2022年11月7日,复旦大学基础医学院陆路团队联合商汤科技(sensetime)张少霆、张捷等人在Nature子刊Nature Machine Intelligence上发表了题为:Predicting unseen antibodies'neutralizability via adaptive graph neural networks的研究论文。
该研究首次提出了一个深度“抗体-抗原”交互算法模型(a deep Ab-Ag interaction algorithm,简称DeepAAI)。DeepAAI有别于经典的序列比对的方法,而是通过深度学习的方法“动态适应性地”学习未知抗体与已知抗体的关系(Adaptive Relation Graph),从而避免了AI算法对于未知抗体冷启动的问题,达到有效地预测未知抗体的中和能力。此外,DeepAAI还具有较好的解释性,能为抗原抗体的结合位点提供线索;分析同一病毒不同变种和亚变种之间的相似关系,为某病毒出现的新亚种推荐可能的中和抗体。
DeepAAI另一个特点是它基于序列数据。虽然真实的三级结构数据能提高AI算法的预测准确性,但是现实世界(real-world)中大量抗体的三级结构是未知的。DeepAAI放弃了先根据序列预测结构,再随后根据预测出的结构再预测抗原抗体相互作用的这种串联AI算法的模式,而是直接基于序列提取足够的有效特征用于预测相互作用。这就避免了“在第1步中的误差在第2步中被累积和指数级放大”的风险。同时,现实世界中大量存在的序列数据也可以增强AI算法的实用性。
为了全面评估DeepAAI的预测能力,该研究以艾滋病病毒(HIV)、新冠病毒(SARS-CoV-2)、流感病毒(infuenza)和登革病毒(dengue)为模型病毒,开展了深入研究。DeepAAI对这些病毒的抗体的中和能力展示出一定程度的精准预测。
考虑到目前大量SARS-CoV-2变异株的出现,尤其是Omicron亚型,该研究所报道的DeepAAI模型有可能为抗体药物优化,以及广谱抗病毒抗体的研发提供思路。