Generativ dataintelligens

Forskere udvikler AI-algoritmer til at jage efter kræftbekæmpende antistoffer

Dato:

AI hjælper videnskabsmænd med at opdage nye antistoffer, der kan få vores eget immunsystem til at ødelægge kræftceller.

Immunsystemet producerer antistoffer, specialiserede proteiner, der kan angribe fremmede celler som bakterier og vira. Nogle kan angribe tumorer.

Det er imidlertid svært at finde effektive antistoffer. Forskere designer nye antistoffer ved at mutere kendte eksempler og dyrke dem i bakterie- eller gærceller. Disse testes derefter for at se, hvor godt de binder til målproteiner i laboratorieforsøg. Processen gentages flere gange for at indsnævre søgningen efter de mest lovende antistoffer, der er værd at fremstille.

Screeningsstadiet er krævende og dyrt, og det er her AI-algoritmer kan hjælpe. Et team af forskere ved University of California San Diego udviklede et nyt system, der identificerede et antistof, der er i stand til at binde 17 gange tættere til programmeret dødsligand 1 (PD-L1), et protein udtrykt af kræftceller, end atezolizumab, et eksisterende antistoflægemiddel for nylig godkendt af US Food and Drug Administration. Forskerne håber at udvikle den nye antistofkandidat til et lægemiddel, får vi at vide. 

"Der er millioner af mutanter af et givet antistof, og det er umuligt eksperimentelt at teste hele deres binding til et antigen. Derfor er det vigtigt at udvikle maskinlæringsmetoder for at accelerere denne proces,” Wei Wang, seniorforfatter af forskningen offentliggjort i Nature Communications og professor i cellulær og molekylær medicin ved UC San Diego School of Medicine, forklarede til Registret

Antigener fra kræftsvulster aktiverer kroppens immunsystem til at producere antistoffer og ødelægge dem. Wang og hans kolleger trænede en AI-model på millioner af antistofsekvenser for at forudsige dens evne til at binde til et målprotein eller antigen. 

Den resulterende AI-pipeline kaldes "RESP" - et begreb forfatterne ikke definerede - men som de foreslog er en effektiv måde at finde nyttige antistoffer på.

"Vores RESP-model kan forudsige bindingsaffiniteterne for en ny sekvens, selvom den ikke er inkluderet i det indledende screeningsbibliotek. En unik fordel ved RESP-modellen sammenlignet med eksisterende AI-modeller er, at den [beregner hvor] sikker [dens] forudsigelse er, hvilket i høj grad kan hjælpe med at vælge et lille antal sekvenser til at [teste eksperimentelt],” tilføjede Wang.

Modellen screener antistoffer mere effektivt end traditionelle beregningsmetoder, og videnskabsmænd kan bruge dens forudsigelser til at finde de mest lovende nye kandidater til at syntetisere og teste i laboratorieeksperimenter. AI fremskynder lægemiddelopdagelsesprocessen, så virksomheder hurtigere kan komme videre mod kliniske forsøg. 

"Ved at kombinere disse AI-værktøjer kan forskerne muligvis udføre en stigende andel af deres antistofopdagelsesindsats på en computer i stedet for på bænken, hvilket potentielt kan føre til en hurtigere og mindre fejltilbøjelig opdagelsesproces," Wang sagde i en udtalelse. "Der er så mange applikationer til denne pipeline, og disse resultater er virkelig kun begyndelsen."

Holdet bruger nu sin RESP-model til at jage efter nye antistoffer mod andre antigener, herunder SARS-CoV-2 til at tackle COVID-19. ®

spot_img

Seneste efterretninger

spot_img

Chat med os

Hej! Hvordan kan jeg hjælpe dig?