Sztuczna inteligencja projektuje przeciwciała od zera. Zespoły z MIT, Stanfordu i Uniwersytetu Waszyngtońskiego pokazują cząsteczki o parametrach zbliżonych do leków. Część projektów zmierza już w stronę badań klinicznych.

Sztuczna inteligencja w medycynie wchodzi w nową fazę. Zamiast przeszukiwać ogromne biblioteki losowych sekwencji, badacze coraz częściej projektują przeciwciała od podstaw. Dzięki temu skracają czas rozwoju terapii i otwierają cele dotąd uznawane za trudne lub wręcz niedostępne.

Przeciwciała działają jak precyzyjne czujniki układu odpornościowego. Rozpoznają konkretne fragmenty białek i wiążą się z nimi z dużą dokładnością. Dlatego od lat stanowią fundament terapii w onkologii, reumatologii i immunologii. Problemem pozostaje jednak ich kosztowny i długotrwały proces tworzenia.

Klasyczne podejście opiera się na selekcji. Najpierw powstają biblioteki zawierające miliony wariantów. Następnie laboratoria miesiącami badają ich stabilność, powinowactwo i bezpieczeństwo. W efekcie wiele obiecujących projektów odpada na wczesnym etapie, a pacjenci długo czekają na nowe terapie.

Najnowsze publikacje w „Nature” oraz preprinty pokazują wyraźną zmianę. Modele generatywne otrzymują konkretne polecenie: zaprojektuj przeciwciało dla danego fragmentu białka chorobotwórczego. Algorytmy zwracają krótką listę kandydatów, którą laboratorium szybko weryfikuje eksperymentalnie.

Badacze podkreślają, że nie zastępuje to eksperymentów. Jednocześnie radykalnie zawęża przestrzeń poszukiwań. W praktyce oznacza to przejście od losowej selekcji do projektowania z intencją. Co więcej, pierwsze projekty spełniają już wiele kryteriów stawianych cząsteczkom o potencjale terapeutycznym.

Od selekcji do projektowania de novo

Jeszcze niedawno przeciwciała stanowiły duże wyzwanie dla algorytmów. Szczególnie trudne okazywały się pętle CDR, czyli fragmenty bezpośrednio odpowiadające za rozpoznanie celu. Są one elastyczne i zmienne, przez co klasyczne modele strukturalne często traciły dokładność.

Ostatni rok przyniósł jednak istotny postęp. Ulepszone modele lepiej przewidują geometrię pętli CDR. Dzięki temu zespoły z MIT, Stanfordu i Uniwersytetu Waszyngtońskiego zaczęły projektować przeciwciała de novo, bez punktu wyjścia w postaci istniejącej cząsteczki. Tym samym skróciły wieloetapowe rundy optymalizacji.

Coraz większą uwagę przyciągają również nanoprzeciwciała. To uproszczone, jednopasmowe formy inspirowane cząsteczkami występującymi m.in. u wielbłądów i rekinów. Mają mniejszy rozmiar i prostszą budowę, co ułatwia ich projektowanie oraz produkcję na skalę przemysłową.

W testach laboratoryjnych wystarczyło kilkanaście projektów wygenerowanych przez algorytmy. Część z nich wykazała silne wiązanie z białkami związanymi z nowotworami i infekcjami. Jednocześnie zachowały stabilność i właściwości fizykochemiczne typowe dla leków biologicznych.

To już nie pojedyncze eksperymenty akademickie. W efekcie rośnie realna szansa na przeniesienie tych technologii do praktyki klinicznej. Badacze łączą dziś predykcję struktury z oceną rozpuszczalności i skłonności do agregacji, zamykając krótką pętlę projekt–test–poprawa.

Trudne cele i droga do badań klinicznych

Największe ambicje deklarują startupy biotechnologiczne. Firmy takie jak Nabla Bio czy Chai Discovery informują o projektach pełnowymiarowych przeciwciał w formacie IgG. To istotne, ponieważ właśnie ten format dominuje we współczesnej farmakoterapii.

Szczególnym wyzwaniem pozostają receptory sprzężone z białkiem G, czyli GPCR. Ta ogromna rodzina białek reguluje kluczowe procesy sygnałowe w komórkach. Jednocześnie receptory te zmieniają konformację i ukrywają miejsca wiązania, co przez lata utrudniało projektowanie przeciwciał.

Nowe algorytmy podchodzą do tego problemu inaczej. Projektują cząsteczki dopasowane do konkretnych stanów receptora. W badaniach in vitro wykazują one siłę wiązania porównywalną z lekami dostępnymi na rynku. Co więcej, spełniają wymagania produkcyjne i zachowują stabilność.

Granice sztucznej inteligencji nadal jednak istnieją. Modele gorzej przewidują zachowanie cząsteczek w złożonym środowisku organizmu. Dlatego testy na komórkach, zwierzętach i w badaniach klinicznych pozostają niezbędne. Algorytmy skracają drogę do najlepszego startu, ale nie zastępują całego procesu.

Równie ważne jest bezpieczeństwo. Przeciwciała zaprojektowane od zera mogą wywołać odpowiedź immunologiczną. Z tego powodu badacze analizują immunogenność równie wcześnie jak stabilność czy możliwość produkcji. W efekcie standardy „drug-like” przesuwają się na sam początek projektowania.

Jeśli ten trend się utrzyma, sztuczna inteligencja stanie się stałym narzędziem biologii molekularnej. Komputer wskaże najlepszych kandydatów, laboratorium szybko ich zweryfikuje, a zespoły skupią się na bezpieczeństwie i doborze wskazań. To może znacząco zmienić krajobraz terapii biologicznych.