PNAS：新型人工智能技术或能识别出更好的抗体疗法

从缓解癌症到减缓COVID-19的症状，免疫疗法能提供革命性的疾病疗法，其能利用抗体（能结合体内称之为抗原的细胞标志物的特殊蛋白质）来靶向作用并消除抗原，然而，尽管免疫疗法非常有效，但其并未得到广泛应用，因为寻找合适的抗体来开发新型疗法对于科学家们而言是一项具有挑战性且耗时的工作。

近日，一篇发表在国际杂志Proceedings of the National Academy of Sciences上题为“Improved deep learning prediction of antigen–antibody interactions”的研究报告中，来自佐治亚理工学院等机构的科学家们通过研究开发了一种名为AF2Complex的新工具，其能利用深度学习来预测哪些抗体能与COVID-19中臭名昭著的刺突蛋白结合，他们利用已知抗原结合物的序列为深度学习模型创建了输入数据。

这种方法能在利用1000种抗体的一次测试中就准确预测90%的最佳抗体，而治疗COVID-19只是其潜力的开始；研究者Mu Gao博士说道，AF2Complex能改善治疗的发展，如果你拥有一个高质量的模型，那么你就能修补蛋白序列并优化抗体，从而使其更适合药物的开发。本文研究者并不是第一个使用深度学习来预测蛋白结构的科学家，但他们的确扩大了该模型的能力，2020年，获得诺贝尔奖的DeepMind AlphaFold（Alphabet计划的一个项目）就在利用深入学习预测单一蛋白结构上取得了重大突破，为此，这项研究中，研究人员将该模型用于预测蛋白复合体的结构。

早在2021年，他们就创造出了第一个版本的AF2Complex，其能预测多种复杂蛋白质（比如大肠杆菌）之间的相互作用，而将其应用于人类蛋白质就是下一步，但这一步的难度要大很多。研究者Jeffrey Skolnick表示，通常，当你预测蛋白质之间相互作用的时候，蛋白质的表面积会相当大，所以你可以利用一个不完美的模型犯一些小错误，但抗体-蛋白质之间相互作用占用的界面面积要小得多，试想一下，从击中一个大目标到击中靶心。

靶向SARS-CoV-2刺突蛋白RBD的36种IgG抗体复杂结构预测的基准测试

确定如何预测抗体-抗原之间的相互作用或许是研究人员面临的最大挑战，为此研究人员重点对COVID-19病毒进行了研究，因为其拥有多种复杂的抗原结合序列和表位，其是与B细胞和T细胞能相互作用从而诱发机体免疫反应的特定分子区域。与很多只有制药公司能获得的免疫疗法不同，COVID-19也是一种广泛可用的数据集，实际上，COVID-19数据库能为AF2算法提供丰富的训练环境。文章中，研究者Skolnick等人利用从已知抗体获得的COVID-19序列来识别进化关联和模式，从而就能改善预测的准确性，他们能利用AF2深度学习模型进行研究，该模型已经在大量蛋白结构数据上进行了一定的训练。

这种模型能利用序列来预测蛋白质折叠和相互作用，从而开发出蛋白质复合体的3D结构，此外，其还能产生不止携带一个显性表位的3D结构。研究人员利用实验室数据验证了这些预测，从而进一步完善了模型，有了这些预测结构，研究人员就能做任何事情从而更好地理解用于开发新药的特殊生物学过程。研究者认为，深度学习技术能彻底改变我们未来治疗疾病的方式，有了无限的资源和时间，研究人员就能手动尝试每一种抗体-抗原组合，但目前并没有科学家做到这一点，AF2Complex技术就能缩小焦点并尽快实现科学家的目标。

试想一下，当来自地狱的病毒出现时，你可以利用这一算法设计一系列抗体，这样就能减少疫苗开发所需的时间，而真正的实验并没有替代品，但AF2Complex技术就能优先考虑你应该做哪些实验，因此你就有更多的机会实现目标。如今研究人员已经开始通过联合研究验证AF2Complex的研究发现，后期他们还将寻求将这些模型商业化的途径，当下一次疫情大流行时，研究人员或许就能做好充足的准备。

综上，本文研究强调了将深度学习方法与单一B细胞测序技术相结合的潜力，从而就能增强对抗原-抗体相互作用的准确预测。（生物谷Bioon.com）

参考文献：

Mu Gao,Jeffrey Skolnick.Improved deep learning prediction of antigen–antibody interactions, Proceedings of the National Academy of Sciences (2024). DOI:10.1073/pnas.2410529121