研究人员提出一种深度抗体-抗原相互作用算法，以加速潜在治疗抗体的识别-辉骏生物

研究人员提出一种深度抗体-抗原相互作用算法，以加速潜在治疗抗体的识别

发布时间：2022-11-10 10:51:56作者：辉骏生物-fitgene

在最近发表于《Nature Machine Intelligence》的一项研究中，一组研究人员使用深度抗体-抗原相互作用(DeepAAI)算法来理解未知抗体的抗体表达，以加速发现具有潜在治疗应用的新抗体。

背景

人们认为人体能产生10数量级的抗体20在对病毒感染的免疫反应中。其中，只有一小部分对病毒有中和作用。一些抗体只调理抗原。与抗体直接参与阻止病原体与宿主细胞结合的中和作用相比，调理作用是抗体标记病原体以通过巨噬细胞进行的吞噬作用进行破坏的过程。

在免疫反应过程中产生的大量抗体仍然是未知的，它们与抗原的相互作用只能通过资源和时间密集型的湿式实验室实验来检测，如酶联免疫吸附测定(ELISA)、噬菌体展示、假病毒测定等。可以进行抗原中和初步筛选的计算方法可以通过缩小湿实验室实验的目标来加速新抗体的识别。

关于研究

在当前的研究中，研究人员使用由两个神经网络组成的DeepAAI算法——卷积神经网络(CNN)和自适应关系图卷积网络(AR-GCN)——来预测未知抗体的抗原中和能力，并检查抗原和抗体内部的局部特征。

预测抗体-抗原相互作用的基础是预测抗原-抗体结合位点，区分结合物和非结合物，并解释相互作用的中和与非中和效应。虽然其他研究试图使用GCN和CNN来预测结合位点并区分结合物和非结合物，但这些方法中的一些挑战包括冷启动问题，这是由于缺乏未知抗体的抗原中和信息以及缺乏代表抗体的最佳蛋白质描述符抗原。

DeepAAI算法使用AR-GCN构建抗体和抗原之间的两个自适应关系图，并使用拉普拉斯平滑来表示看不见的抗体和看见的抗原。关系图中节点的属性传达了抗体和抗原的表示，并且边权重提供了关于抗体-抗原关系的信息。

此外，AR-GCN基于抗体和抗原之间的相互作用来确定抗体和抗原的整体特征，而CNN模块则确定抗原和抗体界面上氨基酸的局部特征，这些特征对它们的亲和力有影响。

此外，该研究评估了DeepAAI算法在通过使用严重急性呼吸综合征冠状病毒2型(新型冠状病毒)、登革热、流感和人类免疫缺陷病毒(HIV)。

DeepAAI及其变体的性能，包括全局功能的组合，如位置特定评分矩阵(PSSMs)和k-mer频率计数(kmer)和由序列表示的局部特征(seq)与八种基线方法进行了比较。基线方法包括四种基于序列的模型——预测结合位点的模型、预测蛋白质-蛋白质相互作用的模型、经典序列模型和在湿式实验室实验中成功的模型。

结果

对未发现的HIV抗体进行DeepAAI评估的结果显示，DeepAAI的所有三种变体——DeepAAI(PSSM+序列)、DeepAAI (kmer +序列)和DeepAAI (PSSM + kmer +序列)——在预测未发现的HIV抗体的中和性方面，在准确度、精确度和F1分数方面都优于八种基线方法。

在新型冠状病毒的实验中，DeepAAI能够从2587种抗新型冠状病毒抗体中推荐50种作为广谱抗体，具有抗Omicron变异体的潜在中和能力。

当使用流感和登革热抗体进行评估时，DeepAAI (kmer + seq)在预测未知流感抗体方面优于最佳基线方法，但是在DeepAAI变体和未知登革热抗体的最佳基线方法之间没有观察到显著的性能差异。