智慧應用 影音
電子時報行動版服務
event

機器學習演算 神助抗原開發

ETH研究人員目前正在使用機器學習演算法優化臨床開發中的抗體藥物。法新社

抗體的開發和優化一直以來都是難度非常高的工作,一旦找出與抗原結合的抗體,就會需要耗時、耗費許多資源優化。然而,現在根據GEN News報導,研究人員已經開發了一種能夠優化抗體階段的機器學習法,未來將有助於開發更有效的抗體藥物。研究人員表示,可以透過大量多樣的抗體序列,進行深度學習預測抗原特性,從而鑑定出優化抗體的變異體。

蘇黎世聯邦理工學院生物系統科學與工程學系教授Sai Reddy博士指出,借助自動化流程,可以在實驗室中測試數千種候選治療藥。但是,實際上要進行更多的篩選是不可行的。通常篩選十幾種抗體後會繼續進行下一步,並測試它們對其他標準的程度。最終,這方法只可以從數千抗體中鑑定出相較好的抗體。鑑於此,Reddy和同事開始使用機器學習測試初始抗體集增加的情況。選擇的候選藥物越多,找到真正符合所需的標準藥物機會就越大。

ETH研究人員驗證瑞士羅氏公司上市了20年的抗癌藥物Herceptin。事實上並沒有提出建議如何改善藥物,因為不能追溯已被批准的藥物,不過選擇該抗體作為研究是因為其在科學界廣為人知,且結構已在公共數據庫中。

ETH研究人員從Herceptin抗體的DNA序列開始,使用CRISPR–Cas9介導的同源修復定點突變技術,創建約4萬種相關抗體。實驗結果,有1萬種抗體與目標蛋白結合良好。研究人員利用這4萬種抗體DNA序列訓練機器學習演算法。

研究人員利用演算法搜尋了7,000萬個潛在DNA序列抗體的數據庫。對於這7,000萬候選基因,演算法成功的預測了相應的抗體與標靶蛋白結合的程度,並且產生預期結合的數百萬個序列列表。

成功之後研究人員進一步使用計算機模型,預測這數百萬個序列將如何滿足藥物開發的其他標準像是耐受性、生產力、物理特性,並將候選序列的數量減少到8,000。

最後研究人員就可以從計算機上的候選序列列表中選出55個序列,並在實驗室中生產抗體。隨後實驗結果,這些候選序列與Herceptin的結合更好,並且比Herceptin更易於生產。Reddy進一步補充,而且Herceptin會觸發微弱的免疫反應,但是新的變體在體內的耐受性更好。

ETH研究人員目前正在使用人工智慧(AI)方法優化臨床開發中的抗體藥物,也在最近成立ETH spin-off deepCDR Biologics,而目前正與相關生物技術和製藥公司合作進行抗體藥物開發。

  •     按讚加入DIGITIMES智慧醫療粉絲團
更多關鍵字報導: DNA 機器學習