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.
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.
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»
