03-10-2023

Терапия антителами позволяет активировать возможности иммунной системы в борьбе с такими патологиями как болезнь Паркинсона, Альцгеймера или некоторыми видами онкологических заболеваний, однако ее эффективность значительно снижается в том случае, если антитела связываются с молекулами, не являющимися основными целями, т.е. патологическими маркерами.

Новый алгоритм машинного обучения позволит лучше понять, какие проблемные участки в структуре антител определяют их способность связываться с нецелевыми молекулами. Результаты исследования опубликованы в журнале Nature Biomedical Engineering.

Реклама

Разработанная модель может быть использована как на уже существующих антителах, так и на полностью новых молекулах, и даже при работе с теоретическим материалом, т.е. еще несуществующими антителами. По мнению авторов исследования, идеальные антитела должны обладать тремя функциями: прочная связь с таргетными молекулами, игнорирование аналогичных антител и других похожих молекул.

В рамках данной работы была проанализирована активность 80 различных антител, находящихся на стадии клинических испытаний, и было показано, что около 75% таких антител имеют склонность к взаимодействию с нецелевыми маркерами. Это обуславливает необходимость изменения ряда аминокислотных последовательностей в антителах для изменения их структуры и, как следствие, их склонности к связыванию с нецелевыми молекулами. В то же время иногда такие изменения могут приносить больше вреда, чем пользы.

Использование нового алгоритма машинного обучения позволяет анализировать все изменения для антитела и это занимает около 2 дней, что значительно меньше, чем полностью экспериментальный подход, при использовании которого потребовались бы месяцы.

Задача искусственного интеллекта состоит в том, чтобы указать на изменения молекулы антитела таким образом, чтобы все 3 «идеальные» функции характеризовались 78-88% уровнем точности. Это значительным образом сужает тот спектр необходимой для химиков и биоинженеров работы, направленной на изменение молекулы.

Реклама

Машинное обучение становится ключевым элементов в разработке лекарственных препаратов, в том числе антител, поскольку позволяет оптимизировать теоретические расчетные процессы и уменьшить нагрузку на экспериментальную разработку новых молекул.

Материал подготовлен в рамках проекта «Медицина в точке бифуркации». Проект поддержан грантом Минобрнауки России в рамках федерального проекта «Популяризация науки и технологий»

Источник: Emily K. Makowski et al. Optimization of therapeutic antibodies for reduced self-association and non-specific binding via interpretable machine learning // Nature Biomedical Engineering. 2023

Реклама