Vedci používajú AI na vytvorenie protilátok proti SARS-CoV-2 odolných voči mutácii

Vedci používajú AI na vytvorenie protilátok proti SARS-CoV-2 odolných voči mutácii

Vedci použili AI na vytvorenie protilátok odolných voči mutáciám, ktoré prekonali konvenčný dizajn liekov a ponúkajú nový výkonný nástroj proti rýchlo sa vyvíjajúcim vírusom, ako je SARS-CoV-2.

V nedávnej štúdii uverejnenej v časopiseVedecké správyVýskumníci testovali a používali niekoľko špičkových technológií, vrátane strojového učenia, modelovania proteínovej štruktúry, spracovania prirodzeného jazyka a jazykového modelovania proteínových sekvencií, na navrhnutie protilátok, ktoré dokážu neutralizovať viac ako 1 300 kmeňov SARS-COV-2 (vrátane mutantov). Návrh zahŕňal 64 kľúčových mutácií v receptorovej väzbovej doméne Spike proteínu (RBD) a zameral sa na túto kritickú oblasť pre vstup vírusu. Použité templáty protilátok boli CR3022, casiirivimab (Regen 10 933) a imdevimab (Regen 10 987), čo sú známe monoklonálne protilátky proti koronavírusom.

Výsledky štúdie ukázali silnú reaktivitu medzi novými protilátkami a kmeňmi SARS-CoV-2, vrátane Delta (10 protilátok) a Omicron (1 protilátka). Je pozoruhodné, že 14 % z prvej šarže protilátok a 40 % z druhej šarže vykazovalo „trojité krížové viazanie“, čo znamená, že sa viazali na receptor viažucu doménu (RBD) kmeňov divokého typu, Delta a Omicron v testoch ELISA. Predovšetkým sa ukázalo, že súčasný prístup je časovo náročný a nákladovo efektívnejší ako tradičné prístupy založené na štruktúre. Môže spôsobiť revolúciu v budúcom dizajne a vývoji liekov, najmä pre rýchlo sa vyvíjajúce patogény, ktoré si vyžadujú časté úpravy, aby sa zohľadnila ich rýchla rýchlosť mutácií. Zatiaľ čo štúdia preukázala adaptabilitu reakciou na objavenie sa Omicronu s druhým kolom dizajnu protilátok, jeho prediktívna schopnosť pre úplne nové a neznáme budúce varianty je stále špekulatívna a nebola priamo preukázaná.

pozadia

Závažný akútny respiračný syndróm koronavírus 2 (SARS-CoV-2), ktorý spôsobil pandémiu COVID-19, zostáva jedným z najhorších v histórii ľudstva a od svojho objavenia koncom roka 2019 si vyžiadal viac ako 7 miliónov životov. Našťastie, vládou vynútené opatrenia na sociálnu vzdialenosť v kombinácii s rozsiahlymi imunizačnými zásahmi proti COVID-19 podstatne obmedzili šírenie choroby.

Bohužiaľ, SARS-COV-2 je rýchlo sa vyvíjajúca rodina vírusov a teraz sa objavili nové kmene odolné voči predtým schváleným protilátkovým terapeutikám. Klasickým príkladom toho je rezistencia, ktorú demonštrujú kmene b.1.427 a b.1.429 na bamlanivimab a etesevimab v dôsledku ich substitúcií L452R.

Zatiaľ čo prebiehajú výskumné preteky s cieľom preskúmať pôvod nových, čoraz odolnejších kmeňov SARS-CoV-2, tradičné prístupy k objavovaniu protilátok sú náročné na prácu, sú neefektívne a drahé. Využitím najnovších výpočtových a technologických pokrokov v modeloch umelej inteligencie (AI), ako sú grafické neurónové siete (GNN) a siete založené na reči (architektúry spracovania prirodzeného jazyka), môžu výskumníci navrhovať a premietať rýchlejšie a efektívnejšie než kedykoľvek predtým.

O štúdiu

Cieľom tejto štúdie je zhodnotiť životaschopnosť prístupov založených na AI na modelovanie väzby protilátka-antigén a skríning protilátok so širokospektrálnymi neutrálnymi schopnosťami. Ukazuje použitie modelov AI pri rýchlom objavovaní terapeutík na boj proti budúcim pandémiám a zdôraznenie ich potenciálu v rôznych oblastiach medicíny.

"Naša štúdia popisuje použitie modelu hlbokého učenia na výpočtový návrh efektívnych a širokospektrálnych mutácií proti rôznym kmeňom vírusového spike proteínu a následné experimenty v mokrom laboratóriu potvrdzujú výsledky."

Štúdia vyvinula niekoľko vlastných „modelov AI s maturáciou afinity protilátok“. Tieto modely boli založené na sieťovej architektúre GNN aj na hlasovej architektúre. Architektúra GNN špecificky umožnila modelovanie vzťahov medzi aminokyselinovými zvyškami ako grafy a zachytáva lokálne aj globálne sekvenčné znaky relevantné pre väzbu protilátka-antigén. Všetky modely boli trénované pomocou súborov údajov zo štyroch upravených súborov údajov: 1. databáza Skempi, 2. priestor pozorovaných protilátok, 3. databáza protilátka-väzba (AB-Bind) a 4. UniProt.

Po tréningu sa presnosť a výkon modelu vyhodnotili pomocou kombinovaného súboru údajov z databáz Skempi a AB-Bind. Presnosť a škálovateľnosť boli hodnotené pomocou prístupu Leave-5-Out (L5O).

Neutralizačné protilátky CoVID-19 boli identifikované najprv porovnaním údajov databázy GISAID (1300 kmeňov SARS-COV-2), výberom templátov v testoch s krížovou väzbou silico a vytvorením knižníc mutantov in silico (mutácie v templáte). Modely strojového učenia sa potom použili na objavenie protilátok so širokým spektrom väzby na niekoľko z 1 300 dodaných kmeňov SARS-CoV-2. Pretože proteín S1 je nevyhnutný pre väzbu antigén-protilátka, identifikovali sa protilátky odolné voči mutáciám vo vírusových proteínoch S1.

Na overenie výpočtových zistení sa následne experimentálne vykonali mokré laboratórne testy (analýzy s enzýmom viazaným na imunosorbenty [ELISA] a testy cytotoxicity koronavírusu). Po objavení sa Omicron výskumníci uskutočnili druhé kolo výpočtového dizajnu protilátok na zlepšenie afinity protilátok špecificky proti Omicron, čo demonštrovalo reaktívnu adaptabilitu ich prístupu k vznikajúcim variantom.

Výber krížovej väzbovej sekvencie SARS-COV-2 a spracovanie údajov o mutácii vírusu. Krok 2: Predikcia viazania protilátky na báze AI a selekcia viazania krížových variantov pre potenciálne kandidátske sekvencie pre budúce varianty. Krok 3: Zmerajte väzbovú schopnosť protilátky pomocou testu na báze ELISA; a meranie neutralizačnej kapacity protilátky pomocou testov neutralizácie a cytopatického účinku (CPE).

Výsledky štúdie

Hodnotenia presnosti modelu (vykonané pomocou Spearmanových hodnotiacich koeficientov) odhalili, že model založený na grafe prekonáva jazykové prístupy. Je pozoruhodné, že grafické aj jazykové modely sa zhodovali alebo prevyšovali súčasný komerčný (nestrojové učenie) štruktúrovaný prístup Discovery Studio.

"Na rozdiel od Discovery Studio, ktoré používa fyzikálny model odvodený z primárnej, sekundárnej a terciárnej proteínovej štruktúry na výpočet väzbovej afinity, náš model sa učí mapovanie medzi sekvenciou protilátok a väzbovou afinitou z veľkého množstva experimentálnych údajov."

Výhody výsledkov neurónových sietí sa ďalej rozšírili, pričom model založený na grafe (Pearson = 0,6) prekonal najbežnejšie in silico prístupy (Discovery Studio Pearson = 0,45).

Mokré laboratórne experimenty potvrdili tieto výsledky. Boli syntetizované protilátkové sekvencie navrhnuté AI s najvyššími predpokladanými väzbovými schopnosťami. Povzbudivé je, že väčšina týchto protilátok sa viaže a často dosahuje presýtený stav pri vyšších koncentráciách na kmeňoch B.1, Delta a Omicron SARS-CoV-2.

Koronavírusové cytopatické testy ukázali 10 protilátok schopných neutralizovať Vero-E6 hostiteľské bunky infikované kmeňmi Delta a jednu protilátku schopnú neutralizovať bunky infikované kmeňmi Omicron. Štúdia však tiež zistila, že silná väzba v testoch ELISA nie vždy zodpovedala neutralizačnej schopnosti v testoch na báze buniek, čo naznačuje, že samotná väzbová afinita nezaručuje neutralizáciu. Tento nesúlad môže byť spôsobený rozdielmi v štruktúre spike proteínu v platni (ELISA) v porovnaní so živým vírusom, ako aj špecifickým umiestnením epitopu a konformáciou protilátky.

Je dôležité poznamenať, že hoci sú tieto výsledky sľubné, štúdia bola obmedzená na experimenty in vitro. Neuskutočnili sa žiadne štúdie účinnosti in vivo (na zvieratách alebo ľuďoch) a na presnejší návrh a validáciu protilátok budú potrebné ďalšie výskumy, ako je mapovanie epitopov a štúdie konformačnej dynamiky.

Zatiaľ čo sa štúdia zamerala na dosiahnutie širokej neutralizácie, autori uznávajú, že môže existovať kompromis medzi širokou skríženou reaktivitou a terapeutickou špecifickosťou, čo by mohlo obmedziť užitočnosť v niektorých klinických kontextoch.

Závery

Táto štúdia zdôrazňuje výhody používania hlbokých neurónových sietí bez štruktúry AI na objavovanie a skríning terapeutických protilátok. Tieto výpočtové modely výrazne prekonali tradičné platformy štruktúry založené na štruktúre bez strojového učenia z hľadiska nákladov, efektívnosti a presnosti. Modely AI majú ďalšiu výhodu v tom, že sa iteratívne zlepšujú pôvodne objavené protilátky, aby sa kompenzovali mutácie v rýchlo sa vyvíjajúcich patogénoch.

„Pretože náš prístup kombinuje flexibilitu a vysokú priepustnosť pri nízkych výpočtových nákladoch, môže to byť prospešné aj pre iné aplikácie technológie.“

Zdroje: