Yapay Zeka ile Daha İyi Antikor İlaçlar Tasarlanabilir
Fotoğraf: Makine öğrenimi optimal antikor ilaçlarının geliştirilmesine yardımcı olur.
Antikorlar sadece bağışıklık hücrelerimiz tarafından vücuttaki virüsler ve diğer patojenlerle savaşmak için üretilmez. Birkaç on yıldır, tıp biyoteknoloji tarafından üretilen antikorları da ilaç olarak kullanıyor. Bunun nedeni, antikorların özellikle kilit ve anahtar prensibine göre moleküler yapılara bağlanmada son derece iyi olmasıdır. Kullanımları onkolojiden otoimmün hastalıkların tedavisine ve nörodejeneratif durumlara kadar değişmektedir.
Bununla birlikte, bu tür antikor ilaçları geliştirmek basit değildir. Temel gereksinim, bir antikorun hedef molekülüne en uygun şekilde bağlanmasını sağlamaktır. Aynı zamanda, bir antikor ilacı bir dizi ek kriteri yerine getirmelidir. Örneğin, vücutta bir bağışıklık tepkisini tetiklememeli, biyoteknoloji kullanarak üretim yapmak verimli olmalı ve uzun bir süre boyunca sabit kalmalıdır.
Bilim insanları istenen moleküler hedef yapıya bağlanan bir antikor bulduklarında, geliştirme süreci sona ermekten çok uzaktır. Bunun yerine, bu, araştırmacıların antikorun özelliklerini iyileştirmeye çalışmak için biyomühendisliği kullandıkları bir aşamanın başlangıcını işaret ediyor. Basel’deki ETH Zürih Biyosistem Bilimi ve Mühendisliği Bölümü’nde profesör olan Sai Reddy liderliğindeki bilim insanları, şimdi bu optimizasyon aşamasını destekleyen ve daha etkili antikor ilaçları geliştirmeye yardımcı olan bir makine öğrenimi yöntemi geliştirdiler.
Robotlar Birkaç Binden Fazlasını Yönetemez
Araştırmacılar tüm antikor molekülünü terapötik formunda (yani sadece bir antikor parçası değil) optimize ettiklerinde, istenen hedef yapıya oldukça iyi bağlanan bir antikor kurşun adayı ile başlardı. Daha sonra araştırmacılar, laboratuvarda birkaç bin ilgili antikor adayı üretmek için antikorun planını taşıyan geni rastgele mutasyona uğratırlar. Bir sonraki adım, hedef yapıya en iyi bağlananları bulmak için aralarında arama yapmaktır. Otomatik süreçlerle, birkaç bin terapötik adayı bir laboratuvarda test edilebilir olduğunu ancak bundan daha fazlasını taramanın gerçekten mümkün olmadığını belirtti Reddy. Tipik olarak, bu taramadan en iyi düzine antikor bir sonraki adıma geçer ve ek kriterleri ne kadar iyi karşıladıkları test edilir. Sonuçta, bu yaklaşım birkaç bin kişilik bir gruptan en iyi antikorları tanımlamanızı sağladığını ekledi.
Aday Havuzu Makine Öğrenimi İle Büyük Ölçüde Arttı
Reddy ve meslektaşları şimdi test edilecek ilk antikor setini birkaç milyona çıkarmak için makine öğrenimini kullanıyorlar. Ne kadar çok aday arasından seçim yapabilirse, ilaç geliştirme için gereken tüm kriterleri gerçekten karşılayan bir adayın bulma şansının o kadar artacağını belirtti, Reddy.
ETH araştırmacıları, Roche’un 20 yıldır piyasada olan antikor kanseri ilacı Herceptin’i kullanarak yeni yöntemleri için kavram kanıtı sağladılar. Reddy, “Ancak bunu nasıl geliştireceğimiz hakkında önerilerde bulunmak istemiyorduk – onaylanmış bir ilacı geriye dönük olarak değiştiremezsiniz,” diye açıkladı. Bu antikorun seçilmesinin nedeninin bilim camiasında iyi bilinmesi ve yapısının açık erişimli veri tabanlarında yayımlanması olduğunu ekledi.
Bilgisayar Tahminleri
Herceptin antikorunun DNA dizisinden başlayarak, ETH araştırmacıları birkaç yıl önce geliştirdikleri crispr mutasyon yöntemini kullanarak yaklaşık 40.000 ilgili antikor oluşturdular. Deneyler, 10.000’inin söz konusu hedef proteine, belirli bir hücre yüzey proteinine iyi bağlandığını gösterdi. Bilim adamları bu 40.000 antikorun DNA dizilerini bir makine öğrenimi algoritmasını eğitmek için kullandılar.
Daha sonra 70 milyon potansiyel antikor DNA dizisinin bir veritabanını aramak için eğitilmiş algoritmayı uyguladılar. Bu 70 milyon aday için algoritma, karşılık gelen antikorların hedef proteine ne kadar iyi bağlanacağını tahmin etti ve bu da bağlanması beklenen milyonlarca dizinin bir listesiyle sonuçlandı.
Daha fazla bilgisayar modeli kullanarak, bilim insanları bu milyonlarca dizinin ilaç geliştirme için ek kriterleri (tolerans, üretim, fiziksel özellikler) ne kadar iyi karşılayacağını tahmin ettiler. Böylece aday sıra sayısı 8 bine düştü.
Geliştirilmiş Antikorlar Bulundu
Bilgisayarlarındaki optimize edilmiş aday dizileri listesinden, bilim insanları laboratuvarda antikor üretmek ve özelliklerini karakterize etmek için 55 dizi seçtiler. Sonraki deneyler, birçoğunun hedef proteine Herceptin’in kendisinden daha iyi bağlandığını ve üretilmesinin herceptin’den daha kolay ve daha kararlı olduğunu gösterdi. Reddy, “Yeni bir varyant vücutta Herceptin’den daha iyi tolere edilebilir” diyor. “Herceptin’in zayıf bir bağışıklık tepkisini tetiklediği bilinmektedir, ancak bu durumda bu tipik olarak bir sorun değildir.” Bununla birlikte, diğer birçok antikor için bir sorundur ve ilaç gelişimini önlemek için gereklidir.
ETH bilim insanları şimdi klinik gelişim aşamasında olan antikor ilaçlarını optimize etmek için yapay zeka yöntemini uyguluyorlar. Bu amaçla, yakın zamanda hem erken aşama ile ortak olan hem de antikor ilaç geliştirme için biyoteknoloji ve ilaç şirketleri kuran ETH spin-off deepCDR Biologics’i kurdular.
Kaynak: scitechdaily.com
