در سال‌های اخیر، استفاده از مدل‌های زبان بزرگ (LLM) در پیش‌بینی ساختار پروتئین از روی توالی آن، پیشرفت قابل‌توجهی داشته است. اما این روش در مورد آنتی‌بادی‌ها با چالش‌هایی مواجه بوده، چراکه این پروتئین‌ها به دلیل تغییرپذیری بالا، به‌سختی قابل پیش‌بینی هستند. برای رفع این مشکل، پژوهشگران MIT تکنیکی محاسباتی توسعه داده‌اند که می‌تواند با دقت بیشتری ساختار آنتی‌بادی‌ها را تحلیل کند.
این روش به دانشمندان امکان می‌دهد میلیون‌ها آنتی‌بادی احتمالی را بررسی کنند و گزینه‌هایی را شناسایی نمایند که برای درمان بیماری‌های عفونی مانند کووید-۱۹ و HIV مؤثر هستند. پروفسور بانی برگر، رئیس گروه محاسبات و زیست‌شناسی در MIT، درباره اهمیت این پژوهش می‌گوید:
"روش ما نه‌تنها امکان تجزیه‌وتحلیل گسترده‌ای را فراهم می‌کند، بلکه به ما اجازه می‌دهد تا از بین حجم عظیمی از داده‌ها، آنتی‌بادی‌های خاص و مؤثر را شناسایی کنیم. این کار می‌تواند هزینه‌های تحقیقات بالینی را کاهش دهد و احتمال موفقیت درمان‌های جدید را افزایش دهد."
آنتی‌بادی‌ها، که معمولاً دارای ساختار Y شکل هستند، در قسمت نوک Y دارای نواحی بیش‌متغیر هستند که نقش کلیدی در شناسایی و اتصال به آنتی‌ژن‌ها دارند. این بخش‌ها معمولاً کمتر از ۴۰ اسیدآمینه دارند، اما تغییرات فراوان در این توالی‌ها، پیش‌بینی ساختار آن‌ها را دشوار کرده است. مدل‌های زبان بزرگ معمولی، که در پیش‌بینی ساختار پروتئین موفق عمل می‌کنند، در این بخش از آنتی‌بادی‌ها عملکرد ضعیف‌تری دارند.
برای حل این مشکل، تیم تحقیقاتی MIT دو ماژول جدید توسعه داده‌اند. یکی از این ماژول‌ها، با استفاده از داده‌های بیش از ۳۰۰۰ ساختار آنتی‌بادی، به مدل یاد می‌دهد که چگونه توالی‌های مختلف به ساختارهای خاص منجر می‌شوند. ماژول دیگر، با بررسی ۳۷۰۰ توالی آنتی‌بادی و قدرت اتصال آن‌ها به سه آنتی‌ژن مختلف، الگویی از میزان اثربخشی هر توالی ایجاد می‌کند.
مدل محاسباتی حاصل، که AbMap نام دارد، قادر است ساختار و قدرت اتصال آنتی‌بادی را بر اساس توالی اسیدهای آمینه آن پیش‌بینی کند. برای آزمایش این مدل، محققان ساختارهای آنتی‌بادی‌هایی را که قادر به خنثی‌سازی ویروس SARS-CoV-2 بودند، پیش‌بینی کردند. سپس با ایجاد تغییرات در نواحی متغیر، میلیون‌ها ترکیب احتمالی تولید شد.
نتایج نشان داد که AbMap با دقتی بسیار بالاتر از روش‌های سنتی، مؤثرترین ساختارهای آنتی‌بادی را شناسایی می‌کند. همچنین، این مدل توانست آنتی‌بادی‌هایی را که قدرت اتصال بیشتری نسبت به نمونه‌های اولیه داشتند، به‌طور دقیق طبقه‌بندی کند.
استفاده از این روش در صنایع دارویی می‌تواند تأثیر چشمگیری در کاهش هزینه‌ها و افزایش سرعت توسعه داروهای جدید داشته باشد. به گفته محققان، این مدل می‌تواند در مرحله اولیه شناسایی نامزدهای دارویی، از صرف هزینه‌های هنگفت برای آزمایش ترکیبات ناکارآمد جلوگیری کند.
دکتر روهیت سینگ، از محققان ارشد این پروژه، توضیح می‌دهد:
"شرکت‌های دارویی تمایل دارند مجموعه‌ای از آنتی‌بادی‌های مؤثر را شناسایی کنند، نه اینکه تنها بر یک گزینه سرمایه‌گذاری کنند. این روش به آن‌ها امکان می‌دهد انتخاب‌های متعددی داشته باشند و در صورت ناکارآمدی یک ترکیب، گزینه‌های دیگری را در اختیار داشته باشند."
یکی دیگر از کاربردهای این مدل، بررسی تفاوت‌های پاسخ ایمنی بین افراد مختلف است. به عنوان مثال، چرا برخی افراد در برابر ویروس HIV مقاوم هستند، در حالی که برخی دیگر به‌شدت در برابر آن آسیب‌پذیرند؟
پیش از این، دانشمندان تلاش کرده بودند با توالی‌یابی RNA سلول‌های ایمنی افراد، به این پرسش پاسخ دهند. اما این روش تنها اطلاعاتی درباره توالی ژنتیکی ارائه می‌داد و ساختار دقیق آنتی‌بادی‌ها را مشخص نمی‌کرد. مدل AbMap می‌تواند با ارائه تصویری جامع از ساختار آنتی‌بادی‌ها، درک بهتری از تفاوت‌های سیستم ایمنی بین افراد مختلف ارائه دهد.
پیشرفت‌های اخیر در هوش مصنوعی و مدل‌های زبان بزرگ، افق‌های تازه‌ای را در تحقیقات بیولوژیکی گشوده است. مدل جدید AbMap، با پیش‌بینی دقیق‌تر ساختار آنتی‌بادی‌ها، می‌تواند به تسریع فرایند کشف و توسعه داروهای جدید کمک کند. این دستاورد نه‌تنها در درمان بیماری‌های عفونی، بلکه در درک بهتر از سیستم ایمنی انسان نیز نقش مهمی ایفا خواهد کرد.
انتخاب هوشمند
ارسال نظر