单克隆抗体开发中最为耗时的一步,在于识别和鉴定。而AI抗体建模技术的进步,有望显著缩短识别周期、加快鉴定速度。如果事实证明AI真能担起这副重担,全面取代以往效率低下的手动或软件形式的海量细胞受体序列分类,抗体研发必将翻开新的历史篇章。
目前,全球民众、特别是免疫抑制人群,迫切需要能够预防和治疗COVID-19病毒的特效药。遗憾的是,COVID-19的变异一刻未停,因此不断逃逸出现有抗体的识别范畴。虽然也有各种具备广泛中和能力的抗体正在开发当中,但其亲和力又往往低于理想水平。面对种种现实难题,最近一篇论文带来了新的希望:利用AI技术显著提高抗体的结合亲和力。
研究人员Parkinson等提出了一种名为RESP的AI管线,能够高效且独立识别出高亲和力的候选抗体。在给定明确的抗体靶标之后,RESP就能选择最适合的抗体来改进现有抗体。在RESP的帮助下,研究人员将现有药物的结合亲和力提升了近20倍。这样的技术奇迹是如何产生的?RESP具备怎样的功能构造,未来又将如何改变抗体的研发思路?下面让我们一同寻找答案。
RESP各组成部分
研究人员将这套人工智能系统划分成四大组成部分。其一是要从更大的面板中为人类B细胞受体序列挑选出编码方案。B细胞携带着用于编码和产生抗体的基因序列。在快速识别人类B细胞受体序列之后,RESP即可过滤掉与研究目标无关的其他序列。
第二大组成部分是酵母筛库,用于证明突变对已识别抗体序列的相对影响。单一氨基酸的适度突变,可能会从根本上影响到特定抗体的结合与中和能力。之后,即可快速分析序列库的不同要素,例如解离率、半衰期、结合亲和力等。
第三大组成部分,是用于了解抗体潜在亲和力的分类模型。RESP能够分析并预测候选抗体的解离率,并选择亲和力最强的选项。解离率的本质,是一种与亲和力呈负相关的配体-蛋白质结合成分。解离率越低,则代表亲和力越高。研究人员指出,这套模型能够针对不同抗原进行再训练,从而进一步扩大RESP的适用范围。
第四部分负责对前三部分的数据进行汇总,预测解离率显著降低的B细胞序列,从而找到具有明显更高亲和力的抗体。总而言之,RESP的表现似乎令人印象深刻,但真正严谨的结论还要由数据来证明。
RESP测试
研究人员对RESP开展的第一项测试,就是重建序列和丢弃诱饵序列。研究人员向RESP引入了超270万个人类B细胞受体序列,以及另外270万个经过多处修改的诱饵序列。RESP系统以高于99.99%的准确率重建了540万个序列;虽然在一定程度上受到了诱饵的误导,但准确率仍然高达97.4%。
接下来,研究人员又测试了酵母筛库的有效性。他们选择的是经过批准的单克隆抗体治疗Atezolizumab,一种针对非小细胞肺癌的癌症免疫疗法,扫描了抗体编码序列中可能提高解离率的潜在修饰。在发现抗体重链中的阳性突变之后,酵母筛库揭示了超92000种至少在解离率上等于或低于Atezolizumab的独特序列。
图一:atezolizumab(淡蓝色部分)与PD-L1(粉色部分)复合物的抗原结合片段空间填充模型。
凭借重建与酵母筛库功能,RESP最终确定了21种比原始Atezolizumab亲和力更高的最终候选序列。这21种序列在残基A40、K43、T58、I70、N77、A79、S85、A97 和 R98 处通过多种组合携带突变。这些突变均未出现在原始Atezolizumab中,可能正是新的候选药物具有更高亲和力的原因。
图二:Atezolizumab重链结构中21个突变体的突变位置。重链(绿色)中的突变残基被标记为黄色;PD-L1部分为蓝色,而轻链标记为橙色。
其中4号突变体携带有I70A、A79T与A97V。与原始Atezolizumab相比,4号突变体的解离率明显更低。最终,这一突变体与抗原的纬度紧密性,达到原始获批药物的17倍。
图三:原始药物与4号突变体间的解离率比较。
重大意义
与其他用例一样,AI的参与有望显著提高抗原的研发效率。RESP中最重要的元素就是其适应性——不限于COVID-19抗体发现,也不限于特定癌症研究,适度调整后的RESP也许能用于发现一切新型抗原或者改进抗体候选物,甚至为目前的不治之症找到抗体。
如果RESP在试运行中就能找到正确的突变体,将结合亲和力增加至获批药物的17倍,那么它在现在COVID-19药物中一定也能发挥同样的效力。虽然具体还须进一步测试验证,但我们无疑有必要关注并积极推动RESP的后续发展。
RESP这类AI机制也是时候全面融入单克隆抗体的开发体系了。除了目前获批抗体所遵循的SARS-CoV-2受体结合域之外,还出现了CV3-25(由Li等提出)等能够将病毒的S1区域结合到刺突另一端的抗体。此外还有Dacon等人提出的COV44-62/79抗体,能够结合融合肽。
图四:bebtelovimab、Li和Dacon抗体的结合表位。
这些抗体中也广泛中和有多种变体,只是在结合亲和力上不及bebtelovimab或者Evusheld。在RESP的帮助下,也许我们可以对抗体做出轻微修改,借此产生更强大的单克隆抗体候选物、挽救更多人的生命。
好文章,需要你的鼓励
浙江大学和吉利汽车研究院联合团队提出的FreeTimeGS是一种创新的动态3D场景重建方法。不同于传统方法,它允许高斯基元在任意时空位置自由出现,并赋予每个基元运动功能,使其能够随时间移动到相邻区域。研究通过4D正则化策略解决了高不透明度基元阻碍优化的问题。在多个数据集测试中,该方法在渲染质量和速度上均大幅超越现有技术,特别是在处理复杂动态场景时,使用单个RTX 4090 GPU能以467 FPS的速度实现1080p实时渲染,为电影制作、游戏和虚拟现实等应用提供了新可能。
这篇研究介绍了"对角线批处理"技术,该技术解决了循环记忆Transformer模型在处理长文本时的并行计算瓶颈。通过重新编排计算顺序,研究团队实现了在不破坏依赖关系的情况下进行并行计算,使LLaMA-1B模型处理长文本的速度提升3.3倍,同时内存使用减少167.1倍。这种纯运行时优化不需要重新训练模型,为实际应用中的长文本处理提供了高效解决方案。
BEVCALIB是一种利用鸟瞰图表示实现激光雷达与相机校准的创新方法,由南加州大学和加州大学河滨分校的研究团队开发。该方法将不同传感器数据转换到共享的BEV空间,并通过几何引导的特征选择实现高精度校准。在KITTI和NuScenes等数据集上,BEVCALIB比现有最佳方法平均提高了47-82%的性能,为自动驾驶和机器人系统提供了可靠的传感器融合基础。
博尔扎诺自由大学研究团队开发的PATS技术通过保留完整运动片段代替随机抽取视频帧,显著提升了AI评估体育技能的能力。该方法在EgoExo4D基准测试中表现出色,攀岩评估准确率提高26.22%,音乐提高2.39%,篮球提高1.13%。PATS能根据不同运动类型自动调整采样策略,为体育训练和人才发展提供了更准确的自动评估技术。