Использование ИИ для поиска антител происходит быстро и производит невообразимые молекулы

На старой бисквитной фабрике в Южном Лондоне гигантские миксеры и промышленные печи были заменены роботизированными руками, инкубаторами и машинами для секвенирования ДНК. Джеймс Филд и его компания LabGenius не делает сладости; они разрабатывают революционный подход к созданию новых медицинских антител на основе искусственного интеллекта.

В природе антитела являются реакцией организма на болезнь и служат передовыми войсками иммунной системы. Это нити белка, которые имеют особую форму, чтобы прилипать к чужеродным захватчикам, чтобы их можно было вымыть из организма. С 1980-х годов фармацевтические компании производят синтетические антитела для лечения таких заболеваний, как рак, и для снижения вероятности отторжения трансплантированных органов.

Но разработка этих антител — медленный процесс для людей: разработчики белков должны пробираться через миллионы потенциальных комбинаций аминокислот, чтобы найти те, которые будут складываться вместе точно правильным образом, а затем проверять их все экспериментально, настраивая некоторые переменные для улучшения. некоторые характеристики лечения, надеясь, что это не ухудшит ситуацию в других отношениях. «Если вы хотите создать новое терапевтическое антитело, где-то в этом бесконечном пространстве потенциальных молекул находится молекула, которую вы хотите найти», — говорит Филд, основатель и генеральный директор LabGenius.

Он основал компанию в 2012 году, когда во время учебы на докторскую степень в области синтетической биологии в Имперском колледже Лондона увидел, что затраты на секвенирование ДНК, вычисления и робототехнику снижаются. LabGenius использует все три, чтобы в значительной степени автоматизировать процесс обнаружения антител. В лаборатории в Бермондси алгоритм машинного обучения разрабатывает антитела для борьбы с конкретными заболеваниями, а затем автоматизированные роботизированные системы создают и выращивают их в лаборатории, проводят тесты и передают данные обратно в алгоритм, и все это при ограниченном контроле со стороны человека. Есть комнаты для культивирования больных клеток, выращивания антител и секвенирования их ДНК: техники в лабораторных халатах готовят образцы и стучат по компьютерам, пока на заднем плане жужжат машины.

Ученые-человеки начинают с определения области поиска потенциальных антител для борьбы с конкретной болезнью: им нужны белки, которые могут различать здоровые и больные клетки, прикрепляться к больным клеткам, а затем задействовать иммунную клетку, чтобы закончить работу. Но эти белки могут располагаться где угодно в бесконечном пространстве поиска потенциальных вариантов. LabGenius разработала модель машинного обучения, которая может исследовать это пространство намного быстрее и эффективнее. «Единственный вход, который вы даете системе как человек, это: вот пример здоровой клетки, вот пример больной клетки», — говорит Филд. «А затем вы позволяете системе исследовать различные [antibody] дизайны, которые могут различать их».

Модель выбирает более 700 начальных вариантов из области поиска из 100 000 потенциальных антител, а затем автоматически проектирует, строит и тестирует их с целью поиска потенциально полезных областей для более глубокого исследования. Подумайте о выборе идеального автомобиля из множества тысяч: вы можете начать с выбора общего цвета, а затем отфильтровать его до конкретных оттенков.

Тесты почти полностью автоматизированы, при этом для подготовки образцов и проведения их через различные этапы процесса тестирования задействовано множество высококлассного оборудования: антитела выращиваются на основе их генетической последовательности, а затем подвергаются биологическим испытаниям — образцам. пораженной ткани, для борьбы с которой они предназначены. Люди наблюдают за процессом, но их работа в основном заключается в перемещении образцов с одной машины на другую.

«Когда у вас есть экспериментальные результаты этого первого набора из 700 молекул, эта информация передается обратно в модель и используется для уточнения понимания модели пространства», — говорит Филд. Другими словами, алгоритм начинает строить картину того, как разные дизайны антител меняют эффективность лечения — с каждым последующим циклом дизайнов антител он становится лучше, тщательно уравновешивая использование потенциально плодотворных дизайнов с исследованием новых областей.

«Проблема традиционной белковой инженерии заключается в том, что как только вы находите что-то, что немного работает, вы, как правило, делаете очень большое количество очень маленьких изменений в этой молекуле, чтобы увидеть, сможете ли вы ее еще больше усовершенствовать», — говорит Филд. Эти изменения могут улучшить одно свойство — например, насколько легко антитело может быть изготовлено в масштабе, — но иметь катастрофические последствия для многих других необходимых свойств, таких как селективность, токсичность, эффективность и многое другое. Традиционный подход означает, что вы можете лаять не на то дерево или пропускать древесину за деревьями — бесконечно оптимизировать что-то, что немного работает, когда в совершенно другой части карты могут быть гораздо лучшие варианты.

Вы также ограничены количеством тестов, которые вы можете запустить, или количеством «ударов по воротам», как выразился Филд. Это означает, что человеческие белковые инженеры склонны искать то, что, как они знают, будет работать. «В результате вы получаете все эти эвристики или эмпирические правила, которые используют человеческие белковые инженеры, чтобы попытаться найти безопасные места», — говорит Филд. «Но вследствие этого вы быстро накапливаете догму».

Подход LabGenius дает неожиданные решения, о которых люди, возможно, не подумали, и находит их быстрее: от постановки задачи до завершения первой партии требуется всего шесть недель, и все это управляется моделями машинного обучения. LabGenius привлекла 28 миллионов долларов от таких компаний, как Atomico и Kindred, и начинает сотрудничать с фармацевтическими компаниями, предлагая свои услуги, такие как консультации. Филд говорит, что автоматизированный подход можно применить и к другим формам поиска лекарств, превратив долгий «кустарный» процесс открытия лекарств в нечто более упорядоченное.

В конечном счете, говорит Филд, это рецепт лучшего ухода: лечение антителами более эффективно или имеет меньше побочных эффектов, чем существующие препараты, разработанные людьми. «Вы обнаруживаете молекулы, которые никогда бы не обнаружили с помощью обычных методов», — говорит он. «Они очень отличаются и часто противоречат интуиции дизайну, который вы, как человек, могли бы придумать, что должно позволить нам найти молекулы с лучшими свойствами, что в конечном итоге приводит к лучшим результатам для пациентов».

Эта статья опубликована в выпуске журнала WIRED UK за сентябрь/октябрь 2023 года.

Первоначально эта история появилась на wired.com.