Модель машинного обучения для прогнозирования пригодности капсидов AAV для генной терапии

Новое исследование в журнале Human Gene Therapy описывает модель машинного обучения (ML), которую можно использовать в качестве замены трудоемким экспериментам in vitro. Этот подход in silico направлен на повышение пригодности (fitness) клинических капсидов адено-ассоциированного вируса (AAV), чтобы сделать генную терапию более экономически доступной для пациентов.

Разработка капсидов AAV с улучшенным выходом (пригодностью) — ключевая стратегия снижения производственных затрат.

Кристиан Мюллер и его коллеги из Sanofi описывают современную модель ML, которая предсказывает пригодность мутантов капсида AAV2 на основе аминокислотной последовательности мономера капсида.

«Комбинируя языковую модель для белков (PLM) и классические методы ML, наша модель достигла значительно высокой точности прогнозирования (коэффициент корреляции Пирсона = 0,818) для пригодности капсида», — заявили исследователи. «Важно, что тесты на полностью независимых наборах данных показали надежность и обобщаемость нашей модели, даже для мультимутантных капсидов AAV».

«Появление подходов на основе искусственного интеллекта (ИИ) — это захватывающее развитие в области инженерии капсидов, которое потенциально может быть более систематичным, комплексным и экономически эффективным, чем традиционные стратегии, основанные на направленной эволюции и рациональном дизайне. Исследование Ву и коллег — большой шаг вперед в разработке инструментов ИИ для области генной терапии», — говорит главный редактор Human Gene Therapy Томас Галлахер, доктор философии, из Медицинской школы Чан Массачусетского университета.