Tradycyjne metody odkrywania i projektowania przeciwciał są czasochłonne i kosztowne, często wymagając wielu miesięcy badań laboratoryjnych. W odpowiedzi na te wyzwania, naukowcy z Massachusetts Institute of Technology (MIT) opracowali innowacyjną technikę wykorzystującą sztuczną inteligencję (SI) do przewidywania struktur przeciwciał z niespotykaną dotąd dokładnością. Ta technologia może zrewolucjonizować nie tylko odkrywanie leków, ale również badania nad odpornością na infekcje. Szczegóły opisano w czasopiśmie PNAS.
Nowa sztuczna inteligencja pomoże rozgryźć przeciwciała i stworzyć lepsze leki
Przeciwciała charakteryzują się wysoką zmiennością, zwłaszcza w regionach hiperzmiennych odpowiedzialnych za rozpoznawanie antygenów. Ta różnorodność stanowiła dotychczas poważne wyzwanie dla modeli SI, które miały trudności z dokładnym przewidywaniem struktur tych specyficznych obszarów. Nowa metoda opracowana przez MIT, nazwana AbMap, pokonuje tę barierę, dzięki zastosowaniu dwóch modułów, które uczą się na danych dotyczących zarówno struktury, jak i siły wiązania przeciwciał z antygenami.
Czytaj też: Sztuczna inteligencja Google weszła na wyższy poziom. Pomoże tworzyć nowe leki
Badacze zastosowali ten model do przewidywania struktur przeciwciał neutralizujących białko S wirusa SARS-CoV-2. Wyniki pokazały, że dzięki AbMap można było znaleźć przeciwciała o lepszej sile wiązania niż te, które wcześniej wykazano w badaniach. 82 proc. z nich okazało się bardziej skuteczne niż oryginalne przeciwciała. Dzięki takiej precyzji, przemysł farmaceutyczny zyskałby możliwość unikania kosztownych błędów podczas wczesnych etapów badań nad lekami.
Model MIT może pomóc również w lepszym zrozumieniu, dlaczego niektórzy ludzie mają wyjątkową odporność na infekcje, takie jak HIV, lub rozwijają bardziej łagodną formę COVID-19. Dzięki analizie rezerwuarów przeciwciał z różnych osób, naukowcy mogą odkryć, dlaczego struktury tych przeciwciał są tak skuteczne. Analiza strukturalna daje bardziej kompleksowy obraz niż sekwencjonowanie, które jedynie porównuje sekwencje aminokwasów.
Osiągnięcie MIT wpisuje się w szerszy trend wykorzystania sztucznej inteligencji w medycynie. Przykładem jest model AlphaFold, opracowany przez Google DeepMind, który zrewolucjonizował przewidywanie struktur białek. Integracja takich technologii z procesem odkrywania leków może nie tylko obniżyć koszty, ale także zwiększyć skuteczność i bezpieczeństwo nowych terapii. W obliczu rosnących wyzwań zdrowotnych na świecie, takie innowacje są kluczowe dla przyszłości medycyny.
