Anticorpos mais eficazes
são descobertos por IA
Técnicas de deep learning podem acelerar a identificação de anticorpos de ligação forte, processo esse que pode levar meses para ser concluído, mas embora flexíveis e poderosos, os métodos existentes não fornecem intervalos de confiança ou estimativas de incerteza em suas previsões.
Para superar os desafios complexos no desenvolvimento de anticorpos de alta afinidade, cientistas da Escola de Medicina da Universidade da Califórnia, San Diego, desenvolveram um modelo baseado em IA, chamado RESP, para identificá-los.
O RESP compreende quatro componentes principais: o autoencoder, uma biblioteca com as possíveis sequências de anticorpos, uma rede bayesiana para regressão ordinal e uma estratégia de busca, que utiliza um algoritmo de recozimento simulado modificado para selecionar sequências para teste.
A nova abordagem pode ser facilmente modificada para introduzir testes in silico para estabilidade, solubilidade e outras propriedades simultaneamente. É fácil inserir filtros adicionais à etapa de pesquisa do pipeline, ou seja, rejeitar candidatos sugeridos pelo algoritmo de recozimento simulado modificado se a solubilidade ou imunogenicidade prevista for baixa. Essas possibilidades são uma vantagem importante para uma abordagem assistida por machine learning.
Para o pepiline publicado, os cientistas usaram o Atezolizumabe, fármaco indicado como monoterapia para tratamento de câncer de pulmão de células não pequenas (CPNPC) e carcinoma urotelial (UC) e encontraram um novo anticorpo que se ligou 17 vezes melhor a proteína PD-L1 (altamente presente no câncer e target de vários fármacos anticancerígenos) do que o anticorpo atualmente usado pelo fármaco. O código utilizado no estudo está disponível online, juntamente com as instruções sobre como reproduzir todos os principais experimentos computacionais.
Embora o modelo tenha sido validado usando um tipo de fármaco e proteína como ponto de partida, não há nada nessa abordagem que seja específico para o target selecionado e, portanto, essa abordagem pode ser facilmente adaptada a outros alvos e problemas.
Os pesquisadores agora estão usando essa abordagem para identificar anticorpos promissores contra outros antígenos, como o SARS-CoV-2 e artrite reumatóide. Wei Wang, um dos autores do estudo, diz que o modelo e as versões modificadas dele são uma ferramenta útil e menos propensa a falhas no descobrimento rápido de fármacos.
Parkinson, J., Hard, R. & Wang, W. The RESP AI model accelerates the identification of tight-binding antibodies.
Nat Commun 14, 454 (2023).
