Nature｜人工智能加速抗体识别

在2023年1月28日发表在《自然通讯》上的这项研究中，研究人员使用这种方法来识别一种新的抗体，该抗体将主要癌症靶点结合起来，比现有抗体药物紧密17倍。作者表示，可以加速发现治疗癌症和其他疾病（如新冠肺炎和类风湿性关节炎）的新药。

论文地址：https://www.nature.com/articles/s41467-023-36028-8

为了成为一种成功的药物，抗体必须与目标紧密结合。为了找到这种抗体，研究人员通常从已知的抗体氨基酸序列开始，并使用细菌或酵母细胞产生一系列具有该序列变化的新抗体。然后对这些突变体进行结合靶抗原的能力进行评估。然后，效果最好的抗体子集会受到另一轮突变和评估，这个周期会重复，直到出现一组紧密绑定的决赛选手。

尽管这个过程漫长而昂贵，但由此产生的许多抗体在临床试验中仍然无效。在这项新研究中，加州大学圣地亚哥分校的科学家设计了一种最先进的机器学习算法，以加速和简化这些努力。

这种方法也开始了，研究人员生成了一个包含约50万个可能的抗体序列的初始库，并筛选它们与特定蛋白质靶点的亲和力。但是，他们没有一遍又一遍地重复这个过程，而是将数据集输入贝叶斯神经网络，该网络可以分析信息，并使用它来预测其他序列的结合亲和力。

加州大学圣地亚哥分校医学院细胞和分子医学教授、高级作者Wei Wang博士说，有了我们的机器学习工具，这些后续的序列突变和选择可以在计算机上快速有效地进行，而不是在实验室进行。

他们的人工智能模型的一个特殊优势是它能够报告每个预测的确定性。王说，与许多人工智能方法不同，我们的模型实际上可以告诉我们它对每个预测的信心，这有助于我们对抗体进行排名，并决定哪些抗体优先开发药物。

为了验证管道，项目科学家和研究的共同作者Jonathan Parkinson博士和Ryan Hard博士着手设计一种针对程序性死亡配体1（PD-L1）的抗体，PD-L1是一种在癌症中高度表达的蛋白质，也是几种商业上可用的抗癌药物的目标。使用这种方法，他们发现了一种与PD-L1结合的新型抗体，其结合效果比美国批准临床使用的野生型抗体atezolizumab（品牌名称Tecentriq）好17倍。美国食品药品监督管理局。

研究人员现在正在使用这种方法来识别针对SARS-CoV-2等其他抗原的有希望的抗体。他们还正在开发额外的人工智能模型，用于分析氨基酸序列对临床试验成功至关重要的其他抗体特性，如稳定性、溶解度和选择性。

Wang说，通过结合这些人工智能工具，科学家可能能够在计算机上而不是在板凳上进行越来越多的抗体发现工作，这可能会导致更快、更不容易失败的发现过程。这个管道有很多应用程序，这些发现实际上只是个开始。

内容中包含的图片若涉及版权问题，请及时与我们联系删除