Forskare använder AI för att bygga mutationssäkra antikroppar mot SARS-CoV-2

Forskare använder AI för att bygga mutationssäkra antikroppar mot SARS-CoV-2

Forskare använde AI för att skapa mutationsresistenta antikroppar som överträffade konventionell läkemedelsdesign och erbjuder ett kraftfullt nytt verktyg mot snabbt utvecklande virus som SARS-CoV-2.

I en nyligen publicerad studie publicerad i tidskriftenVetenskapliga rapporterForskarna testade och använde flera banbrytande teknologier, inklusive maskininlärning, proteinstrukturmodellering, naturlig språkbearbetning och proteinsekvensspråkmodellering, för att designa antikroppar som kan neutralisera mer än 1 300 SARS-COV-2-stammar (inklusive mutanter). Designen inkluderade 64 nyckelmutationer i den receptorbindande domänen av Spike-proteinet (RBD) och fokuserade på denna kritiska region för viralt inträde. Antikroppsmallarna som användes var CR3022, casiirivimab (Regen 10 933) och imdevimab (Regen 10 987), vilka är kända monoklonala antikroppar mot coronavirus.

Studieresultat visade stark reaktivitet mellan de nya antikropparna och SARS-CoV-2-stammarna, inklusive Delta (10 antikroppar) och Omicron (1 antikropp). Noterbart uppvisade 14 % av den första satsen antikroppar och 40 % av den andra satsen "trippel korsbindning", vilket betyder att de band till receptorbindningsdomänen (RBD) av vildtyps-, Delta- och Omicron-stammar i ELISA-analyser. I synnerhet visades det nuvarande tillvägagångssättet vara tidskrävande och mer kostnadseffektivt än traditionella strukturbaserade tillvägagångssätt. Det kan revolutionera framtida läkemedelsdesign och utveckling, särskilt för snabbt utvecklande patogener som kräver frekventa modifieringar för att ta hänsyn till deras snabba mutationshastigheter. Även om studien visade anpassningsförmåga genom att svara på uppkomsten av Omicron med en andra omgång av antikroppsdesign, är dess prediktionsförmåga för helt nya och okända framtida varianter fortfarande spekulativ och har inte direkt demonstrerats.

bakgrund

Det allvarliga akuta respiratoriska syndromet coronavirus 2 (SARS-CoV-2) som orsakade covid-19-pandemin är fortfarande en av de värsta i mänsklighetens historia, och har krävt mer än 7 miljoner liv sedan upptäckten i slutet av 2019. Lyckligtvis spreds statligt verkställda sociala distansåtgärder, i kombination med omfattande anti-covid-19-interventioner mot immunisering.

Tyvärr är SARS-COV-2 en familj av virus i snabb utveckling, och nya stammar som är resistenta mot tidigare godkända antikroppsläkemedel har nu dykt upp. Ett klassiskt exempel på detta är den resistens som stammarna b.1.427 och b.1.429 visar mot bamlanivimab och etesevimab på grund av deras L452R-substitutioner.

Medan pågående forskningstävlingar pågår för att undersöka ursprunget till nya, alltmer resistenta SARS-CoV-2-stammar, är traditionella metoder för upptäckt av antikroppar arbetsintensiva, ineffektiva och dyra. Genom att utnyttja de senaste beräkningsmässiga och tekniska framstegen inom artificiell intelligens (AI)-modeller som grafiska neurala nätverk (GNN) och talbaserade nätverk (naturliga språkbehandlingsarkitekturer), kan forskare designa och screena snabbare och mer effektivt än någonsin tidigare.

Om studien

Föreliggande studie syftar till att utvärdera livsdugligheten hos AI-baserade metoder för modellering av antikropp-antigenbindning och screening för antikroppar med bredspektrum neutrumförmåga. Den demonstrerar tillämpningen av AI-modeller i snabb upptäckt av terapi för att motverka framtida pandemier och lyfta fram deras potential inom medicinska områden.

"Vår studie beskriver användningen av en djupinlärningsmodell för att beräkningsmässigt utforma effektiva och brett spektrum mutationer mot olika stammar av virusets spikprotein, och efterföljande våtlabbexperiment bekräftar resultaten."

Studien utvecklade flera interna "antikroppsaffinitetsmognads AI-modeller." Dessa modeller baserades på både GNN och röstbaserade nätverksarkitekturer. GNN-arkitekturen möjliggjorde specifikt modellering av relationerna mellan aminosyrarester som grafer och fångar både lokala och globala sekvensegenskaper som är relevanta för antikropp-antigenbindning. Alla modeller tränades med hjälp av datamängder från fyra kurerade datauppsättningar: 1. Skempi-databas, 2. Observerat antikroppsutrymme, 3. Antibody-Bind-databas (AB-Bind) och 4. UniProt.

Efter träning utvärderades modellens noggrannhet och prestanda med hjälp av en kombinerad datauppsättning från Skempi och AB-Binds databaser. Noggrannhet och skalbarhet utvärderades med en Leave-5-Out (L5O) metod.

De CoVID-19-neutraliserande antikropparna identifierades genom att först sammanställa GISAID-databasdata (1300 SARS-COV-2-stammar), välja mallar i silico-korsbindande antikroppsanalyser och generera i silico-mutantbibliotek (mutationer i mallen). Maskininlärningsmodeller användes sedan för att upptäcka antikroppar med bredspektrumbindning till flera av de 1 300 SARS-CoV-2-stammarna som levererades. Eftersom S1-proteinet är väsentligt för antigen-antikroppsbindning, identifierades antikroppar som var resistenta mot mutationer i virala S1-proteiner.

Våtlaboratorieanalyser (enzymkopplade immunosorbentanalyser [ELISA] och cytotoxicitetsanalyser för coronavirus) utfördes därefter experimentellt för att validera beräkningsfynd. Efter uppkomsten av Omicron genomförde forskare en andra omgång av beräkningsbaserad antikroppsdesign för att förbättra antikroppsaffiniteten specifikt mot Omicron, vilket visar den reaktiva anpassningsförmågan hos deras tillvägagångssätt till nya varianter.

SARS-COV-2 korsbindande sekvensval och virusmutationsdatakurering. Steg 2: AI-baserad antikroppsbindningsprediktion och korsvariant bindningsselektion för potentiella kandidatsekvenser för framtida varianter. Steg 3: Mät bindningsförmågan hos antikroppen med en ELISA-baserad analys; och mäta antikroppens neutraliseringskapacitet med användning av neutralisations- och cytopatiska effektanalyser (CPE).

Studieresultat

Modellnoggrannhetsutvärderingarna (som genomfördes med Spearmans rankningskoefficienter) visade att den grafbaserade modellen överträffar de språkbaserade metoderna. Anmärkningsvärt nog matchade eller överträffade både grafiska och språkbaserade modeller den nuvarande kommersiella (icke-maskininlärning) strukturbaserade metoden Discovery Studio.

"Till skillnad från Discovery Studio, som använder en fysisk modell härledd från primär, sekundär och tertiär proteinstruktur för att beräkna bindningsaffinitet, lär vår modell kartläggningen mellan antikroppssekvens och bindningsaffinitet från en stor mängd experimentella data."

Fördelarna med neurala nätverksresultat utökades ytterligare, med den grafbaserade modellen (Pearson = 0,6) som överträffade de mest konventionella i silico-metoder (Discovery Studio Pearson = 0,45).

Våtlabbexperiment bekräftade dessa resultat. De AI-designade antikroppssekvenserna med de högsta förutsagda bindningsförmågan syntetiserades. Uppmuntrande nog observerades de flesta av dessa antikroppar binda och ofta nå ett övermättat tillstånd vid högre koncentrationer på B.1, Delta och Omicron SARS-CoV-2-stammar.

Cytopatiska analyser av Coronavirus visade 10 antikroppar som kan neutralisera Vero-E6-värdceller infekterade med Delta-stammar och en antikropp som kan neutralisera celler infekterade med Omicron-stammar. Studien fann dock också att stark bindning i ELISA-analyser inte alltid motsvarade neutraliserande förmåga i cellbaserade analyser, vilket indikerar att bindningsaffinitet ensam inte garanterar neutralisering. Denna diskrepans kan bero på skillnader i strukturen av spikproteinet i plattan (ELISA) jämfört med levande virus, såväl som den specifika epitopplaceringen och antikroppskonformationen.

Det är viktigt att notera att även om dessa resultat är lovande, var studien begränsad till in vitro-experiment. Inga effektstudier in vivo (djur eller människor) har utförts och ytterligare undersökningar såsom epitopkartläggning och konformationsdynamikstudier kommer att krävas för mer exakt antikroppsdesign och validering.

Medan studien fokuserade på att uppnå bred neutralisering, erkänner författarna att det kan finnas en avvägning mellan bred korsreaktivitet och terapeutisk specificitet, vilket kan begränsa användbarheten i vissa kliniska sammanhang.

Slutsatser

Den här studien belyser fördelarna med att använda AI-strukturfria djupa neurala nätverk för att upptäcka och screena terapeutiska antikroppar. Dessa beräkningsmodeller överträffade betydligt de traditionella strukturbaserade strukturplattformarna för icke-maskininlärning när det gäller kostnad, effektivitet och noggrannhet. AI-modeller har den extra fördelen att de iterativt förbättrar initialt upptäckta antikroppar för att kompensera för mutationer i snabbt utvecklande patogener.

"Eftersom vårt tillvägagångssätt kombinerar flexibilitet och hög genomströmning till låga beräkningskostnader, kan detta också vara fördelaktigt för andra tillämpningar av tekniken."

Källor: