KI hilft Wissenschaftlern, neue Antikörper zu entdecken, die unser eigenes Immunsystem veranlassen könnten, Krebszellen zu zerstören.
Das Immunsystem produziert Antikörper, spezialisierte Proteine, die fremde Zellen wie Bakterien und Viren angreifen können. Einige können Tumore angreifen.
Wirksame Antikörper zu finden, ist jedoch schwierig. Forscher entwerfen neue Antikörper, indem sie bekannte Beispiele mutieren und sie in Bakterien- oder Hefezellen züchten. Diese werden dann in Laborexperimenten daraufhin getestet, wie gut sie an Zielproteine binden. Der Prozess wird mehrmals wiederholt, um die Suche nach den vielversprechendsten Antikörpern einzugrenzen, die eine Herstellung wert sind.
Die Screening-Phase ist aufwändig und teuer, und hier können KI-Algorithmen helfen. Ein Forscherteam der University of California San Diego entwickelte ein neues System, das einen Antikörper identifizierte, der 17-mal fester an den programmierten Todesliganden 1 (PD-L1), ein von Krebszellen exprimiertes Protein, binden kann als Atezolizumab, ein bereits existierendes Antikörper-Medikament vor kurzem genehmigt von der US Food and Drug Administration. Die Forscher hoffen, den neuen Antikörperkandidaten zu einem Medikament entwickeln zu können, heißt es.
„Es gibt Millionen von Mutanten eines bestimmten Antikörpers, und es ist unmöglich, ihre gesamte Bindung an ein Antigen experimentell zu testen. Deshalb ist es wichtig, Methoden des maschinellen Lernens zu entwickeln, um diesen Prozess zu beschleunigen“, sagt Wei Wang, Seniorautor der Studie veröffentlicht in Nature Communications und Professor für Zelluläre und Molekulare Medizin an der UC San Diego School of Medicine, erklärte Das Register.
Antigene von Krebstumoren aktivieren das körpereigene Immunsystem, um Antikörper zu produzieren und diese zu zerstören. Wang und seine Kollegen trainierten ein KI-Modell mit Millionen von Antikörpersequenzen, um seine Fähigkeit zur Bindung an ein Zielprotein oder Antigen vorherzusagen.
Die daraus resultierende KI-Pipeline heißt „RESP“ – ein Begriff, den die Autoren nicht definiert haben – aber den sie vorgeschlagen haben, ist ein leistungsfähiger Weg, um nützliche Antikörper zu finden.
„Unser RESP-Modell kann die Bindungsaffinitäten einer neuen Sequenz vorhersagen, selbst wenn sie nicht in der anfänglichen Screening-Bibliothek enthalten ist. Ein einzigartiger Vorteil des RESP-Modells im Vergleich zu bestehenden KI-Modellen besteht darin, dass es [berechnet, wie] zuverlässig [seine] Vorhersage ist, was sehr hilfreich sein kann, um eine kleine Anzahl von Sequenzen auszuwählen, die [experimentell getestet] werden sollen“, fügte Wang hinzu.
Das Modell testet Antikörper effizienter als herkömmliche Computermethoden, und Wissenschaftler können seine Vorhersagen nutzen, um die vielversprechendsten neuen Kandidaten für die Synthese und Tests in Laborexperimenten zu finden. KI beschleunigt den Arzneimittelentdeckungsprozess, sodass Unternehmen schneller auf klinische Studien zusteuern können.
„Durch die Kombination dieser KI-Tools können Wissenschaftler möglicherweise einen zunehmenden Teil ihrer Bemühungen zur Entdeckung von Antikörpern auf einem Computer statt am Labortisch durchführen, was möglicherweise zu einem schnelleren und weniger fehleranfälligen Entdeckungsprozess führt“, sagte Wang sagte in einer Stellungnahme. „Es gibt so viele Anwendungen für diese Pipeline, und diese Ergebnisse sind wirklich nur der Anfang.“
Das Team nutzt nun sein RESP-Modell, um nach neuen Antikörpern gegen andere Antigene zu suchen, darunter SARS-CoV-2, um COVID-19 zu bekämpfen. ®
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. Hier zugreifen.
- Quelle: https://go.theregister.com/feed/www.theregister.com/2023/02/02/scientists_ai_algorithms_cancer/
