Sztuczna inteligencja staje się prawdziwym sprzymierzeńcem naukowców w walce z pandemią – tym razem opracowano przeciwciała odporne na mutacje, które skutecznie neutralizują ponad 1300 szczepów SARS-CoV-2, w tym niebezpieczne warianty Delta i Omikron.
W dynamicznie zmieniającym się świecie medycyny i biotechnologii coraz większą rolę odgrywa sztuczna inteligencja (AI). Najnowsze badania opublikowane w czasopiśmie Scientific Reports pokazują, że dzięki zastosowaniu algorytmów uczenia maszynowego, modelowania struktury białek oraz przetwarzania języka naturalnego, możliwe było zaprojektowanie przeciwciał neutralizujących dziesiątki zmutowanych wersji koronawirusa SARS-CoV-2. To przełomowe odkrycie może znacząco przyspieszyć proces tworzenia skutecznych terapii wobec groźnych i szybko ewoluujących patogenów.
Opracowane przez badaczy przeciwciała celowały w białko kolca (spike protein), a konkretnie jego domenę wiążącą receptor (RBD) – to właśnie ona odpowiada za zdolność wirusa do wnikania do komórek ludzkich. Uwzględniono aż 64 kluczowe mutacje, w tym te odpowiadające za odporność na obecne terapie. Jako modele wyjściowe wykorzystano popularne przeciwciała monoklonalne: CR3022, Casirivimab oraz Imdevimab. W efekcie uzyskano nowe przeciwciała, które w laboratoryjnych testach ELISA zademonstrowały zdolność wiązania się z trzema różnymi wariantami koronawirusa jednocześnie – dzikim typem, Deltą i Omikronem.
To, co wyróżnia tę metodę, to jej skuteczność czasowa i kosztowa. Tradycyjne podejścia oparte o modelowanie strukturalne białek są skomplikowane, kosztowne i czasochłonne. W przeciwieństwie do nich, podejście oparte na AI pozwala niemal w czasie rzeczywistym projektować struktury białkowe w odpowiedzi na pojawiające się mutacje, co daje bezprecedensową przewagę w walce z wirusami, które stale zmieniają swoje właściwości.
Tło pandemii i potrzeba nowych strategii
Od momentu odkrycia w 2019 roku, SARS-CoV-2 przyczynił się do śmierci ponad 7 milionów ludzi na całym świecie i zmienił funkcjonowanie całych społeczeństw. Chociaż masowe kampanie szczepień i ograniczenia społeczne przyniosły ulgę, to sam wirus nadal mutuje, a nowe warianty okazują się być odporne na niektóre wcześniej skuteczne terapie. Przykładem są szczepy B.1.427 i B.1.429, które dzięki mutacjom L452R straciły wrażliwość na stosowane przeciwciała bamlanivimab i etesevimab.
W odpowiedzi na te wyzwania świat nauki coraz chętniej sięga po rozwiązania computational biology, czyli połączenie biologii, informatyki i sztucznej inteligencji. Dzięki narzędziom takim jak sieci neuronowe, w tym grafowe oraz oparte na języku naturalnym (NLP), możliwe staje się dokładne modelowanie interakcji między antygenami a przeciwciałami, co pozwala tworzyć skuteczniejsze terapie szybciej niż kiedykolwiek.
Opis badań i zastosowana technologia
W ramach opisywanej pracy, naukowcy opracowali własne modele AI służące do tzw. „dojrzewania” przeciwciał – czyli ulepszania ich powinowactwa do antygenów. Modele bazowały zarówno na architekturze grafowej, jak i językowej, wykorzystując relacje pomiędzy resztami aminokwasowymi oraz ich struktury białkowe jako sieć powiązań. Do trenowania modeli użyto renomowanych baz danych: SKEMPI, Observed Antibody Space, AB-Bind oraz UniProt.
Po wstępnym nauczeniu sieci neuronowej, jej skuteczność testowano z użyciem podejścia typu leave-5-out (L5O), czyli z wyłączeniem z testów części danych, które były użyte podczas uczenia. W kolejnym etapie wykorzystano dane z bazy GISAID, zawierającej ponad 1300 zmapowanych szczepów wirusa, i wygenerowano bibliotekę mutacji. Do identyfikacji potencjalnych „superprzeciwciał” zastosowano testy ELISA oraz testy cytotoksyczności SARS-CoV-2 w komórkach Vero E6.
Najważniejsze wyniki
Modele oparte na AI pokazały imponującą skuteczność. Grafowa architektura sieci przewyższyła tradycyjne rozwiązania komercyjne, jak Discovery Studio, osiągając wartości współczynnika Pearsona sięgające 0,6 (w porównaniu do 0,45 dla klasycznego narzędzia). Co więcej, przeprowadzone w laboratorium testy wskazały, że większość zaprojektowanych tym sposobem przeciwciał skutecznie wiązała się z białkiem kolca wirusa SARS-CoV-2 i neutralizowała komórki zainfekowane przez warianty Delta lub Omikron.
Warto jednak zauważyć, że choć wysokie powinowactwo do antygenu w testach ELISA nie zawsze przekładało się na zdolności neutralizujące w testach komórkowych, co może wynikać z różnic strukturalnych białka kolca w wersji plate-bound (na płytkach) i in vivo. Ostateczna skuteczność terapeutyczna w organizmach żywych wymaga więc dodatkowych badań, obejmujących mapowanie epitopów i badania konformacyjne przeciwciał.
Możliwości zastosowania w przyszłości
Opisywane badanie otwiera drzwi do nowego sposobu projektowania leków – zamiast długotrwałych analiz strukturalnych, naukowcy mogą teraz wykorzystać AI do szybkiego i elastycznego dostosowywania terapii do zmieniających się patogenów. Tego typu podejście można z powodzeniem wdrożyć nie tylko przeciwko koronawirusom, ale również w terapii innych infekcji wirusowych, a nawet chorób nowotworowych, gdzie celowane przeciwciała odgrywają coraz większą rolę.
Opracowane przez badaczy rozwiązanie nie tylko przewyższa konwencjonalne metody pod względem skuteczności i precyzji, ale celuje również w redukcję kosztów oraz minimalizację czasu potrzebnego do wprowadzenia nowych leków na rynek. Modele AI mogą być z powodzeniem rozwijane w przyszłości, ucząc się także na podstawie nowych przypadków mutacji wirusów, co zapewni jeszcze większą elastyczność oraz potencjał w walce z przyszłymi pandemiami.
Chociaż badanie to stanowi znaczący krok naprzód, jego twórcy podkreślają konieczność dalszych analiz – zwłaszcza tych prowadzonych w warunkach in vivo. Jednakże przyszłość odkrywania przeciwciał zaczyna rysować się w zupełnie nowym świetle – jako połączenie biologii molekularnej, analizy danych, i nauki o sztucznej inteligencji.
