Искусственный интеллект создал антитела с нуля

Исследователи из Вашингтонского университета представили метод, управляемый ИИ, для создания специфичных к эпитопам антител. Метод подтверждает их атомарно точное связывание с помощью высокоразрешающей молекулярной визуализации, а затем усиливает конструкции для более прочного связывания.

Важность точного нацеливания на эпитоп

Антитела доминируют среди современных терапевтических средств: на рынке представлено более 160 продуктов, а прогнозируемая стоимость рынка через 5 лет составит 445 млрд долларов США. Антитела защищают организм, связываясь с точным участком — эпитопом — на вирусе или токсине.

Именно это точечное соединение определяет, блокирует ли антитело инфекцию, помечает патоген для уничтожения или нейтрализует вредный белок. Если терапевтическое антитело не попадает в нужный эпитоп, лечение может потерять эффективность или вызвать побочные эффекты из-за связывания с неправильной мишенью.

В разработке лекарств знание точного места связывания антитела может решить, добьется ли оно успеха у пациентов или потерпит неудачу в клинических испытаниях. Создание специфичных к эпитопам антител позволяет нацеливаться на критические для болезни участки, например, на кончик шипа вируса, связывающий рецептор, или на токсичный домен бактериального белка. Обычно достижение такого уровня точности требует медленного, итеративного процесса с годами лабораторной работы, включая иммунизацию животных, многоэтапный скрининг и структурные исследования для подтверждения сайта связывания.

Надежный способ планировать эти взаимодействия на компьютере мог бы ускорить и сделать более целенаправленным создание антител, позволяя точно нацеливаться на молекулярные поверхности, контролирующие инфекцию, токсичность или передачу клеточных сигналов.

До сих пор вычислительные методы в основном оптимизировали уже существующие антитела, а некоторые модели глубокого обучения предлагали варианты, когда связыватель уже был известен. Недавние генеративные подходы требовали наличия стартового связывателя, поэтому создание de novo антител, специфичных к эпитопу, оставалось нерешенной задачей.

В исследовании "Atomically accurate de novo design of antibodies with RFdiffusion", опубликованном в Nature, ученые обучили систему ИИ создавать антитела, распознающие заданные пользователем молекулярные участки.

Модель RFdiffusion использовала информацию о каркасах антител и "горячих точках" на поверхности мишени для формирования новых связывающих петель. Вторая сеть, RoseTTAFold2, предсказывала, будет ли каждая конструкция правильно сворачиваться и связываться, отсеивая нестабильные или неправильно ориентированные кандидаты.

Исследования с помощью ламы

Первые усилия по дизайну были сосредоточены на однодоменных антителах, известных как VHH. Эти миниатюрные антитела происходят от животных, таких как ламы и альпаки, и ценятся в исследованиях за свою стабильность, компактность и удобство для инженерии. Их малый размер позволяет им проникать в углубления на вирусных или бактериальных белках, недоступные для полноразмерных антител.

Исследователи использовали гуманизированный каркас VHH и нацелили дизайн на гемагглютинин вируса гриппа, токсин B Clostridium difficile, сайты I и III RSV, а также рецептор-связывающий домен SARS-CoV-2.

Лабораторный скрининг использовал дрожжевой дисплей для тестирования 9000 конструкций на мишень и экспрессию в E. coli с одноточечным SPR для оценки 95 конструкций на мишень. Каждая мишень представляла свою структурную сложность: от гладкой поверхности гриппа до сложной укладки токсина C. difficile.

Попадание в цель

Для гриппа было получено несколько лабораторных антител, которые связывались с вирусным белком in vitro. Высокорезолюционная визуализация показала, что одна из конструкций совпадает с компьютерным планом с почти атомарной детализацией, включая то, как ключевая петля антитела достигает целевого сайта. Микроскопические сахара на вирусе смещались в сторону, когда антитело связывалось, что было видно на изображениях и соответствовало запланированному подходу.

Работа с токсином C. difficile дала компактное антитело, которое захватывало целевой сайт и блокировало связывание ранее разработанного антитела-конкурента. Лабораторные тесты на клетках показали защиту от повреждающего действия токсина.

Последующая визуализация зафиксировала одинаковое поведение при связывании до и после лабораторной эволюции антитела, что указывает на то, что улучшение силы связывания не изменило место или способ стыковки.

Несколько промахов

Тесты с SARS-CoV-2 дали компактное антитело, которое связывалось только тогда, когда вирусный белок переходил в "поднятое" положение, и блокировало известного конкурента в этом месте. Визуализация подтвердила связывание с правильным сайтом, но выявила иной угол подхода, чем планировалось, что авторы назвали неудачей дизайна.

Конструкции, нацеленные на пептид, связанный с раком, на белках человеческой иммунной системы, показали специфичное распознавание в двух отдельных анализах. Однако созданные на их основе инженерные Т-клетки не убивали линии опухолевых клеток в лабораторных тестах.

Хорошее начало

Заявленные показатели успеха остаются низкими — от 0% до 2% для разных мишеней. Авторы указывают, что улучшенная фильтрация с помощью AlphaFold3 ipTM может стать путем к повышению эффективности.

Перспективы метода включают более быстрое и потенциально более целенаправленное открытие антител по мере улучшения моделей и фильтров. Это особенно ценно для применений, требующих точного взаимодействия с эпитопом, таких как блокада рецептор-лиганд, конформационная модуляция и нацеливание на консервативные вирусные сайты.