Τεχνητή νοημοσύνη της Meta σχεδιάζει αντισώματα για Covid και Έμπολα

Τεχνητή νοημοσύνη για κείμενα, τεχνητή νοημοσύνη για εικόνες, τώρα και τεχνητή νοημοσύνη για θεραπευτικά αντισώματα.

Σύστημα της Meta Platforms που βασίζεται στην ίδια προσέγγιση με το ChatGPT βελτίωσε την αποτελεσματικότητα αντισωμάτων για την αντιμετώπιση της Covid-19, της γρίπης και του Έμπολα, αναφέρουν ερευνητές στην επιθεώρηση Nature Biotechnology.

Στο μέλλον, παρόμοια συστήματα ΑΙ θα μπορούσαν να σχεδιάζουν εντελώς νέα αντισώματα για μια δυνητικά απεριόριστη γκάμα εφαρμογών.

Όλα τα αντισώματα είναι πρωτεΐνες, μακριές αλυσίδες από μόρια που ονομάζονται αμινοξέα. Οι αλυσίδες αυτές αναδιπλώνονται αυθόρμητα στον χώρο και αποκτούν περίπλοκα σχήματα που καθορίζουν τη συμπεριφορά τους, όπως την ικανότητά τους να συνδέονται σε άλλες πρωτεϊνες και να αλλάζουν τη δραστηριότητά τους.

Μέχρι πρόσφατα ήταν αδύνατο να προβλέψει κανείς το σχήμα μιας πρωτεΐνης με βάση την αλληλουχία των αμινοξέων. Αυτό άλλαξε με το επαναστατικό AlphaFold, μια τεχνητή νοημοσύνη της Google που κατάφερε να προσδιορίσει τη δομή εκατοντάδων εκατομμυρίων πρωτεϊνών. Λίγο αργότερα, ένα παραπλήσιο σύστημα της Meta προσδιόρισε ακόμα περισσότερες.

Η πρόοδος αυτή άνοιξε το δρόμο για συστήματα που βελτιώνουν την ικανότητα των αντισωμάτων να συνδέονται στον στόχο τους, είτε πρόκειται για τον ιό SARS-CoV-2 είτε για πρωτεΐνες καρκινικών κυττάρων.

Η τελευταία μελέτη βασίστηκε σε ένα «πρωτεϊνικό γλωσσικό μοντέλο» της Meta, παρόμοιο με τα «μεγάλα γλωσσικά μοντέλα» στα οποία βασίζονται ορισμένα συστήματα γενετικής τεχνητής νοημοσύνης όπως το ChatGPΤ της αμερικανικής OpenAI.

Αντί όμως να εκπαιδεύονται με κείμενα, τα πρωτεϊνικά γλωσσικά μοντέλα εκπαιδεύονται με τις αμινοξικές αλληλουχίες δεκάδων εκατομμυρίων πρωτεϊνών.

Στη νέα μελέτη, το μοντέλο πρότεινε αλλαγές στην αλληλουχία υφιστάμενων αντισωμάτων και βελτίωσε την αποτελεσματικότητά τους.

Το ενδιαφέρον είναι ότι πολλές από αυτές τις αλλαγές δεν αφορούσαν καν την περιοχή του αντισώματος που συνδέονται με τον στόχο. «Το μοντέλο έχει πρόσβαση σε πληροφορίες που είναι εντελώς, ή σχεδόν, μη προφανείς, ακόμα και σε ειδικούς της μηχανικής αντισωμάτων» σχολιάζει στον δικτυακό τόπο του Nature o Πίτερ Κιμ, βιοχημικός του Στάνφορντ και μέλος της ομάδας που υπογράφει τη μελέτη.

Στο μέλλον, παρόμοια πρωτεϊνικά γλωσσικά μοντέλα θα μπορούσαν να σχεδιάζουν αντισώματα από το μηδέν.

Ένα πρώτο βήμα έγινε με μελέτη που παρουσιάστηκε τον Μάρτιο ως προδημοσίευση στο αποθετήριο bioRxiv. Μοντέλο που τροφοδοτήθηκε με πρωτεϊνικές αλληλουχίες και περαματικά δεδομένα πρότεινε νέες αλληλουχίες για ορισμένες περιοχές ενός αντισώματος που χρησιμοποιείται για την αντιμετώπιση του καρκίνου του μαστού.

Ένα βασικό εμπόδιο στον σχεδιασμό εντελώς νέων αντισωμάτων, επισημαίνει το Nature, είναι ότι η ικανότητά τους να συνδέονται στον στόχο εξαρτάται από εύκαμπτους βρόχους στη δομή τους, βρόχους που η AI δυσκολεύεται να μοντελοποιήσει.

Πρόοδος όμως σημειώνεται και σε αυτό το πεδίο. Πέρυσι, ερευνητές παρουσίασαν ένα μοντέλο γενετικής ΑΙ που αξιοποίησε αυτούς τους βρόχους για να βελτιώσει πρωτεΐνες που εξουδετερώνουν το δηλητήριο φιδιών.

Σύντομα, η τεχνητή νοημοσύνη θα μπορούσε να σχεδιάζει αντισώματα και άλλες πρωτεΐνες από το μηδέν, αν και οι ερευνητές εκτιμούν ότι για να συμβεί αυτό τα συστήματα θα πρέπει να εκπαιδευτούν με περισσότερα πειραματικά δεδομένα, τα οποία προς το παρόν δεν είναι διαθέσιμα.