مدل محاسباتی جدید پیش‌بینی ساختار آنتی‌بادی را دقیق‌تر می‌کند
“`html
پیشرفت‌های جدید در پیش‌بینی ساختار آنتی‌بادی‌ها
با استفاده از مدل‌های هوش مصنوعی معروف به مدل‌های زبان بزرگ، محققان موفق شده‌اند پیشرفت‌های قابل توجهی در پیش‌بینی ساختار پروتئین‌ها از توالی آنها داشته باشند. اما این روش در مورد آنتی‌بادی‌ها موفقیت کمتری داشته است، بخشی از این مشکل به متغیر بودن بالای این نوع پروتئین مربوط می‌شود.
تکنیک جدید MIT برای پیش‌بینی بهتر ساختار آنتی‌بادی‌ها
محققان MIT یک تکنیک محاسباتی توسعه داده‌اند که به مدل‌های زبان بزرگ اجازه می‌دهد ساختار آنتی‌بادی‌ها را به‌طور دقیق‌تری پیش‌بینی کنند. این کار می‌تواند به شناسایی میلیون‌ها آنتی‌بادی ممکن کمک کند که می‌توانند برای درمان SARS-CoV-2 و سایر بیماری‌های عفونی مورد استفاده قرار بگیرند.
به گفته بونی برگر، استاد ریاضیات و سرپرست گروه محاسبات و زیست‌شناسی در آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT، این روش می‌تواند به محققان کمک کند تا گزینه‌های مناسب را از میان انبوه آنتی‌بادی‌ها انتخاب کنند.
مدل‌سازی مناطق فوق متغیر آنتی‌بادی‌ها
پروتئین‌ها شامل زنجیره‌های بلندی از اسیدهای آمینه هستند که می‌توانند به اشکال مختلفی تا شوند. پیش‌بینی این ساختارها با استفاده از برنامه‌های هوش مصنوعی مانند AlphaFold به‌مراتب آسان‌تر شده است. بااین‌حال، این تکنیک همیشه در مورد آنتی‌بادی‌ها به خوبی عمل نمی‌کند.
آنتی‌بادی‌ها معمولاً دارای ساختار Y شکل هستند و مناطق فوق متغیر آنها در نوک Y قرار دارند، جایی که آنتی‌بادی‌ها می‌توانند پروتئین‌های خارجی (آنتی‌ژن‌ها) را شناسایی و به آنها متصل شوند. این مناطق به طول متفاوتی وجود دارند اما معمولاً کمتر از ۴۰ اسید آمینه دارند.
ابزار جدید AbMap
محققان با ایجاد دو ماژول جدید که بر پایه مدل‌های زبان پروتئین موجود بنا شده‌اند، این مشکل را حل کردند. یکی از این ماژول‌ها بر روی توالی‌های فوق متغیر از حدود ۳۰۰۰ ساختار آنتی‌بادی آموزش دیده است. مدل محاسباتی حاصل معروف به AbMap می‌تواند ساختار آنتی‌بادی‌ها و قدرت اتصال آنها را بر اساس توالی‌های اسید آمینه پیش‌بینی کند.
محققان نشان دادند که این مدل می‌تواند ساختار آنتی‌بادی‌هایی را پیش‌بینی کند که به شدت پروتئین اسپایک SARS-CoV-2 را خنثی می‌کنند. آنها توانستند با استفاده از آنتی‌بادی‌های موجود و تغییر در مناطق فوق متغیر، میلیون‌ها واریانت جدید ایجاد کنند.
شناسایی آنتی‌بادی‌های موفق
تحقیقات نشان داد که ۸۲ درصد از آنتی‌بادی‌های آزمایش‌شده جدید، قدرت اتصال بهتری نسبت به آنتی‌بادی‌های اولیه داشتند. این موفقیت می‌تواند به شرکت‌های دارویی کمک کند تا در مراحل اولیه توسعه، گزینه‌های بهتری را شناسایی کنند.
مقایسه پاسخ ایمنی افراد مختلف
با استفاده از این تکنیک، محققان می‌توانند به سوالات طولانی‌مدت در مورد تفاوت پاسخ ایمنی افراد به عفونت پاسخ دهند. به عنوان مثال، چرا بعضی افراد دچار اشکال شدیدتری از بیماری کووید می‌شوند؟
مدل جدید می‌تواند به شناسایی ساختار آنتی‌بادی‌ها برای هر فرد کمک کند و نشان دهد که حتی در مقایسه توالی‌ها، چندین آنتی‌بادی ممکن است ساختار مشابهی داشته باشند.
تاریخچه و پشتیبانی مالی تحقیق از سوی Sanofi و کلینیک عبداللطیف جمیل در زمینه یادگیری ماشینی در سلامت فراهم شده است.
منبع: news.mit.edu
“`
