Ещё одна интересная работа о применении машинного обучения и искусственного интеллекта для анализа антител.

Группа исследователей из Китая опубликовала в PLOS ONE работу, в которой они с помощью вычислительных моделей классифицировали специфичность антител, используя только последовательности их тяжёлых цепей. Ранее уже было много работ, где структуру антител и их связывание с антигенами предсказывали с помощью AlphaFold и других глубоких нейросетей. Однако все эти подходы требуют наличия пар тяжёлых и лёгких цепей, а также структурных данных, которые доступны далеко не для всех антител.

В новой работе авторы впервые показали, что даже без информации о лёгкой цепи и без трёхмерной структуры, используя только физико-химические свойства, порядок аминокислот и эволюционную информацию, можно с точностью около 80% определить, против какого патогена направлено антитело. Наибольшую точность показал ансамблевый классификатор Stacking, немного опередив CatBoost. Важно, что применение SHAP-анализа позволило выявить основные аминокислоты, оказывающие влияние на специфичность: ими оказались цистеин, изолейцин, гистидин и фенилаланин. Причём цистеин, оказался самым важным признаком, что в очередной раз подтверждает его важную роль в стабилизации структуры антител. Разные классы антител имели свои особенные характеристики: так, антитела против туберкулёза сильнее всего коррелировали с аланином, а против SARS-CoV-2 — с изолейцином.

Таким образом, показано, что даже по одной только тяжёлой цепи, с помощью правильно подобранных признаков, можно классифицировать антитела по специфичности. Авторы позиционируют свой подход как инструмент первичного высокопроизводительного скрининга, позволяющий из миллионов последовательностей, полученных при репертуарном секвенировании, быстро отбирать кандидатов для дальнейшего экспериментального тестирования. Это особенно важно на ранних стадиях разработки терапевтических антител, когда структурные данные и парные последовательности часто недоступны.