نورنیوز-گروه اجتماعی: زیستشناسان سال گذشته یک دستاورد تاریخی در طراحی پروتئین به دست آوردند و آن استفاده از هوش مصنوعی (AI) برای ترسیم مولکولهای کاملا جدید پادتنها بود. بااینحال، این طراحیهای اثبات-مفهومی، از قدرت اثرگذاری و دیگر ویژگیهای کلیدی داروهای مبتنی بر پادتن تجاری که سالانه دهها میلیارد دلار فروش دارند، بیبهره بودند.
به نقل از نیچر، پس از یک سال پیشرفت، دانشمندان میگویند اکنون در آستانه تبدیل پادتنهای طراحیشده توسط هوش مصنوعی به درمانهای بالقوه هستند. در هفتههای اخیر، گروههای متعددی گزارش دادهاند که با استفاده از ابزارهای تجاری اختصاصی هوش مصنوعی و مدلهای متنباز، پادتنهایی ساختهاند که ویژگیهای داروهای مبتنی بر پادتن را دارند.
چانگ لیو از دانشگاه کالیفرنیا میگوید: این تلاشهای اخیر پیشرفتهایی فوقالعاده قدرتمند هستند که امکان دموکراتیک شدن مهندسی پادتن را فراهم میکنند. تیموتی جنکینز، مهندس پروتئین در دانشگاه فنی دانمارک میگوید: موج جدید موفقیت در طراحی پادتن «دِ نوو» (de novo) تاثیر بزرگی بر سرعت و تعداد درمانها خواهد داشت که در کارآزماییهای بالینی خواهیم دید.
داروهای مبتنی بر پادتن معمولا با غربالگری تعداد زیادی پادتن متنوع ساخته میشوند تا آنهایی یافت شوند که بتوانند یک هدف خاص را تشخیص دهند. اما گاهی این غربالگریها فقط پادتنهایی را پیدا میکنند که ضعیف به هدف متصل میشوند یا بخش اشتباهی از هدف را شناسایی میکنند.
سِرج بیسواس، مدیرعامل شرکت طراحی پادتن Nabla Bio در کمبریج ماساچوست میگوید: این روش خیلی دقیق نیست و در عوض دانشمندان امیدوارند بتوانند هدف دلخواه یک پادتن را که برای مثال محل فعال یک آنزیم دخیل در بیماری است، مشخص کنند و مدل هوش مصنوعی طراحیهای پیشنهادی ارائه دهد. وعده طراحی به کمک هوش مصنوعی این است که میتوانید تا حد بسیار بالایی دقیق باشید.
پادتنها پروتئینهای ایمنی که با دقت بسیار بالا مولکولهای بیگانه، مانند مولکولهای ساختهشده توسط عوامل بیماریزا را شناسایی میکنند، چالش بزرگی برای طراحی با هوش مصنوعی بودهاند. مدلهایی مانند آلفافولد (AlphaFold) برای پیشبینی شکل نواحی انعطافپذیر حلقهای پادتنها که برای شناسایی اهداف از آنها استفاده میکنند، مشکل داشتهاند.
گابریله کورسو، دانشمند یادگیری ماشینی در مؤسسه فناوری ماساچوست میگوید: اما ابزارهای جدید توسعهیافته طی یک سال گذشته از جمله نسخه بهروزشده آلفافولد در مدلسازی این نواحی انعطافپذیر بهتر عمل کردهاند. پیشرفت در طراحی پادتن نیز همراستا با این بهبودها بوده است.
در ماه اکتبر، کورسو و همکارانش مدل BoltzGen را در یک مقاله پیشچاپ توصیف کردند و نشان دادند که این مدل میتواند نانوبادیها یعنی پادتنهای کوچک و ساده شبیه مولکولهای موجود در کوسهها و شترها را علیه پروتئینهای دخیل در سرطان، عفونتهای ویروسی و باکتریایی و بیماریهای دیگر طراحی کند.
در بیشتر موارد، پژوهشگران پس از بیان تنها ۱۵ مورد از بهترین طراحیها در سلولها و آزمایش آنها در آزمایشگاه، پادتنهایی با اتصال قوی یافتند. با این حال، این مولکولها در مدلهای بیماری آزمایش نشدند. گروههای دیگر نیز پیشرفت مشابهی دارند. برای مثال، گروهی در دانشگاه استنفورد و مؤسسه Arc در پالو آلتو نیز مدلی منتشر کردهاند که میتواند نانوبادیها را با بازدهی بالا طراحی کند.
ماه گذشته، پژوهشگران دستاورد سال ۲۰۲۴ به رهبری دیوید بیکر، زیستفیزیکدان برنده نوبل از دانشگاه واشنگتن در سیاتل را بهبودهای چشمگیر در طراحی نانوبادیها گزارش کردند و از یک ابزار متنباز دیگر استفاده کردند.
جسورانهترین ادعاها در طراحی پادتن با هوش مصنوعی از سوی شرکتهایی مطرح میشود که روی این چالش کار میکنند.
ماه گذشته، دانشمندان Nabla و Chai Discovery در سانفرانسیسکو اعلام کردند که «پادتنهای شبیهدارو» با ابزارهای هوش مصنوعی ساختهاند. هر دو گروه گفتند که علاوه بر نانوبادیها که از یک زنجیره آمینواسیدی تشکیل شدهاند، آنها پادتنهای با ساختار کامل نیز تولید کردهاند. گروه بیکر نیز چنین طراحیهایی را گزارش کرده بود.
آزمایشها نشان داد برخی از این مولکولهای طراحیشده، اهداف بیماری مختلف از جمله گیرندههای جفتشونده با پروتئین G (GPCRs) را که برای طراحی پادتنهای معمولی چالش ایجاد کردهاند، با قدرتی مشابه داروهای پادتن تجاری شناسایی میکنند. این مولکولها همچنین ویژگیهای مفیدی داشتند که میتواند یک داروی بالقوه را بسازد یا نابود کند، مانند قابلیت تولید در مقادیر زیاد و توانایی تشخیص فقط هدفِ موردنظر.
جنکینز و دانشمندان دیگر میگویند مایلند دادههای پشت ادعاهای Nabla و Chai را ببینند، اما هیچیک از این شرکتها توالیهای پادتنهایی را که طراحی کردهاند، منتشر نکردهاند. جنکینز اضافه میکند هنوز مشخص نیست این مدلهای اختصاصی چگونه با بهترین ابزارهای متنباز که گروه او برای طراحی پادزهر مار، درمانهای سرطان و مقابله با تهدیدات زیستی استفاده میکند، قابل مقایسه هستند.
لیو، همبنیانگذار شرکت K2 Therapeutics در سانفرانسیسکو که در حال توسعه داروهای پادتن است، میگوید ابزارهای متنباز طراحی پادتن برای شرکتهای نوپا که منابع توسعه مدلهای اختصاصی را ندارند، جذاب هستند.
کارآزماییهای بالینی
ممکن است زمان طولانی نمانده باشد تا پادتنهایی که کاملا توسط هوش مصنوعی طراحی شدهاند، وارد آزمایشهای انسانی شوند.
لیو میگوید ابزارهای جدید احتمالا همین حالا هم طراحیهای کارآمد تولید میکنند. اما عملکرد نامتوازن آنها در اهداف مختلف و ناتوانیشان در پیشبینی ویژگیهای کلیدی مانند قدرت اتصال میتواند سرعت روند پذیرش را کاهش دهد. احتمالا هنوز چند سال تا روزی که بتوانیم صرفا بر مدلها برای ساخت داروهای پادتن تکیه کنیم، فاصله داریم.
هفته گذشته، شرکت Generate Biomedicine در ماساچوست یک کارآزمایی بالینی بزرگ را برای یک داروی پادتن درمان آسم شدید آغاز کرد. این شرکت از هوش مصنوعی برای بهینهسازی یک پادتن موجود برای بهبود اتصال، پایداری و ویژگیهای دیگر استفاده کرده بود.
موضوع مهم دیگر این است که آیا بدن ممکن است پادتنهای طراحیشده با هوش مصنوعی را بهعنوان مولکولهای بیگانه تشخیص دهد که میتواند واکنشهای ایمنی خطرناک ایجاد کند یا خیر.
این پادتنها بهنظر مشابه پادتنهای ساختهشده با روشهای سنتی هستند، اما انجام آزمونهای ایمنی بیشتر پیش از ورود به آزمایشهای انسانی ضروری است. همچنین مدتی طول خواهد کشید تا توسعهدهندگان دارو بهترین اهداف بیماری را برای پادتنهای هوش مصنوعی شناسایی کنند. امید این است که پادتنهای هوش مصنوعی بتوانند اهدافی را ممکن کنند که پیش از این چالشبرانگیز بودهاند.
هوش مصنوعی همچنین میتواند پادتنهایی با ویژگیهای منحصربهفرد مانند توانایی نفوذ به مغز یا توانایی شناسایی چند هدف در یک پادتن واحد، طراحی کند. اکنون که توانایی تولید پادتنها با فشار یک دکمه را داریم، میتوانیم زمان بیشتری را به این مسائل پیشرو اختصاص دهیم.