Kunstmatige intelligentie (AI) zorgt voor een snelle transformatie op het gebied van immuuntherapie. Onderzoekers van het Vanderbilt University Medical Center hebben een door AI aangestuurd ‘eiwittaal’-model ontwikkeld dat het ontwerp van monoklonale antilichamen, de belangrijkste moleculen die worden gebruikt om ernstige virale infecties zoals RSV en aviaire influenza te voorkomen of te behandelen, aanzienlijk kan versnellen.
De doorbraak, die onlangs is gepubliceerd in Cell, laat zien hoe AI functionele menselijke antilichamen kan ontwerpen zonder dat een bestaande antilichaamsequentie als uitgangspunt nodig is. Dit zou een revolutie teweeg kunnen brengen in de manier waarop nieuwe biologische geneesmiddelen worden ontwikkeld, waardoor het mogelijk wordt om binnen enkele weken in plaats van maanden of jaren te reageren op opkomende virale bedreigingen.
Van taalmodellen naar immuunafweer
De technologie is gebaseerd op dezelfde principes als generatieve taalmodellen, zoals ChatGPT, maar is getraind op eiwitgegevens in plaats van menselijke taal. Hierdoor kan het model de complexe biologische grammatica ‘begrijpen’ die bepaalt hoe eiwitten zich vouwen en op elkaar inwerken.
Het model van het team, MAGE (Monoclonal Antibody Generator) genaamd, werd getraind op basis van eerder bekende antilichamen die gericht zijn tegen een specifieke stam van H5N1-vogelgriep. Vervolgens was het in staat om nieuwe antilichamen te genereren die effectief verwante virusstammen herkenden die het systeem nog nooit eerder had gezien.
“Deze studie is een belangrijke stap in de richting van ons uiteindelijke doel: het volledig met de computer ontwerpen van nieuwe biologische geneesmiddelen en deze vertalen naar klinische toepassingen”, aldus professor Ivelin Georgiev, Ph.D., directeur van het Vanderbilt Program in Computational Microbiology and Immunology. “Dergelijke benaderingen kunnen de volksgezondheid fundamenteel verbeteren en kunnen veel verder worden toegepast dan alleen bij infectieziekten, bijvoorbeeld bij kanker, auto-immuunziekten en neurologische aandoeningen.”
Sneller, schaalbaar en aanpasbaar
Traditionele antilichaamontdekking is afhankelijk van bloedmonsters van geïnfecteerde patiënten of fysieke antigenen van een virus, een proces dat maanden kan duren. AI-gebaseerde modellering maakt daarentegen snelle virtuele screening en ontwerp mogelijk, waardoor onderzoekers snel muterende pathogenen en potentiële pandemieën voor kunnen blijven.
Hoofdauteur Perry Wasdin, Ph.D., datawetenschapper in het laboratorium van Georgiev, benadrukt de schaalbaarheid van het model: “Omdat het systeem algemene regels van antilichaam-antigeeninteractie leert, kan het worden aangepast aan geheel nieuwe virale families.”
Wereldwijde samenwerking
Aan het project werkten wetenschappers uit de Verenigde Staten, Australië en Zweden mee, wat de internationale inspanningen om AI in te zetten voor biomedische innovatie onderstreept. Andere medewerkers van Vanderbilt zijn Alexis Janke, Toma Marinov, Gwen Jordaan, Olivia Powers, Matthew Vukovich, Clinton Holt en Alexandra Abu-Shmais.
Georgiev voorziet een toekomst waarin AI-systemen de virale evolutie continu monitoren en op verzoek kandidaat-antilichamen genereren, klaar om binnen enkele dagen te worden gesynthetiseerd en getest. “Als we de volgende virale uitbraak kunnen voorkomen met computationeel ontworpen antilichamen,” merkte Georgiev op, “kunnen we niet alleen tijd besparen, maar ook talloze levens redden.”
Deze AI-gedreven aanpak betekent een belangrijke verschuiving in biomedisch onderzoek: van arbeidsintensieve ontdekkingen naar geautomatiseerde, voorspellende geneeskunde, waarbij de volgende verdedigingslinie tegen wereldwijde gezondheidsbedreigingen mogelijk in code wordt geschreven.
AI voorspelt progressie auto-imuunziekten
Begin dit jaar ontwikkelden onderzoekers van het Penn State College of Medicine een nieuwe AI-methode die de progressie van auto-immuunziekten kan voorspellen bij mensen met vroege of preklinische symptomen. Auto-immuunziekten ontstaan wanneer het immuunsysteem gezonde cellen aanvalt. In het preklinische stadium treden vaak milde klachten of bepaalde antilichamen op, maar niet iedereen ontwikkelt uiteindelijk een volledige ziekte.
De AI-analyse combineert gegevens uit genetische studies en elektronische patiëntendossiers om een nauwkeurige risicoscore te berekenen. De nieuwe methode, de Genetic Progression Score (GPS), maakt gebruik van transfer learning om kennis van grote genetische datasets te benutten voor kleinere patiëntengroepen. Hierdoor kan het model beter voorspellen wie risico loopt op ziekteprogressie.
In vergelijking met bestaande modellen is GPS 25 tot 1000 procent nauwkeuriger in het voorspellen van ziekteontwikkeling. Volgens projectleider prof. Dajiang Liu biedt de technologie mogelijkheden voor vroegtijdige behandeling en gepersonaliseerde medicatie om de ziekteprogressie te vertragen.
