محققان یک الگوریتم تعامل عمیق آنتی بادی-آنتی ژن را برای تسریع در شناسایی آنتی بادی های درمانی بالقوه پیشنهاد می کنند.

پیش‌بینی برهم‌کنش‌های آنتی‌بادی-آنتی‌ژن بر اساس پیش‌بینی محل‌های اتصال آنتی‌ژن به آنتی‌بادی، تمایز بایندرها از غیر اتصال‌دهنده‌ها، و رمزگشایی اثرات خنثی‌سازی در مقابل غیرخنثی‌سازی برهم‌کنش است. در حالی که مطالعات دیگر سعی کرده اند از GCN و CNN برای پیش بینی مکان های اتصال و تمایز بایندرها از غیر بایندرها استفاده کنند، برخی از چالش های این روش ها شامل مشکل شروع سرد به دلیل عدم وجود اطلاعات خنثی سازی آنتی ژن برای آنتی بادی های دیده نشده و فقدان توصیف کننده های پروتئین بهینه برای نشان دادن آنتی بادی ها و آنتی ژن ها.

نتایج ارزیابی DeepAAI بر روی آنتی بادی های دیده نشده HIV نشان داد که هر سه نوع DeepAAI – DeepAAI (PSSM + seq)، DeepAAI (kmer + seq) و DeepAAI (PSSM + kmer + seq) – بهتر از هشت خط پایه عمل کردند. روش‌های صحت، دقت و امتیاز F1 در پیش‌بینی خنثی‌پذیری آنتی‌بادی‌های دیده نشده علیه HIV.

در مطالعه اخیر منتشر شده در هوش ماشین طبیعتتیمی از محققان از الگوریتم تعامل عمیق آنتی‌بادی-آنتی ژن (DeepAAI) برای درک بازنمایی آنتی‌بادی آنتی‌بادی‌های دیده نشده استفاده کردند تا کشف آنتی‌بادی‌های جدید با کاربردهای درمانی بالقوه را تسریع کنند.

زمینه

تعداد زیادی از آنتی بادی‌های تولید شده در طی یک پاسخ ایمنی دیده نمی‌شوند، و برهمکنش‌های آنتی ژنی آنها را می‌توان تنها از طریق آزمایش‌های آزمایشگاهی مرطوب با منابع و زمان فشرده مانند سنجش ایمونوسوربنت متصل به آنزیم (ELISA)، نمایش فاژ، سنجش شبه ویروسی، شناسایی کرد. روش‌های محاسباتی که می‌توانند غربالگری‌های اولیه را برای خنثی‌سازی آنتی‌ژن انجام دهند، می‌توانند شناسایی آنتی‌بادی‌های جدید را با محدود کردن اهداف آزمایش‌های آزمایشگاهی مرطوب تسریع کنند.

در مورد مطالعه

عملکرد DeepAAI و انواع آن، که شامل ترکیبی از ویژگی‌های جهانی مانند ماتریس‌های امتیازدهی خاص موقعیت (PSSM) و k-شمارش فرکانس mer (kmer) و ویژگی های محلی نشان داده شده توسط توالی (seq)، با هشت روش پایه مقایسه شد. روش‌های پایه شامل چهار نوع مدل مبتنی بر توالی بودند – آن‌هایی که مکان‌های اتصال را پیش‌بینی می‌کنند، آن‌هایی که برهمکنش‌های پروتئین-پروتئین را پیش‌بینی می‌کنند، مدل‌های متوالی کلاسیک، و مدل‌هایی که در آزمایش‌های آزمایشگاهی موفق بوده‌اند.

نتایج

الگوریتم DeepAAI که در یک وب سرویس با داده ها و کدهای رایگان موجود است، می تواند برای غربالگری اولیه آنتی بادی های دیده نشده برای تعیین اثرات خنثی کننده یا غیرخنثی کننده برهمکنش های آنتی بادی-آنتی ژن و برای تعیین نیمی از حداکثر غلظت بازدارنده استفاده شود (IC₅₀) مقادیر برای تصمیم گیری در مورد آزمایشات آزمایشگاه مرطوب بعدی. علاوه بر این، نویسندگان بر این باورند که از آنجایی که این الگوریتم به دانش ساختار آنتی‌بادی و آنتی ژن نیاز ندارد و از داده‌های توالی اسید آمینه استفاده می‌کند، برای کاربردهای دنیای واقعی مفید است.