Három AI-módszert mutatott be az Amazon az antitestfejlesztéshez

Az antitestfejlesztés három kritikus pontjára fókuszálnak

Az Amazon Science szeptember 21-én ismertetett három tanulmányt az Amazon Bio Discovery kutatócsapatától. A vállalat szerint a mesterséges intelligencia alkalmazása csökkentheti az antitestgyógyszerek fejlesztésének költségeit és időigényét. A hagyományos antitestfelfedezésnél egy célponttól a vezető gyógyszerjelöltig jellemzően hat-tizenkét hónap telik el.

A fejlesztés során három kérdés különösen fontos: melyik kötőhely a legalkalmasabb a célponton, mely jelöltek kötődnek hozzá a legerősebben, és képesek-e a molekulák megfelelni a gyártási, klinikai és biztonsági követelményeknek. Az Amazon szerint a meglévő előrejelző modellek ismerős célpontokon és vizsgálatokon jobban teljesítenek, ismeretlen környezetben azonban jelentősen romolhat a teljesítményük.

A három kutatásból kettő szakfolyóiratban közölt, előrejelzéssel foglalkozó tanulmány, a harmadik pedig egy teljes, kísérleti ellenőrzéssel záruló tervezési folyamatot mutat be.

A MochiBind rangsorolja a kötődési jelölteket

Az iScience folyóiratban megjelent tanulmányban bemutatott MochiBind egy antitest és egy antigén kapcsolatának abszolút kötődési értéke helyett azt becsüli meg, hogy két, ugyanahhoz az antigénhez kapcsolódó antitest közül melyik kötődik erősebben. A páronkénti összehasonlításokat ezután a TrueSkill nevű, eredetileg videojátékosok rangsorolására fejlesztett bayesi algoritmus egyetlen globális sorrenddé állítja össze.

A módszer szekvenciaadatból dolgozik, és nincs szüksége szerkezeti bemenetre. Az Amazon a vizsgálatot az AlphaBind adatkészletén, négy antigénrendszeren végezte, amelyek mindegyikéhez nagyjából 30 ezer kísérletileg jellemzett variáns tartozik. A tesztelés során mindig másik antigént tartottak vissza, mint amelyeken a modellt tanították.

A vállalat közlése szerint a MochiBind mind a négy visszatartott antigénen magasabb páronkénti pontosságot ért el, mint az összehasonlított szerkezeti alapú módszerek. A legközelebbi versenytársat átlagosan csaknem 10 százalékkal múlta felül. A rendszer 200 ezer antitestpárt körülbelül 13 másodperc alatt értékelt ki CPU-n, ami több mint százszoros következtetési gyorsulást jelentett a versenytárs módszerekhez képest.

A CA-MAP a laborok közötti eltéréseket is figyelembe veszi

Az npj Systems Biology and Applications folyóiratban közölt második tanulmány a CA-MAP nevű, több tulajdonság előrejelzésére szolgáló modellt ismerteti. A rendszer egy változó számú, már mért tulajdonságokkal rendelkező antitestből álló példasort, majd a vizsgált antitestet és az előrejelzendő tulajdonság nevét kapja bemenetként.

Erre azért van szükség, mert a különböző laboratóriumok eltérő mintakezelési és mérési eljárásai rendszeres eltéréseket okozhatnak az adatokban. Ha a példák és a lekérdezett antitest ugyanahhoz a laborhoz tartoznak, a modell ezekből a mérésekből következtethet az adott mérési környezetre, és újratanítás nélkül korrigálhatja az eltérést.

Az Amazon által közölt eredmények szerint a CA-MAP 0,99-es korrelációs pontosságot tartott fenn szimulált mérési eltolások mellett, miközben a hagyományos modellek teljesítménye 0,58-ra esett vissza. A rendszer a nagy nyelvi modellekhez képest 1/200-ad annyi paramétert használ, és 200-szor gyorsabban fut.

Kísérletben is ellenőrizték az új célpont ellen tervezett antitesteket

A harmadik kutatásban az Amazon egy ügynök által irányított tervezési rendszert használt. A folyamat a kötőhelyek kiválasztását is kezelte, majd egy új, desmoplasztikus kis kereksejtes daganathoz kapcsolódó célpont ellen állított elő jelölteket. A célpontról korábban nem állt rendelkezésre szerkezeti vagy antitestes információ.

Az Amazon Bio Discovery közlése szerint a teljes tervezési kampány 46, kísérletileg igazolt, erősen kötődő antitestjelöltet eredményezett. A kutatások alapján a rendszer a nagy molekuláris keresési tér szűrését és a laboratóriumi tesztelésre érdemes jelöltek kiválasztását támogatja.