Антитела вырабатываются не только нашими иммунными клетками для борьбы с вирусами и другими патогенами в организме. Вот уже несколько десятилетий медицина также использует антитела, полученные с помощью биотехнологии, в качестве лекарств. Это связано с тем, что антитела очень хорошо связываются специфически с молекулярными структурами в соответствии с принципом блокировки и ключа. Их применение варьируется от онкологии до лечения аутоиммунных заболеваний и нейродегенеративных состояний.
Однако разработать такие препараты на основе антител непросто. Основное требование — чтобы антитело связывалось со своей молекулой-мишенью оптимальным образом. В то же время лекарственное средство на основе антител должно соответствовать множеству дополнительных критериев. Например, он не должен вызывать иммунный ответ в организме, его следует эффективно производить с использованием биотехнологий, и он должен оставаться стабильным в течение длительного периода времени.
Как только ученые нашли антитело, которое связывается с желаемой молекулярной структурой-мишенью, процесс разработки еще далек от завершения. Скорее, это знаменует начало фазы, в которой исследователи используют биоинженерию, чтобы попытаться улучшить свойства антител. Ученые во главе с Сай Редди, профессором кафедры биосистемных наук и инженерии ETH Zurich в Базеле, разработали метод машинного обучения, который поддерживает эту фазу оптимизации, помогая разрабатывать более эффективные препараты на основе антител.
Роботы не могут управлять более чем несколькими тысячами
Когда исследователи оптимизируют целую молекулу антитела в ее терапевтической форме (т. Е. Не только фрагмент антитела), она обычно начинается с основного кандидата в антитела, который достаточно хорошо связывается с желаемой структурой-мишенью. Затем исследователи случайным образом мутируют ген, несущий план антитела, чтобы произвести в лаборатории несколько тысяч связанных антител-кандидатов. Следующим шагом будет поиск среди них тех, которые лучше всего связаны с целевой структурой. «С помощью автоматизированных процессов вы можете протестировать несколько тысяч терапевтических кандидатов в лаборатории. Но на самом деле невозможно проверить больше, чем это», — говорит Редди. Обычно лучшая дюжина антител из этого скрининга переходят к следующему этапу и проверяются на соответствие дополнительным критериям. «В конечном счете,
Пул кандидатов значительно увеличился за счет машинного обучения
Редди и его коллеги сейчас используют машинное обучение, чтобы увеличить первоначальный набор антител для тестирования до нескольких миллионов. «Чем больше кандидатов будет на выбор, тем больше шансов найти того, который действительно соответствует всем критериям, необходимым для разработки лекарств», — говорит Редди.
Исследователи ETH представили доказательство концепции своего нового метода, используя лекарство от рака на основе антител Герцептин, которое существует на рынке уже 20 лет. «Но мы не собирались вносить предложения по его улучшению — нельзя просто изменить одобренное лекарство задним числом», — объясняет Редди. «Мы выбрали это антитело потому, что оно хорошо известно в научном сообществе, а его структура опубликована в базах данных с открытым доступом».
Источник: