Istraživači sa Univerziteta u Torontu koristili su okvir veštačke inteligencije da redizajniraju ključni protein uključen u isporuku genske terapije.
Studija, objavljena u Nature Machine Intelligence, opisuje novi rad na optimizaciji proteina za ublažavanje imunoloških odgovora, čime se poboljšava efikasnost genske terapije i smanjuju neželjeni efekti.
„Genska terapija ima ogromno obećanje, ali postojeći imuni odgovor tela na virusne vektore u velikoj meri ometa njegov uspeh. Naše istraživanje je usmereno na heksone, osnovni protein u vektorima adenovirusa, koji – ali za imuni problem – imaju ogroman potencijal za gene terapija“, kaže Michael Garton, docent na Institutu za biomedicinsko inženjerstvo na Fakultetu primenjenih nauka i inženjerstva.
„Imuni odgovori izazvani antitelima specifičnim za serotip predstavljaju značajnu prepreku u dovođenju ovih vozila do prave mete; to može dovesti do smanjene efikasnosti i ozbiljnih neželjenih efekata.“
Da bi rešila ovaj problem, Gartonova laboratorija je koristila veštačku inteligenciju za dizajniranje varijanti heksona koje se razlikuju od prirodnih sekvenci.
„Želimo da dizajniramo nešto što je udaljeno od svih ljudskih varijanti i što je, prema tome, neprepoznatljivo od strane imunološkog sistema“, kaže dr. kandidat Suiue Liu, koji je glavni autor studije.
Tradicionalne metode dizajniranja novih proteina često uključuju obimne pokušaje i greške, kao i sve veće troškove. Korišćenjem pristupa zasnovanog na veštačkoj inteligenciji za dizajn proteina, istraživači mogu da postignu veći stepen varijacije, smanje troškove i brzo generišu scenarije simulacije pre nego što se upuste u određeni podskup ciljeva za eksperimentalno testiranje.
Iako postoje brojni okviri za dizajniranje proteina, istraživačima može biti izazov da pravilno dizajniraju nove varijante zbog nedostatka dostupnih prirodnih sekvenci i relativno velike veličine heksona – koji se sastoji, u proseku, od 983 aminokiseline.
Imajući ovo na umu, Liu i Garton su razvili drugačiji okvir veštačke inteligencije. Nazvan ProteinVAE, model se može obučiti da nauči karakteristike dugog proteina koristeći ograničene podatke. Uprkos svom kompaktnom dizajnu, ProteinVAE pokazuje generativnu sposobnost uporedivu sa većim dostupnim modelima.
„Naš model koristi prednosti unapred obučenih modela jezika proteina za efikasno učenje na malim skupovima podataka. Takođe smo uključili mnoge prilagođene inženjerske pristupe kako bismo model učinili pogodnim za generisanje dugih proteina“, kaže Liu, dodajući da je ProteinVAE namerno dizajniran da bude lagan.
Liu dodaje: „Za razliku od drugih, znatno većih modela koji zahtevaju visoke računarske resurse za dizajniranje dugog proteina, ProteinVAE podržava brzu obuku i zaključivanje na bilo kom standardnom GPU-u. Ova funkcija bi mogla da učini model pogodnijim za druge akademske laboratorije. Naš AI model, potvrđen kroz molekularnu simulaciju, pokazuje sposobnost da promeni značajan procenat površine proteina, potencijalno izbegavajući imune odgovore.“
Sledeći korak je eksperimentalno testiranje u vlažnoj laboratoriji, objašnjava Liu.
Garton veruje da se AI-model može koristiti izvan dizajna proteina za gensku terapiju i verovatno bi se mogao proširiti da podrži dizajn proteina iu drugim slučajevima bolesti.
„Ovaj rad ukazuje da smo potencijalno u mogućnosti da dizajniramo nove podvrste, pa čak i vrste bioloških entiteta koristeći generativnu veštačku inteligenciju“, kaže on, „i ovi entiteti imaju terapeutsku vrednost koja se može koristiti u novim medicinskim tretmanima.
