在人類與病毒性病原體的博弈中，發(fā)現(xiàn)強(qiáng)有力的中和抗體（neutralizing antibody，nab）應(yīng)用于治療是重要“武器”之一。在天然抗體或人工設(shè)計(jì)抗體中，作用機(jī)制和中和能力的研究過程，往往需要耗費(fèi)大量的實(shí)驗(yàn)來檢測和探究，同時(shí)也是“人與病毒”賽跑中的關(guān)鍵限速環(huán)節(jié)。如何快速、精準(zhǔn)預(yù)測未知抗體的中和能力及其作用靶點(diǎn)，在傳統(tǒng)的抗體藥物研發(fā)領(lǐng)域中仍需進(jìn)一步突破的關(guān)鍵科學(xué)問題。
2022年11月7日，復(fù)旦大學(xué)基礎(chǔ)醫(yī)學(xué)院陸路團(tuán)隊(duì)聯(lián)合商湯科技（sensetime）張少霆、張捷等人在Nature子刊Nature Machine Intelligence上發(fā)表了題為：Predicting unseen antibodies'neutralizability via adaptive graph neural networks的研究論文。
該研究首次提出了一個(gè)深度“抗體-抗原”交互算法模型（a deep Ab-Ag interaction algorithm，簡稱DeepAAI）。DeepAAI有別于經(jīng)典的序列比對的方法，而是通過深度學(xué)習(xí)的方法“動態(tài)適應(yīng)性地”學(xué)習(xí)未知抗體與已知抗體的關(guān)系（Adaptive Relation Graph），從而避免了AI算法對于未知抗體冷啟動的問題，達(dá)到有效地預(yù)測未知抗體的中和能力。此外，DeepAAI還具有較好的解釋性，能為抗原抗體的結(jié)合位點(diǎn)提供線索；分析同一病毒不同變種和亞變種之間的相似關(guān)系，為某病毒出現(xiàn)的新亞種推薦可能的中和抗體。
DeepAAI另一個(gè)特點(diǎn)是它基于序列數(shù)據(jù)。雖然真實(shí)的三級結(jié)構(gòu)數(shù)據(jù)能提高AI算法的預(yù)測準(zhǔn)確性，但是現(xiàn)實(shí)世界（real-world）中大量抗體的三級結(jié)構(gòu)是未知的。DeepAAI放棄了先根據(jù)序列預(yù)測結(jié)構(gòu)，再隨后根據(jù)預(yù)測出的結(jié)構(gòu)再預(yù)測抗原抗體相互作用的這種串聯(lián)AI算法的模式，而是直接基于序列提取足夠的有效特征用于預(yù)測相互作用。這就避免了“在第1步中的誤差在第2步中被累積和指數(shù)級放大”的風(fēng)險(xiǎn)。同時(shí)，現(xiàn)實(shí)世界中大量存在的序列數(shù)據(jù)也可以增強(qiáng)AI算法的實(shí)用性。
為了全面評估DeepAAI的預(yù)測能力，該研究以艾滋病病毒（HIV）、新冠病毒（SARS-CoV-2）、流感病毒（infuenza）和登革病毒（dengue）為模型病毒，開展了深入研究。DeepAAI對這些病毒的抗體的中和能力展示出一定程度的精準(zhǔn)預(yù)測。
考慮到目前大量SARS-CoV-2變異株的出現(xiàn)，尤其是Omicron亞型，該研究所報(bào)道的DeepAAI模型有可能為抗體藥物優(yōu)化，以及廣譜抗病毒抗體的研發(fā)提供思路。
