打开APP

Nature子刊:陆路团队合作开发基于人工智能技术的抗体研究模型

来源:生物世界 2022-11-14 18:00

该研究首次提出了一个深度“抗体-抗原”交互算法模型(a deep Ab-Ag interaction algorithm,简称DeepAAI)。DeepAAI有别于经典的序列比对的方法,而是通过深度学

在人类与病毒性病原体的博弈中,发现强有力的中和抗体(neutralizing antibody,nab)应用于治疗是重要“武器”之一。在天然抗体或人工设计抗体中,作用机制和中和能力的研究过程,往往需要耗费大量的实验来检测和探究,同时也是“人与病毒”赛跑中的关键限速环节。如何快速、精准预测未知抗体的中和能力及其作用靶点,在传统的抗体药物研发领域中仍需进一步突破的关键科学问题。

复旦大学基础医学院陆路团队联合商汤科技(sensetime)张少霆张捷等人在 Nature 子刊 Nature Machine Intelligence 上发表了题为:Predicting unseen antibodies' neutralizability via adaptive graph neural networks 的研究论文。
 
该研究首次提出了一个深度“抗体-抗原”交互算法模型(a deep Ab-Ag interaction algorithm,简称DeepAAI)。DeepAAI有别于经典的序列比对的方法,而是通过深度学习的方法“动态适应性地”学习未知抗体与已知抗体的关系(Adaptive Relation Graph),从而避免了AI算法对于未知抗体冷启动的问题,达到有效地预测未知抗体的中和能力。此外,DeepAAI还具有较好的解释性,能为抗原抗体的结合位点提供线索;分析同一病毒不同变种和亚变种之间的相似关系,为某病毒出现的新亚种推荐可能的中和抗体。
 
图片
DeepAAI另一个特点是它基于序列数据。虽然真实的三级结构数据能提高AI算法的预测准确性,但是现实世界(real-world)中大量抗体的三级结构是未知的。DeepAAI放弃了先根据序列预测结构,再随后根据预测出的结构再预测抗原抗体相互作用的这种串联AI算法的模式,而是直接基于序列提取足够的有效特征用于预测相互作用。这就避免了“在第1步中的误差在第2步中被累积和指数级放大”的风险。同时,现实世界中大量存在的序列数据也可以增强AI算法的实用性。
 
图片
为了全面评估DeepAAI的预测能力,该研究以艾滋病病毒(HIV)、新冠病毒(SARS-CoV-2)、流感病毒(infuenza)和登革病毒(dengue)为模型病毒,开展了深入研究。DeepAAI 对这些病毒的抗体的中和能力展示出一定程度的精准预测。
 
图片
 
考虑到目前大量SARS-CoV-2变异株的出现,尤其是Omicron亚型,该研究所报道的DeepAAI模型有可能为抗体药物优化,以及广谱抗病毒抗体的研发提供思路。

版权声明 本网站所有注明“来源:生物谷”或“来源:bioon”的文字、图片和音视频资料,版权均属于生物谷网站所有。非经授权,任何媒体、网站或个人不得转载,否则将追究法律责任。取得书面授权转载时,须注明“来源:生物谷”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。

87%用户都在用生物谷APP 随时阅读、评论、分享交流 请扫描二维码下载->