Dans une étude récente publiée dans Intelligence des machines naturellesune équipe de chercheurs a utilisé un algorithme d’interaction anticorps-antigène profond (DeepAAI) pour comprendre les représentations d’anticorps d’anticorps invisibles afin d’accélérer la découverte de nouveaux anticorps avec des applications thérapeutiques potentielles.
Sommaire
Arrière plan
On pense que le corps humain produit des anticorps de l’ordre de 1020 lors d’une réponse immunitaire à des infections virales. Parmi ceux-ci, seule une petite partie a des effets neutralisants sur le virus. Certains anticorps ne font qu’opsoniser l’antigène. Par rapport à la neutralisation, où l’anticorps est directement impliqué dans la prévention de la liaison de l’agent pathogène à la cellule hôte, l’opsonisation est un processus dans lequel l’anticorps marque l’agent pathogène pour destruction par phagocytose effectuée par les macrophages.
Un grand nombre d’anticorps générés au cours d’une réponse immunitaire restent invisibles et leurs interactions antigéniques ne peuvent être détectées que par des expériences en laboratoire humide gourmandes en ressources et en temps, telles que le dosage immuno-enzymatique (ELISA), la présentation de phages, les dosages pseudoviraux, etc. Les méthodes informatiques qui peuvent effectuer des criblages préliminaires pour la neutralisation de l’antigène peuvent accélérer l’identification de nouveaux anticorps en réduisant les cibles pour les expériences en laboratoire humide.
À propos de l’étude
Dans la présente étude, les chercheurs ont utilisé l’algorithme DeepAAI composé de deux réseaux neutres – le réseau de neurones convolutifs (CNN) et le réseau convolutif de graphe relationnel adaptatif (AR-GCN) – pour prédire la capacité de neutralisation de l’antigène des anticorps invisibles et pour examiner le caractéristiques locales à l’intérieur de l’antigène et de l’anticorps.
La prédiction des interactions anticorps-antigène est basée sur la prédiction des sites de liaison antigène-anticorps, la différenciation des liants des non-liants et le déchiffrement des effets de neutralisation par rapport à la non-neutralisation de l’interaction. Alors que d’autres études ont tenté d’utiliser GCN et CNN pour prédire les sites de liaison et distinguer les liants des non-liants, certains des défis de ces méthodes incluent un problème de démarrage à froid en raison de l’absence d’informations sur la neutralisation de l’antigène pour les anticorps invisibles et le manque de descripteurs protéiques optimaux pour représenter les anticorps et les antigènes.
L’algorithme DeepAAI construit deux graphiques de relation adaptative entre les anticorps et les antigènes à l’aide de l’AR-GCN et utilise le lissage laplacien pour la représentation des anticorps invisibles et des antigènes vus. Les attributs des nœuds dans les graphiques de relations véhiculent les représentations des anticorps et des antigènes, et les poids des bords fournissent des informations sur les relations anticorps-antigène.
De plus, alors que l’AR-GCN détermine les caractéristiques globales des anticorps et des antigènes qui sont basées sur les interactions entre eux, un module CNN détermine les caractéristiques locales des acides aminés à l’interface antigène et anticorps, qui ont un impact sur leurs affinités.
En outre, l’étude a évalué la performance de l’algorithme DeepAAI dans l’identification de représentations d’anticorps invisibles en utilisant le coronavirus 2 du syndrome respiratoire aigu sévère (SRAS-CoV-2), la dengue, la grippe et le virus de l’immunodéficience humaine (VIH).
Les performances de DeepAAI et de ses variantes, qui incluent des combinaisons de fonctionnalités globales telles que des matrices de notation spécifiques à la position (PSSM) et k-Le comptage de fréquence mer (kmer) et les caractéristiques locales représentées par des séquences (seq) ont été comparés à huit méthodes de base. Les méthodes de base comprenaient quatre types de modèles basés sur les séquences – ceux qui prédisent les sites de liaison, ceux qui prédisent les interactions protéine-protéine, les modèles séquentiels classiques et ceux qui ont réussi dans les expériences en laboratoire humide.
Résultats
Les résultats de l’évaluation de DeepAAI sur des anticorps invisibles du VIH ont révélé que les trois variantes de DeepAAI – DeepAAI (PSSM + seq), DeepAAI (kmer + seq) et DeepAAI (PSSM + kmer + seq) – ont obtenu de meilleurs résultats que les huit valeurs de référence méthodes d’exactitude, de précision et de score F1 pour prédire la neutralisabilité d’anticorps anti-VIH invisibles.
Dans les expériences avec le SARS-CoV-2, DeepAAI a pu recommander 50 des 2 587 anticorps contre le SARS-CoV-2 comme anticorps à large spectre avec une capacité de neutralisation potentielle contre la variante Omicron.
Lorsqu’il a été évalué à l’aide d’anticorps contre la grippe et la dengue, le DeepAAI (kmer + seq) a surpassé la meilleure méthode de référence pour prédire les anticorps antigrippaux invisibles, mais aucune différence significative de performance n’a pu être observée entre les variantes DeepAAI et les meilleures méthodes de référence pour les anticorps anti-dengue invisibles.
conclusion
Dans l’ensemble, l’algorithme DeepAAI et ses variantes ont surpassé toutes les méthodes de base pour prédire la capacité de neutralisation d’anticorps invisibles contre divers virus, dont le VIH et le SRAS-CoV-2.
L’algorithme DeepAAI, disponible sur un service Web avec des données et des codes gratuits, peut être utilisé pour le dépistage préliminaire d’anticorps invisibles afin de déterminer les effets neutralisants ou non neutralisants des interactions anticorps-antigène et pour déterminer la concentration inhibitrice demi-maximale (IC50) valeurs pour décider des expériences ultérieures en laboratoire humide. De plus, les auteurs pensent que puisque l’algorithme ne nécessite pas de connaissance des structures des anticorps et des antigènes et utilise des données de séquence d’acides aminés, il est propice aux applications dans le monde réel.
