Naukowcy z Uniwersytetu Bostońskiego opracowali model sztucznej inteligencji, który zamiast analizować wszystkie fragmenty przeciwciała w jednakowy sposób, koncentruje się na regionach bezpośrednio odpowiedzialnych za rozpoznawanie antygenów. Takie podejście poprawiło przewidywanie siły wiązania przeciwciał nawet o 27%, jednocześnie wymagając mniej zasobów obliczeniowych niż wiele większych modeli. Rozwiązanie może pomóc szybciej wybierać najbardziej obiecujących kandydatów na nowe leki.
Z tego artykułu dowiesz się…
- Jnaukowcy z Uniwersytetu Bostońskiego wykorzystali wiedzę o biologii przeciwciał do stworzenia bardziej wyspecjalizowanego modelu AI.
- Dlaczego model skupia się na regionach CDR, które mają kluczowe znaczenie dla rozpoznawania antygenów i wiązania przeciwciał z ich celami.
- Jak model liczący około 600 mln parametrów poprawił przewidywanie powinowactwa wiązania nawet o 27% w analizach obejmujących ponad 90 tys. wariantów przeciwciał.
- Jak AI może ograniczyć liczbę kandydatów wymagających testów laboratoryjnych i w przyszłości przyspieszyć odkrywanie oraz optymalizację leków przeciwciałowych.
Dlaczego projektowanie leków przeciwciałowych jest tak trudne?
Opracowywanie terapii opartych na przeciwciałach wymaga znalezienia cząsteczek, które nie tylko rozpoznają określony cel związany z chorobą, ale również odpowiednio silnie się z nim wiążą. Problem polega na tym, że naukowcy mogą mieć do wyboru miliony, a nawet miliardy potencjalnych kandydatów. Możliwe są również kolejne modyfikacje ich sekwencji, przez co liczba wariantów może sięgać bilionów. Eksperymentalne przetestowanie wszystkich możliwości w laboratorium jest niewykonalne. Dlatego jednym z potencjalnych zastosowań AI jest przewidywanie, które przeciwciała mają największą szansę wykazywać pożądane właściwości.
Badacze z Uniwersytetu Bostońskiego postanowili jednak nie zwiększać po prostu rozmiaru modelu. Zamiast tego zmienili sposób jego uczenia, wykorzystując wiedzę dotyczącą biologii przeciwciał.
Zamiast traktować przeciwciała jak białka generyczne, zaprojektowaliśmy model językowy specyficzny dla przeciwciał, który uczy się podstawowych wzorców w regionach odpowiedzialnych za wiązanie antygenu – mówi dr Diane Joseph-McCarthy , główna badaczka i dyrektor wykonawcza Centrum Technologii i Przedsiębiorczości Bioinżynierii Uniwersytetu Bostońskiego. To ukierunkowane podejście pomaga badaczom zidentyfikować najbardziej obiecujące kandydatury terapeutyczne, zanim jeszcze trafią one do laboratorium.
Przeciwciała stanowią szczególne wyzwanie dla sztucznej inteligencji
Modele języka białek mogą uczyć się poprzez przewidywanie zamaskowanych aminokwasów – w sposób przypominający modele językowe przewidujące brakujące słowa. W przypadku wielu białek takie podejście jest skuteczne, ponieważ istotne informacje biologiczne są rozmieszczone w różnych częściach cząsteczki. Przeciwciała mają jednak specyficzną budowę. Znaczna część cząsteczki pełni funkcję strukturalnego rusztowania, natomiast informacje decydujące o rozpoznawaniu celu i sile wiązania są skoncentrowane przede wszystkim w sześciu niewielkich pętlach określanych jako regiony determinujące komplementarność – CDR.
Pomyśl o przeciwciele jak o śrubokręcie – mówi dr John Misasi , współautor badania i adiunkt wirusologii, immunologii i mikrobiologii w Chobanian and Avedisian School of Medicine na Uniwersytecie Bostońskim. Nie ma znaczenia, czy jest długi, czy krótki – kształt końcówki decyduje o tym, do jakiej śruby pasuje. Regiony CDR są jak ta końcówka: określają, który cel rozpoznaje przeciwciało.
AI uczyła się przede wszystkim najważniejszych regionów przeciwciał
Naukowcy zaprojektowali proces treningowy tak, aby model skupiał się właśnie na regionach CDR. Wykorzystano ponad 1,6 mln naturalnie sparowanych łańcuchów ciężkich i lekkich przeciwciał, które wspólnie tworzą miejsce wiązania antygenu. Podczas treningu celowo maskowano nawet połowę aminokwasów znajdujących się w CDR, pozostawiając większość otaczającej struktury przeciwciała bez zmian. Model wielokrotnie musiał więc rekonstruować te części cząsteczki, które mają szczególne znaczenie dla wiązania.
Wiele badań nad sztuczną inteligencją koncentrowało się na budowaniu większych modeli – mówi dr Ioannis (Yannis) Paschalidis , współautor badania i dyrektor Instytutu Informatyki im. Haririego na Uniwersytecie Bostońskim. Postawiliśmy sobie inne pytanie: jak możemy nauczyć model biologii, która jest dla niego najważniejsza? Okazało się, że to znacznie skuteczniejsza strategia.
Mniejszy model poprawił przewidywanie powinowactwa nawet o 27%
Opracowany model zawiera około 600 mln parametrów. Mimo mniejszych rozmiarów w wielu testach porównawczych dorównywał lub przewyższał znacznie większe modele językowe przeznaczone do analizy przeciwciał. Szczególnie istotne wyniki uzyskano w przewidywaniu powinowactwa wiązania, czyli siły, z jaką przeciwciało wiąże się z celem. Model poprawił takie przewidywania nawet o 27% w zestawach danych obejmujących ponad 90 tys. zmodyfikowanych wariantów przeciwciał skierowanych przeciwko sześciu różnym antygenom. Jednocześnie system trenowano na milionach, a nie miliardach sekwencji, dzięki czemu wymagał znacznie mniejszych zasobów obliczeniowych.
Jednym z ekscytujących odkryć jest to, że nie potrzebowaliśmy większego modelu ani znacznie większej ilości danych – mówi Paschalidis. To podobne do tego, co zaobserwowano w przypadku modeli sztucznej inteligencji w języku ludzkim, gdzie mniejsze modele specyficzne dla danej dziedziny, trenowane na wysokiej jakości danych, często przewyższają znacznie większe, bardziej ogólne modele.
AI może ograniczyć liczbę przeciwciał wymagających testów laboratoryjnych
Praktyczne znaczenie modelu polega przede wszystkim na ustalaniu priorytetów. Zamiast eksperymentalnie analizować ogromną liczbę wariantów, naukowcy mogliby najpierw wykorzystać AI do wskazania najbardziej obiecujących kandydatów.
Wiedza nie tylko o tym, czy przeciwciało wiąże się z przeciwciałem, ale także o jego sile, daje naukowcom znacznie lepszy punkt wyjścia do podjęcia decyzji, które z kandydatów kontynuować badania – mówi Misasi, główny pracownik naukowy Narodowego Laboratorium Chorób Zakaźnych (NEIDL) Uniwersytetu Bostońskiego. Jeśli komputer może zawęzić miliony możliwości do kilkuset najbardziej obiecujących kandydatów, oszczędza to ogromną ilość czasu, pracy i kosztów w laboratorium.
Model może być również przydatny podczas optymalizacji już istniejących przeciwciał. AI mogłaby przewidywać, które zmiany w sekwencji zwiększą prawdopodobieństwo uzyskania pożądanych właściwości, zanim zmodyfikowane cząsteczki zostaną poddane eksperymentom.
Potencjalne zastosowanie podczas przyszłych epidemii
Jednym z możliwych zastosowań jest szybkie poszukiwanie przeciwciał podczas pojawiania się nowych zagrożeń zakaźnych. Narzędzia obliczeniowe mogłyby wspierać wybór kandydatów oraz wskazywać potencjalne sposoby adaptowania istniejących przeciwciał do zmieniających się wirusów.
W przypadku kolejnej epidemii choroby zakaźnej chcielibyśmy jak najszybciej zidentyfikować obiecujące przeciwciała – mówi Misasi. Narzędzia obliczeniowe takie jak to mogą pomóc nam szybciej znaleźć te przeciwciała, a nawet zasugerować, jak istniejące przeciwciała mogą być adaptowane w miarę zmian wirusów w czasie.
Biologia może być ważniejsza niż zwiększanie modelu AI
Badanie pokazuje szerszy kierunek rozwoju sztucznej inteligencji wykorzystywanej w odkrywaniu leków. Zamiast zwiększać liczbę parametrów i ilość danych treningowych, można projektować modele tak, aby lepiej odzwierciedlały biologiczne cechy analizowanych cząsteczek. W przypadku przeciwciał skoncentrowanie procesu uczenia na regionach CDR pozwoliło stworzyć mniejszy model, który w testach osiągał wyniki porównywalne lub lepsze od większych systemów.
Zrozumienie, jak przeciwciała rozpoznają swoje cele, jest kluczowe dla opracowywania lepszych terapii przeciwciałowych, testów diagnostycznych i szczepionek – mówi Joseph-McCarthy. „Ucząc sztuczną inteligencję biologii, która jest najważniejsza, mamy nadzieję zapewnić naukowcom lepsze narzędzia do odkrywania, optymalizacji i ostatecznie projektowania kolejnej generacji terapii przeciwciałowych.
Badanie ma charakter obliczeniowy, dlatego jego wyniki nie oznaczają jeszcze powstania nowych terapii. Pokazują jednak, że uwzględnienie wiedzy biologicznej już na etapie projektowania modeli AI może usprawnić selekcję i optymalizację przeciwciał przed rozpoczęciem kosztownych badań eksperymentalnych.
Główne wnioski
- Naukowcy z Uniwersytetu Bostońskiego stworzyli model AI specyficzny dla przeciwciał, który podczas uczenia koncentruje się na regionach determinujących komplementarność (CDR), bezpośrednio związanych z rozpoznawaniem antygenów.
- Model wytrenowano z wykorzystaniem ponad 1,6 mln naturalnie sparowanych łańcuchów ciężkich i lekkich przeciwciał. Ma około 600 mln parametrów, a mimo to w wielu testach dorównywał lub przewyższał większe modele.
- W zestawach danych obejmujących ponad 90 tys. zmodyfikowanych wariantów przeciwciał skierowanych przeciwko sześciu antygenom model poprawił przewidywanie powinowactwa wiązania nawet o 27%.
- AI może pomóc zawęzić miliony potencjalnych przeciwciał do znacznie mniejszej grupy najbardziej obiecujących kandydatów, ograniczając liczbę eksperymentów laboratoryjnych i wspierając szybsze projektowanie oraz optymalizację terapii przeciwciałowych.
Źródło:
- https://www.nature.com/articles/s44488-026-00010-2
- Boston University
