A kutatók már az 1980-as évek óta készítenek szintetikus antitesteket például rákkezelésekhez, de a folyamat eddig rendkívül hosszadalmas volt. A gépi tanulás és a robotika ezen a területeken is óriási változásokat hoz.
A Covid-járvány idején sokat hallottunk az antitestekről, azokról a molekulákról, amelyek megvédik szervezetünket a betegség súlyos következményeitől. A pandémia nagy lendületet adott az orvosi kísérleteknek is, amelyekben egyre jelentősebb szerepet kapnak a különböző mesterséges intelligenciák. Egy brit laboratórium éppen az antitestek terén ígér komoly előrelépést.
A James Field vezette LabGenius cég, amely egy hajdani dél-londoni kekszgyár épületében rendezkedett be, robotokkal, inkubátorokkal és DNS-szekvenáló gépekkel felszerelve olyan új molekulák kifejlesztésén dolgozik, amelyek gyógyító antitestekként szolgálhatnak – írja a WIRED.
A természetben az antitestek adják az immunrendszer élcsapatát. Ezek olyan protein-fonatok, amelyek lecsapnak a külső betolakodókra, és eltávolítják azokat a szervezetből.
A gyógyszercégek az 1980-as évek óta már készítenek szintetikus antitesteket például rákkezelésekhez, vagy pedig transzplantáció esetén annak megakadályozására, hogy a szervezet kivesse magából a beültetett szervet. Ezek megtervezése azonban nagyon hosszú folyamat, több millió potenciális aminosav-kombinációt kell kipróbálni ahhoz, hogy megtalálják a hatékonyat, és csak ezután jöhet a tesztelés.
James Field 2012-ben hozta létre cégét, miközben PhD-tanulmányait végezte szintetikus biológiából a londoni Imperial College-ben. Közelről látta, hogy működik a DNS-szekvenálás, a számítások és az ezekhez felhasznált robotika. A LabGenius mindezeket felhasználja, csakhogy nagyrészt automatizálta az antitest-felfedezési folyamatot.
A tudósoknak olyan proteinekre van szükségük, amelyek képesek megkülönböztetni egymástól az egészséges és a beteg sejteket, majd keresnek hozzájuk egy immunsejtet. Mivel azonban a lehetséges opciók száma szinte végtelen, a LabGenius kifejlesztett egy olyan gépi tanulási modellt, amely sokkal gyorsabban és hatékonyabban képes dolgozni.
Az emberi beavatkozás mindössze annyi, hogy adnak a gépnek egy egészséges és egy beteg sejtmintát, innentől kezdve a gép folytatja a kutatást.
A mesterséges intelligencia alkalmanként kiválaszt több mint 700 lehetséges opciót a mintegy 100 ezer potenciális antitestből, majd automatikusan mindegyiket megtervezi, felépíti és teszteli, hogy megtalálja a legalkalmasabbakat.
Emberek felügyelik a folyamatot, de munkájuk többnyire abban merül ki, hogy a mintákat átteszik egyik gépből a másikba.
A kísérletek adatait ezután betáplálják a gépi tanulási modellbe, amely segít a következő 700 antitest megtervezésében.
Fields arra is felhívja a figyelmet, hogy a hagyományos protein-előállításnál fennáll az a veszély, hogy a molekulának egy bizonyos tulajdonságára koncentrálnakm és azt próbálják fokozatosan javítani, miközben más, esetleg fontosabb tulajdonságai elsikkadnak és ez végsősoron a hatékonyság rovására megy. Nem is szólva arról, hogy idő és anyagi lehetőségek hiányában azokat a molekulákat tesztelik, amelyek nagy valószínűséggel működni fognak.
Ezzel szemben a LabGenius megközelítése olyan megoldásokat is keres, amelyekre emberek nem is gondolnak, és sokkal gyorsabban meg is találják azokat: mindössze hat hét kell a probléma felvetésétől az első antitest-csoport teszteléséig.
A cég 28 millió dollár támogatást kapott többek között az Atomico kockázati tőketársaságtól. Az alapító-vezérigazgató szerint ez az automatizált módszer a jövőben hasznos lehet másfajta gyógyszer felfedezésében is, felgyorsítva azok jelenleg túlságosan hosszú kifejlesztési és tesztelési folyamatát.
James Field-nek meggyőződése, hogy az ő módszerükkel létrehozott antitestekkel való kezelések hatékonyabbak és kevesebb mellékhatással járnak. „Olyan molekulákat találhatunk, amelyeket a hagyományos módszerekkel soha, és ezzel jobb eredményeket érhetünk el a pácienseknél is” – mondja az igazgató.
