Novo modelo computacional prevê estruturas de anticorpos com mais precisão

Inovações em inteligência artificial para prever estruturas de proteínas

Pesquisadores têm adaptado modelos de inteligência artificial, conhecidos como modelos de linguagem, para prever a estrutura de proteínas a partir de suas sequências. No entanto, este método ainda encontra desafios ao lidar com anticorpos, devido à hipervariabilidade dessas proteínas.

Avanço no estudo de anticorpos

Para superar essa limitação, pesquisadores do MIT desenvolveram uma técnica computacional que permite a modelos de linguagem prever estruturas de anticorpos com maior precisão. Essa inovação pode possibilitar a triagem de milhões de anticorpos para identificar aqueles que podem ser usados no tratamento de doenças infecciosas como a COVID-19.

Bonnie Berger, professora de Matemática do MIT e uma das autoras do estudo, destaca que o novo método pode evitar que empresas farmacêuticas avancem com testes clínicos de compostos ineficazes, economizando recursos significativos.

Impacto na análise de repertórios de anticorpos

A técnica também pode ser usada para analisar repertórios completos de anticorpos de indivíduos, o que é promissor para estudar a resposta imunológica de pessoas que respondem de maneira eficaz a doenças como o HIV.

O estudo, publicado na Proceedings of the National Academy of Sciences, conta com a coautoria de Bryan Bryson, professor de engenharia biológica do MIT, e Rohit Singh, professor assistente da Universidade Duke.

Modelagem da hipervariabilidade

Anticorpos possuem regiões hipervariáveis que variam em comprimento e são cruciais para a ligação a antígenos. O modelo desenvolvido, chamado AbMap, prevê estruturas de anticorpos e sua força de ligação baseando-se em suas sequências de aminoácidos.

Os pesquisadores demonstraram a eficácia do AbMap ao prever estruturas de anticorpos que neutralizam o vírus SARS-CoV-2 com precisão superior aos modelos tradicionais.

Implicações para o desenvolvimento de medicamentos

A identificação precoce de bons candidatos a anticorpos pode ajudar empresas farmacêuticas a evitar custos elevados com testes de candidatos que falham nas fases avançadas de desenvolvimento. Rohit Singh, um dos autores do estudo, comenta sobre a importância de ter várias opções de anticorpos para evitar surpresas indesejadas.

Explorando respostas imunes

Pesquisadores podem utilizar essa técnica para investigar por que diferentes indivíduos respondem de maneira distinta a infecções, como as variações na gravidade da COVID-19. O modelo permite uma análise mais aprofundada ao gerar rapidamente estruturas para todos os anticorpos de um indivíduo, mostrando uma maior semelhança entre repertórios de anticorpos de diferentes pessoas do que previamente estimado.

O estudo foi financiado pela Sanofi e pela Clínica Abdul Latif Jameel para Aprendizado de Máquina em Saúde.