Új diffúziós modell javítja az antitest-tervezést — rugalmasabb generálást ígér
A mesterséges intelligencia alapú antitest-tervezés kulcsfontosságú a modern gyógyászatban, de a kívánt kötési és fejleszthetőségi tulajdonságokkal rendelkező antitestek létrehozása eddig komoly kihívást jelentett.
Új diszkrét diffúziós modell segíti az antitest-szekvenciák generálását, amely rugalmasabb feltételes tervezést és biológiailag releváns szomatikus variációkat kínál — írja az arXiv-on megjelent tanulmány. A kutatók szerint a meglévő fehérje nyelvi modellek (pLM) gyakran csak a germline szekvenciákat memorizálják, nem pedig a biológiailag értelmes szomatikus variációkat modellezik.
A fejlesztők két fő hozzájárulással orvosolták ezeket a problémákat. Először is, a diszkrét diffúziós finomhangolás segítségével erős nyelvi modellezési teljesítményt értek el az antitest-szekvenciákon, lehetővé téve a generálást bármilyen osztályozóval feltételezve. Másodszor, bevezették a germline-abszorbáló diffúziót, amely a diszkrét diffúziós zajfolyamat új módosítása, ahol a germline szekvencia kulcsszerepet játszik.
Az antitest-terápiák a legsikeresebb modern gyógyszerek közé tartoznak, de a kívánt kötési és fejleszthetőségi tulajdonságokkal rendelkező antitestek számítógépes tervezése továbbra is nehéz feladat. Ez a megközelítés ígéretes utat nyit a hatékonyabb és specifikusabb antitestek tervezéséhez, ami felgyorsíthatja a gyógyszerfejlesztési folyamatokat.
A ComRAM keretrendszer 200 MB helyett 2 MB-ból dolgozik, miközben a SLAM-pontosság változatlan marad — mutatja a Stanford és a Google Robotics közös tanulmánya. A modell a Glycoengineering területén is alkalmazható, például a terápiás antitestek optimalizálásában.