研究人员提出了一种深度抗体-抗原相互作用算法来加速潜在治疗性抗体的识别

人们认为，在对病毒感染的免疫反应期间，人体会产生大约 1020的抗体。其中，只有一小部分对病毒有中和作用。一些抗体仅调理抗原。与抗体直接参与防止病原体与宿主细胞结合的中和相比，调理作用是抗体标记病原体以通过巨噬细胞进行的吞噬作用破坏的过程。

在免疫反应过程中产生的大量抗体仍然看不见，它们的抗原相互作用只能通过资源和时间密集的湿实验室实验来检测，例如酶联免疫吸附试验 (ELISA)、噬菌体展示、假病毒试验、可以进行抗原中和初步筛选的计算方法可以通过缩小湿实验室实验的目标来加速新抗体的鉴定。

关于研究

在本研究中，研究人员使用由两个中性网络(卷积神经网络(CNN)和自适应关系图卷积网络(AR-GCN))组成的 DeepAAI 算法来预测未见抗体的抗原中和能力并检查抗原和抗体内部的局部特征。

预测抗体-抗原相互作用是基于预测抗原-抗体结合位点，区分结合剂与非结合剂，以及破译相互作用的中和与非中和效应。虽然其他研究试图使用 GCN 和 CNN 来预测结合位点并区分结合剂和非结合剂，但这些方法中的一些挑战包括由于缺乏未见抗体的抗原中和信息以及缺乏代表抗体和抗原的最佳蛋白质描述符。

DeepAAI 算法使用 AR-GCN 构建抗体和抗原之间的两个自适应关系图，并使用拉普拉斯平滑来表示未见抗体和已见抗原。关系图中节点的属性传达了抗体和抗原的表示，边缘权重提供了抗体-抗原关系的信息。

此外，虽然 AR-GCN 根据它们之间的相互作用确定抗体和抗原的全局特征，但 CNN 模块确定抗原和抗体界面处氨基酸的局部特征，这会影响它们的亲和力。

此外，该研究评估了 DeepAAI 算法在使用严重急性呼吸综合征冠状病毒 2 (SARS-CoV-2)、登革热、流感和人类免疫缺陷病毒 (HIV) 识别看不见的抗体表示方面的性能。

将 DeepAAI 及其变体的性能与八种基线方法进行了比较，其中包括全局特征的组合，例如位置特定评分矩阵 ( PSSM) 和kmer频率计数 (kmer) 以及由序列表示的局部特征 (seq)。基线方法包括四种基于序列的模型——预测结合位点的模型、预测蛋白质-蛋白质相互作用的模型、经典的序列模型以及在湿实验室实验中成功的模型。

结果

DeepAAI 对看不见的 HIV 抗体的评估结果表明，DeepAAI 的所有三种变体——DeepAAI (PSSM + seq)、DeepAAI (kmer + seq) 和 DeepAAI (PSSM + kmer + seq)——的表现都优于八个基线预测未见 HIV 抗体中和性的准确性、精密度和 F1 评分方法。

在 SARS-CoV-2 的实验中，DeepAAI 能够推荐 2,587 种针对 SARS-CoV-2 的抗体中的 50 种作为具有潜在中和 Omicron 变体能力的广谱抗体。

标签：