Новая ИИ-модель разрабатывает белки для доставки генной терапии
Исследователи из Университета Торонто использовали искусственный интеллект для редизайна ключевого белка, участвующего в доставке генной терапии.
Исследование, опубликованное в Nature Machine Intelligence, описывает оптимизацию белков для смягчения иммунного ответа, что повышает эффективность терапии и снижает побочные эффекты.
"Генная терапия обладает огромным потенциалом, но уже существующий иммунный ответ организма на вирусные векторы сильно затрудняет её успех. Наше исследование сосредоточено на гексонах — фундаментальном белке в аденовирусных векторах, который, если бы не проблема с иммунитетом, обладает огромным потенциалом для генной терапии", — говорит Майкл Гартон, доцент Института биомедицинской инженерии.
"Иммунные реакции, вызванные серотип-специфическими антителами, представляют собой значительное препятствие для доставки этих носителей к нужной мишени; это может привести к снижению эффективности и серьезным побочным эффектам".
Чтобы решить эту проблему, лаборатория Гартона использовала ИИ для создания вариантов гексонов, отличающихся от природных последовательностей.
"Мы хотим разработать что-то, что отличается от всех человеческих вариантов и, следовательно, не распознается иммунной системой", — говорит аспирант и ведущий автор исследования Суюэ Лю.
Традиционные методы разработки новых белков часто связаны с большим объемом проб и ошибок и растущими затратами. Использование ИИ-подхода позволяет достичь более высокой степени вариативности, снизить затраты и быстро генерировать сценарии моделирования перед выбором конкретных мишеней для экспериментальной проверки.
Хотя существует множество фреймворков для дизайна белков, исследователям может быть сложно создавать новые варианты из-за нехватки доступных природных последовательностей и относительно большого размера гексонов — в среднем 983 аминокислоты.
Учитывая это, Лю и Гартон разработали новый ИИ-фреймворк ProteinVAE. Модель можно обучить характеристикам длинного белка, используя ограниченный набор данных. Несмотря на компактный дизайн, ProteinVAE обладает генеративной способностью, сравнимой с более крупными доступными моделями.
"Наша модель использует предварительно обученные языковые модели белков для эффективного обучения на небольших наборах данных. Мы также внедрили множество специальных инженерных подходов, чтобы сделать модель подходящей для генерации длинных белков", — говорит Лю, добавляя, что ProteinVAE была намеренно сделана легковесной.
"В отличие от других, значительно более крупных моделей, которые требуют высоких вычислительных ресурсов для разработки длинного белка, ProteinVAE поддерживает быстрое обучение и вывод на любых стандартных GPU. Это может сделать модель более доступной для других академических лабораторий. Наша ИИ-модель, проверенная с помощью молекулярного моделирования, демонстрирует способность изменять значительный процент поверхности белка, потенциально уклоняясь от иммунных ответов".
Следующим шагом являются экспериментальные тесты в "мокрой" лаборатории.
Гартон считает, что ИИ-модель можно использовать не только для дизайна белков генной терапии, и, вероятно, её можно расширить для поддержки дизайна белков и в других случаях заболеваний.
"Эта работа показывает, что мы потенциально способны создавать новые подвиды и даже виды биологических объектов с помощью генеративного ИИ, и эти объекты обладают терапевтической ценностью, которую можно использовать в новых методах лечения".