Ein „Senior-Stylist“, der mit Proteinen „spielt“? Generative KI entwickelt erstmals neue Antikörper!

Das Gebiet des Proteindesigns hat einen weiteren Meilenstein erreicht.

Das „Hand of God“-Team von David Baker, Professor für Biochemie an der University of Washington, und seine Mitarbeiter nutzten erstmals die Technologie der generativen künstlichen Intelligenz (KI), um einen neuen Antikörper von Grund auf zu entwickeln und so die Antikörpertherapie auf ein völlig neues Niveau zu heben.

Die Arbeit eröffnet die Möglichkeit, KI-gesteuertes Proteindesign in den Hunderte von Milliarden Dollar schweren Markt für therapeutische Antikörper einzubringen, berichtete Nature.

Abbildung | Antikörper (rosa) binden an Grippevirusproteine ​​(gelb) (künstlerische Darstellung). (Bildnachweis: Juan Gaertner/Science Photo Library)

Das zugehörige Forschungspapier mit dem Titel „Atomically accurate de novo design of single-domain antibodies“ wurde auf der Preprint-Website bioRxiv veröffentlicht.

„Dies ist eine sehr vielversprechende Studie , die einen wichtigen Schritt vorwärts bei der Anwendung von Proteindesign-Tools der künstlichen Intelligenz zur Entwicklung neuer Antikörper darstellt “, sagte Charlotte Deane, Immuninformatikerin an der Universität Oxford im Vereinigten Königreich.

Schnelleres und einfacheres Antikörperdesign

Antikörper sind Immunmoleküle, die sich stark an krankheitsassoziierte Proteine ​​binden können. Zu den herkömmlichen Herstellungsverfahren gehören die Immunisierung von Tieren oder das Screening einer großen Anzahl von Molekülen, was teuer und zeitaufwändig ist.

Die Fähigkeit, diese teuren KI-Tools kurzzuschließen, habe das Potenzial, „die Fähigkeit zur Entwicklung von Antikörpern zu demokratisieren“, sagt Nathaniel Bennett, Computerbiochemiker an der University of Washington und Co-Erstautor des Artikels.

In dieser Arbeit verwendete das Forschungsteam RFdiffusion- und RoseTTAFold2-Netzwerke und entwickelte durch Computersimulation und experimentelle Überprüfung erfolgreich einen neuen Antikörper VHH (Einzeldomänen-Antikörper; Variable Heavy-Chain-Antikörper mit schwerer Kette).

Während des gesamten Designprozesses berücksichtigte das Forschungsteam die Interaktion zwischen Antikörpern und Zielen umfassend und strebte eine optimale Bindungswirkung an.

Dem Artikel zufolge spielen RFdiffusion- und RoseTTAFold2-Netzwerke eine entscheidende Rolle bei der Entwicklung von Antikörpern, da sie die Entwicklung und Vorhersage der Antikörperstruktur ermöglichen und eine Grundlage für die Entwicklung neuer Antikörper bieten.

Darunter wird das RF-Diffusionsnetzwerk hauptsächlich zum Entwurf neuer Antikörperstrukturen verwendet, insbesondere für spezifische Antigen-Epitope. Es können Antikörperstrukturen mit Bindungsfähigkeit basierend auf dem vom Benutzer angegebenen Antigen-Epitop entworfen werden.

Basierend auf dem Proteinrückgrat von AlphaFold2/RF2 verwendet das RFdiffusion-Netzwerk eine Reihe von Trainingsprozessen, um die Proteinstruktur vorherzusagen und zu optimieren.

Während des Trainings durchläuft das Netzwerk eine Reihe von Schritten, um Proteinstrukturen zu verrauschen und die rauschfreien Strukturen vorherzusagen. Diese Schritte ermöglichen es dem Netzwerk, die Antikörperstruktur zu erlernen und so zu optimieren, dass sie zu einem bestimmten Antigen-Epitop passt.

Durch den Trainings- und Optimierungsprozess ist das Netzwerk in der Lage, Antikörperstrukturen mit hoher Bindungsaffinität zu erzeugen und so die Erkennung und Bindung an spezifische Antigene zu erreichen.

Abbildung | Übersicht über die RF-Diffusion für das Antikörperdesign. (Quelle: Dieses Dokument)

Das RoseTTAFold2-Netzwerk wird hauptsächlich zur Vorhersage von Antikörperstrukturen verwendet, insbesondere von Antikörperstrukturen in Antikörper-Antigen-Komplexen. Damit lässt sich überprüfen, ob die Bindungsart der entworfenen Antikörperstruktur und des Antigens den Erwartungen entspricht.

Das RoseTTAFold2-Netzwerk basiert auf der Transformer-Architektur neuronaler Netzwerke und wird mithilfe einer großen Menge an Proteinstrukturdaten trainiert. Es führt eine Sequenz-zu-Sequenz-Vorhersage von Proteinsequenzen durch, um eine völlig neue 3D-Proteinstruktur zu erhalten.

Abbildung | Das fein abgestimmte RoseTTAFold2 ist in der Lage, zwischen echten Komplexen und Scheinkomplexen zu unterscheiden. (Quelle: Dieses Dokument)

Abbildung | Vergleich von fein abgestimmtem RoseTTAFold2 und IgFold bei der Vorhersage von Antikörpermonomeren. (Quelle: Dieses Dokument)

Durch die Vorhersage der entworfenen Antikörperstruktur kann das Forschungsteam die Interaktion zwischen Antikörpern und Antigenen besser verstehen und die Rationalität und Wirksamkeit des Designs überprüfen.

Insgesamt leisten RFdiffusion- und RoseTTAFold2-Netzwerke durch die Entwicklung und Vorhersage von Antikörperstrukturen wichtige Unterstützung für die Innovation und Validierung neuer Antikörper.

Können durch künstliche Intelligenz entwickelte Antikörper eingesetzt werden?

Mit diesem Ansatz entwickelte das Team Tausende von Antikörpern, die bestimmte Regionen mehrerer bakterieller und viraler Proteine ​​(wie etwa das Protein, das das Grippevirus zum Eindringen in Zellen verwendet) sowie ein Ziel für Krebsmedikamente erkennen.

Anschließend erstellten sie im Labor eine Teilmenge dieser Designs und testeten, ob die Moleküle an die richtigen Ziele banden, wodurch die bemerkenswerte Wirksamkeit der Antikörper bestätigt wurde.

Beispielsweise können Techniken wie die Oberflächenplasmonenresonanz (SPR) die Bindungsfähigkeit von VHH an das Zielantigen überprüfen. Die experimentellen Ergebnisse zeigten, dass das entwickelte VHH spezifisch an das Zielantigen binden und eine gewisse Bindungsaffinität aufweisen konnte.

Darüber hinaus können Röntgenkristallographie und/oder Kryoelektronenmikroskopie verwendet werden, um die komplexe Struktur von VHH und Zielantigen aufzuklären. Die Ergebnisse der Strukturanalyse zeigten, dass das entwickelte VHH einen spezifischen Bindungsmodus mit dem Zielantigen bildete und die Schlüsselreste des VHH spezifisch mit dem Antigen-Epitop interagierten, was ein weiterer Beweis dafür ist, dass der entwickelte Antikörper die Fähigkeit besitzt, an das Zielantigen zu binden.

Schließlich überprüfte das Forschungsteam mithilfe von SPR und anderen Technologien die Bindungsaffinität von VHH zum Zielantigen. Die Ergebnisse zeigten, dass zwischen dem entwickelten VHH und dem Zielantigen eine gewisse Bindungsaffinität bestand und sein Affinitätswert die Bindungsstärke und Stabilität zwischen den beiden widerspiegelte.

Die oben genannten Ergebnisse liefern eine wichtige experimentelle Grundlage und Unterstützung für die weitere Anwendung und Entwicklung der entworfenen Antikörper.

Allerdings weist die Studie auch einige Einschränkungen auf. Erstens muss das entworfene VHH hinsichtlich Bindungsaffinität und Spezifität noch weiter optimiert und verbessert werden. zweitens wurde das entwickelte VHH hauptsächlich gegen ein einzelnes Antigen verifiziert und seine therapeutische Wirkung gegen mehrere Antigene oder komplexe Krankheiten muss noch verifiziert werden; Darüber hinaus müssen auch die Immunogenität, Stabilität und Produktionskosten von Antikörpern weiter erforscht und geklärt werden.

Proteindesign voller Möglichkeiten

Das Team um David Baker hat sich in den letzten Jahren der Proteindesign-Forschung verschrieben und bemerkenswerte Ergebnisse erzielt.

Foto: David Baker

Im August 2021 entwickelte das Team ein völlig kostenloses, neues Deep-Learning-Tool namens RoseTTAFold, das nicht nur eine mit AlphaFold2 vergleichbare ultrahohe Genauigkeit bei der Vorhersage von Proteinstrukturen aufweist, sondern auch schneller ist und weniger Computerverarbeitungsleistung benötigt.

Im November 2021 kombinierte das Team AlphaFold 2 zusätzlich mit RoseTTAFold und setzte es erfolgreich zur Vorhersage von Protein-Protein-Komplexstrukturen ein.

Im vergangenen April stellten sie in einem in Science veröffentlichten Artikel vor, wie man mithilfe von Reinforcement Learning eine neue Proteindesign-Software entwickeln kann. Die mit dieser Methode synthetisierten Proteine ​​können bei Mäusen effektiver nützliche Antikörper produzieren. Sie sagen, der Durchbruch werde einen Beitrag zum Bereich der Impfstoffe leisten.

Im vergangenen Juli entwickelten sie das künstliche Intelligenzsystem RoseTTAFold zur Vorhersage von Proteinstrukturen. Sie behaupteten, es sei mit AlphaFold vergleichbar und könne nicht nur die Proteinstruktur, sondern auch die Struktur von Proteinkomplexen vorhersagen. Anschließend veröffentlichten sie auch die Cloud-Version von RFdiffusion und brachten so maßgeschneiderte Proteine ​​in die breite wissenschaftliche Forschungsgemeinschaft.

Im vergangenen Dezember veröffentlichte das Team einen Artikel in „Nature“, in dem es zeigte, dass sich mithilfe künstlicher Intelligenz hochaffine Proteine ​​von Grund auf neu entwickeln lassen. Dadurch wird es wahrscheinlicher, dass Wissenschaftler günstigere Antikörperalternativen für die Krankheitserkennung und -behandlung entwickeln.

Für eine gute wissenschaftliche Forschung sind nicht nur solide Technologien, sondern auch viel Vorstellungskraft erforderlich.

In Zukunft könnte das Gebiet des Antikörper- und Proteindesigns unendliche Möglichkeiten bieten und neue Hoffnung für die menschliche Gesundheit und medizinische Behandlung bringen.

Referenzlinks:

https://www.biorxiv.org/content/10.1101/2024.03.14.585103v1https://www.nature.com/articles/d41586-024-00846-7