mere omkostningseffektiv end traditionelle strukturbaserede tilgange. Det kan revolutionere fremtidig lægemiddeldesign og udvikling, især for hurtigt udviklende patogener, der kræver hyppige modifikationer for at tage højde for deres hurtige mutationshastigheder. Mens undersøgelsen demonstrerede tilpasningsevne ved at reagere på fremkomsten af ​​Omicron med en anden runde af antistofdesign, er dens forudsigelsesevne for helt nye og ukendte fremtidige varianter stadig spekulative og er ikke blevet direkte påvist.

baggrund

Det alvorlige akutte respiratoriske syndrom coronavirus 2 (SARS-CoV-2), der forårsagede COVID-19-pandemien, er fortsat en af ​​de værste i menneskehedens historie, og har krævet mere end 7 millioner liv siden opdagelsen i slutningen af ​​2019. Heldigvis spredte regeringshåndhævede sociale afstandsforanstaltninger, i kombination med udbredt anti-covid-19, immuniseringsintervention.

Desværre er SARS-COV-2 en hastigt udviklende familie af vira, og nye stammer, der er resistente over for tidligere godkendte antistofterapier, er nu dukket op. Et klassisk eksempel på dette er den resistens, som stammer b.1.427 og b.1.429 demonstrerer over for bamlanivimab og etesevimab på grund af deres L452R-substitutioner.

Mens igangværende forskningsløb er i gang for at undersøge oprindelsen af ​​nye, stadig mere resistente SARS-CoV-2-stammer, er traditionelle antistofopdagelsesmetoder arbejdskrævende, ineffektive og dyre. Ved at udnytte de seneste beregningsmæssige og teknologiske fremskridt inden for kunstig intelligens (AI) modeller såsom grafiske neurale netværk (GNN'er) og talebaserede netværk (naturlige sprogbehandlingsarkitekturer), kan forskere designe og screene hurtigere og mere effektivt end nogensinde før.

Om studiet

Denne undersøgelse har til formål at evaluere levedygtigheden af ​​AI-baserede tilgange til modellering af antistof-antigen-binding og screening for antistoffer med bredspektrede neutrum-evner. Det demonstrerer anvendelsen af ​​AI-modeller i hurtig opdagelse af terapeutiske midler for at imødegå fremtidige pandemier og fremhæve deres potentiale på tværs af medicinske områder.

"Vores undersøgelse beskriver brugen af ​​en dyb læringsmodel til beregningsmæssigt at designe effektive og bredspektrede mutationer mod forskellige stammer af virusets spikeprotein, og efterfølgende eksperimenter i våde laboratorier bekræfter resultaterne."

Undersøgelsen udviklede flere interne "antistofaffinitetsmodning AI-modeller." Disse modeller var baseret på både GNN og stemmebaserede netværksarkitekturer. GNN-arkitekturen muliggjorde specifikt modellering af forholdet mellem aminosyrerester som grafer og fanger både lokale og globale sekvenstræk, der er relevante for antistof-antigenbinding. Alle modeller blev trænet ved hjælp af datasæt fra fire kurerede datasæt: 1. Skempi-database, 2. Observeret antistofrum, 3. Antibody-Bind-database (AB-Bind) og 4. UniProt.

Efter træning blev modellens nøjagtighed og ydeevne evalueret ved hjælp af et kombineret datasæt fra Skempi og AB-Bind databaser. Nøjagtighed og skalerbarhed blev evalueret ved hjælp af en Leave-5-Out (L5O) tilgang.

De CoVID-19-neutraliserende antistoffer blev identificeret ved først at samle GISAID-databasedata (1300 SARS-COV-2-stammer), udvælge skabeloner i silico-krydsbindende antistofassays og generere i silico-mutantbiblioteker (mutationer i skabelonen). Maskinlæringsmodeller blev derefter brugt til at opdage antistoffer med bredspektret binding til flere af de 1.300 leverede SARS-CoV-2-stammer. Fordi S1-proteinet er essentielt for antigen-antistofbinding, blev antistoffer resistente over for mutationer i virale S1-proteiner identificeret.

Våde laboratorieassays (enzyme-linked immunosorbent assays [ELISAs] og coronavirus cytotoksicitet assays) blev efterfølgende udført eksperimentelt for at validere beregningsresultater. Efter fremkomsten af ​​Omicron gennemførte forskere en anden runde af beregningsmæssigt antistofdesign for at forbedre antistofaffiniteten specifikt mod Omicron, hvilket demonstrerede den reaktive tilpasningsevne af deres tilgang til nye varianter.

SARS-COV-2 krydsbindingssekvensudvælgelse og virusmutationsdatakuration. Trin 2: AI-baseret antistofbindingsforudsigelse og krydsvariant bindingsselektion for potentielle kandidatsekvenser til fremtidige varianter. Trin 3: Mål antistoffets bindingsevne ved hjælp af et ELISA-baseret assay; og måling af neutraliseringskapaciteten af ​​antistoffet under anvendelse af neutraliserings- og cytopatisk effektassays (CPE).

Studieresultater

Modellens nøjagtighedsevalueringer (udført ved hjælp af Spearman-rangeringskoefficienter) afslørede, at den grafbaserede model overgår de sprogbaserede tilgange. Det er bemærkelsesværdigt, at både grafiske og sprogbaserede modeller matchede eller oversteg den nuværende kommercielle (ikke-maskineindlæring) strukturbaserede tilgang Discovery Studio.

"I modsætning til Discovery Studio, som bruger en fysisk model afledt af primær, sekundær og tertiær proteinstruktur til at beregne bindingsaffinitet, lærer vores model kortlægningen mellem antistofsekvens og bindingsaffinitet fra en stor mængde eksperimentelle data."

Fordelene ved neurale netværksresultater udvidede sig yderligere, idet den grafbaserede model (Pearson = 0,6) klarede sig bedre end de mest konventionelle i silico-tilgange (Discovery Studio Pearson = 0,45).

Våde laboratorieforsøg bekræftede disse resultater. De AI-designede antistofsekvenser med de højest forudsagte bindingsevner blev syntetiseret. Det er opmuntrende, at de fleste af disse antistoffer blev observeret at binde og ofte nå en overmættet tilstand ved højere koncentrationer på B.1, Delta og Omicron SARS-CoV-2 stammer.

Coronavirus cytopatiske assays viste 10 antistoffer, der var i stand til at neutralisere Vero-E6-værtsceller inficeret med Delta-stammer og et antistof, der var i stand til at neutralisere celler inficeret med Omicron-stammer. Undersøgelsen fandt imidlertid også, at stærk binding i ELISA-assays ikke altid svarede til neutraliserende evne i cellebaserede assays, hvilket indikerer, at bindingsaffinitet alene ikke garanterer neutralisering. Denne uoverensstemmelse kan skyldes forskelle i strukturen af ​​spidsproteinet i pladen (ELISA) sammenlignet med levende virus, såvel som den specifikke epitopplacering og antistofkonformation.

Det er vigtigt at bemærke, at selvom disse resultater er lovende, var undersøgelsen begrænset til in vitro-eksperimenter. Ingen in vivo (dyr eller mennesker) effektivitetsundersøgelser er blevet udført, og yderligere undersøgelser såsom epitopkortlægning og konformationelle dynamikundersøgelser vil være nødvendige for mere præcist antistofdesign og validering.

Mens undersøgelsen fokuserede på at opnå bred neutralisering, anerkender forfatterne, at der kan være en afvejning mellem bred krydsreaktivitet og terapeutisk specificitet, hvilket kan begrænse anvendeligheden i nogle kliniske sammenhænge.

Konklusioner

Denne undersøgelse fremhæver fordelene ved at bruge AI strukturfri dybe neurale netværk til at opdage og screene terapeutiske antistoffer. Disse beregningsmodeller klarede sig væsentligt bedre end de traditionelle strukturbaserede ikke-maskinlæringsstrukturplatforme med hensyn til omkostninger, effektivitet og nøjagtighed. AI-modeller har den ekstra fordel, at de iterativt forbedrer oprindeligt opdagede antistoffer for at kompensere for mutationer i hurtigt udviklende patogener.

"Fordi vores tilgang kombinerer fleksibilitet og høj gennemløb til lave beregningsomkostninger, kan dette også være gavnligt for andre anvendelser af teknologien."

Kilder: