Under pandemien startet en omfattende forskningsaktivitet med formål å komme frem til effektive behandlinger mot covid-19. En sentral metode var å utvikle antistoffmolekyler rettet mot viruset. Nå har forskere vist at kunstig intelligens (KI) kan være en snarvei forbi de arbeidskrevende prosessene med å utvikle slike antistoffer, samt at KI kan brukes til å forsterke potensen til antistoffene mot virus. Det er Nature News som forteller dette1.
En studie publisert for noen dager siden i Nature Biotechnology2 har anvendt KI i utformingen av antistoffer - ikke bare mot virus, men også mot kreftsykdommer og inflammatoriske sykdommer.
Antistoffmedisiner mot sykdommer som brystkreft og revmatoid artritt omsettes for mer enn USD 100 milliarder i verdensomspennende salg hvert år. Forskere håper at generativ KI – nevrale nettverk som kan lage tekst, bilder og annet innhold på grunnlag av lærte mønstre – vil fremskynde utviklingen og bidra til å lage antistoffmedisiner mot sykdommer som så langt har motstått konvensjonelle metoder.
Antistoffer er blant immunsystemets viktigste våpen mot infeksjon. Disse proteinene benyttes i bioteknologiindustrien, delvis fordi de kan konstrueres for å feste seg til nesten alle tenkelige proteiner for å manipulere aktiviteten. Men å generere antistoffer med nyttige egenskaper og forbedre disse, innebærer mye prøving og feiling og tar tid.
For å se om generative KI-verktøy kunne effektivisere arbeidet, har forskerne anvendt nevrale nettverk kalt proteinspråkmodeller som er grunnlaget for verktøy som ChatGPT. Men i stedet for å bli matet med store mengder tekst, trenes proteinspråkmodeller på titalls millioner proteinsekvenser. I den aktuelle studien trente modellen på bare noen få tusen antistoffsekvenser, av de nesten 100 millioner proteinsekvensene den lærte av. Til tross for dette, økte en overraskende høy andel av modellens forslag evnen til antistoffer mot SARS-CoV-2, ebolavirus og influensa til å binde seg til målene deres.
Bruk av disse modulerte antistoffene ble anvendt i en etablert og godkjent behandling av Ebola og covid-19 og viste seg å forbedre disse molekylenes evne til å gjenkjenne og blokkere de proteinene som disse virusene bruker til å infisere celler. KI-modellen bruker informasjon som er ukjent for eller ikke åpenbar for selv de som er eksperter på antistoffmanipulering - de vet ikke sikkert hva som skjer, men resultatene er forbløffende.
Forskerne ønsker ikke bare å endre eksisterende antistoffer, de ønsker også å bruke teknikken til å utvikle nye antistoffer som binder seg til angrepsmålet som kan være kreftsvulster, nevrologiske sykdommer, hjertesykdom og mange andre. Foreløpig har ikke forskerne hatt noe gjennombrudd på dette området, men lovende studier er på gang3-4.
Kilder
Referanser
- Callaway E. How generative AI is building better antibodies. Nature News, 04 May 2023. www.nature.com
- Hie BL, Shanker VR, Xu D, et al. Efficient evolution of human antibodies from general protein language models published online ahead of print, 2023 Apr 24. Nat Biotechnol. 2023;10.1038/s41587-023-01763-2. doi:10.1038/s41587-023-01763-2 DOI
- Shanehsazzadeh A, Bachas S, McPartlon M, et al. Unlocking de novo antibody design with generative artificial intelligence. bioRxiv, posted March 29, 2023. www.biorxiv.org
- Eguchi RR, Choe CA, Parekh U, et al. Deep Generative Design of Epitope-Specific Binding Proteins by Latent Conformation Optimization. bioRxiv, posted December 23, 2022. www.biorxiv.org