Nowe badanie opublikowane w recenzowanym czasopiśmie Human Gene Therapy opisuje model uczenia maszynowego (ML), który może służyć jako substytut czasochłonnych eksperymentów in vitro. To podejście in silico ma na celu zwiększenie przydatności klinicznej kapsydów wirusa AAV (adeno-associated virus), co może uczynić terapie genowe bardziej opłacalnymi dla pacjentów.
Opracowanie kapsydów AAV o zwiększonej wydajności, czyli tzw. przydatności (ang. fitness), jest kluczową strategią w ograniczaniu kosztów produkcji, co przyczynia się do obniżenia kosztów terapii genowych.
Christian Mueller i współautorzy z firmy Sanofi opisują nowoczesny model ML, który przewiduje przydatność zmutowanych kapsydów AAV2 na podstawie sekwencji aminokwasów pojedynczego monomeru kapsydu.
„Łącząc model językowy białek (PLM) z klasycznymi technikami uczenia maszynowego, nasz model osiągnął bardzo wysoką dokładność predykcji (korelacja Pearsona = 0,818) w odniesieniu do przydatności kapsydów” – stwierdzili badacze. „Co istotne, testy na całkowicie niezależnych zbiorach danych wykazały odporność i możliwość uogólnienia modelu, nawet dla wielokrotnie zmutowanych kapsydów AAV.”
„Pojawienie się metod opartych na sztucznej inteligencji (AI) to ekscytujący rozwój w dziedzinie inżynierii kapsydów, który ma potencjał, by być bardziej systematyczny, kompleksowy i opłacalny niż tradycyjne strategie ewolucji ukierunkowanej i projektowania racjonalnego. Badanie Wu i współpracowników to duży krok naprzód w rozwijaniu narzędzi AI w terapii genowej” – komentuje dr Thomas Gallagher, redaktor zarządzający Human Gene Therapy z University of Massachusetts Chan Medical School.
Źródło: Human Gene Therapy
DOI: 10.1089/hum.2024.227
