范德比尔特大学医学中心（VUMC）的研究人员正领导一项雄心勃勃的项目，旨在利用人工智能技术生成针对任何感兴趣的抗原目标的抗体疗法。
VUMC已获得美国卫生与公众服务部高级研究计划局（ARPA-H）高达3000万美元的资金支持，用于构建大规模的抗体-抗原图谱，开发基于AI的算法以设计抗原特异性抗体，并应用该技术识别和开发潜在的治疗性抗体。
ARPA-H是一个隶属于美国卫生与公众服务部的机构，支持高风险、高回报的变革性研究，以推动生物医学和健康领域的突破，造福所有人。
“在过去的几十年里，单克隆抗体在多种疾病治疗中开始发挥重要作用，但我们只是触及了表面。单克隆抗体的发现有可能影响许多目前没有治疗方法的疾病。”病理学、微生物学和免疫学教授、范德比尔特计算微生物学和免疫学中心主任、该项目的主要研究者伊韦林·格奥尔吉耶夫博士说。
格奥尔吉耶夫表示，传统的抗体发现方法存在效率低下、成本高昂、失败率高、物流障碍、周转时间长和可扩展性有限等问题。
“我们提出的方法将解决传统抗体发现过程中的所有这些重大瓶颈，使其成为一个更加民主化的过程——你只需要确定你的抗原目标，就能以非常有效和高效的方式生成针对该目标的单克隆抗体疗法。”格奥尔吉耶夫还担任生物医学信息学、计算机科学以及化学和生物分子工程教授。
抗体是我们免疫系统的一部分。它们是由白细胞（B细胞）产生的蛋白质，可以结合并失活病毒、细菌甚至我们自身细胞上的抗原。抗体作为预防和治疗病毒感染、癌症、自身免疫性疾病和其他疾病的手段非常有效。
为了识别候选治疗性抗体，研究人员通常会筛选和测试数千种抗体，寻找能够结合并中和目标抗原的“针尖”。传统的发现过程需要特定类型的生物样本。例如，要找到针对某种病原体的抗体，需要来自接触过该病原体的人或动物模型的血液样本。如果病原体发生突变，治疗性抗体可能会变得无效。
“通过计算方法，你不再依赖于获取生物样本或进行多次筛选周期。你可以模拟变异并在变异出现之前提前生成抗体。”格奥尔吉耶夫说。
格奥尔吉耶夫和他的同事们正在从事三项任务，以开发用于抗体发现的计算方法：
- 生成前所未有的规模和多样性的抗体-抗原图谱。
- 开发基于AI的算法，从抗体-抗原图谱中提取信息并设计抗原特异性抗体。
- 通过概念验证研究，应用AI技术识别针对生物医学兴趣抗原目标的抗体候选物。
对于第一项任务，研究人员使用了一种名为LIBRA-seq的技术，该技术可以同时对许多抗原和B细胞进行高通量的抗体-抗原相互作用映射。
“为了使计算方法发挥作用，我们需要大量数据。目前可用于抗体和抗原的数据规模低于其他领域，这一直是开发AI方法的一个限制因素。如果我们仅用现有的数据训练算法——其中大部分数据是关于SARS-CoV-2、流感和HIV的——那么这些算法可能对这些目标很准确，但不太可能成功地推广到新的目标。我们需要用更多样化的抗原目标来训练它们，这就是LIBRA-seq发挥作用的地方。”格奥尔吉耶夫说。
研究人员的目标是使图谱包含数十万甚至超过一百万的抗体-抗原对，而目前从已发表的数据中只有大约15,000对，为全球研究人员提供了一个无与伦比的资源。
团队已经在推进第二项任务，即建立计算模型，并随着抗体-抗原图谱的填充不断完善这些模型。对于第三项任务，他们将应用AI技术开发针对癌症抗原、细菌、病毒和自身免疫目标的抗体。他们将选择一种候选抗体进行临床前开发，直至包括新药申请（IND）。
“我们的项目将提供一个可用于多种不同疾病的平台，而不仅仅是我们感兴趣的具体目标。我们的团队多年来一直在尝试发现针对各种适应症的抗体，这是一个非常低效的过程，有很多失败。如果我们能改变这一点，那将是巨大的进步——不仅对我们自己，而且对整个领域以及那些可以通过抗体疗法受益的患者来说都是如此。”
“这将很难。这不是一个容易解决的问题，但我认为我们有一个良好的基础，我们会尽最大努力使其成功。”
项目的合作者包括：VUMC的本·霍·帕克博士、莎拉·克罗斯曼博士、埃里克·斯卡尔博士、玛丽亚·哈迪弗朗基苏博士和杰里米·戈特尔博士；克利夫兰诊所的泰德·罗斯博士和朱塞佩·萨托博士；哥本哈根大学的玛丽亚·德尔皮拉尔·昆塔纳·瓦龙博士和拉斯·赫维德博士。布罗克家庭应用创新中心也参与并支持了格奥尔吉耶夫团队的工作。
范德比尔特大学和VUMC共享的关键资源包括：范德比尔特先进基因组技术中心（VANTAGE）、高级计算研究中心（ACCRE）和流式细胞术共享资源（FCSR）。
(全文结束)
