機械学習により、ワクチンと免疫療法のための強力な免疫調節剤が発見される

免疫調節剤と呼ばれる小分子は、より効果的なワクチンやがん治療のためのより強力な免疫療法の作成に役立ちます。

しかし、適切な免疫反応を引き起こす分子を見つけるのは困難です。薬物のような小分子の数は 10 個と推定されています。⁶⁰目に見える宇宙の星の数よりもはるかに多い。

ワクチン設計の分野では初となる可能性があり、機械学習は新しい免疫経路を強化する分子の発見を導き、市場で最高の免疫調節剤を上回る可能性がある特定の小分子を発見しました。 結果は雑誌に掲載されます 化学科学。

論文の共著者で実験を主導したアーロン・エッサー・カーン教授は、「私たちは人工知能の手法を利用して、巨大な化学空間の探索をガイドした」と述べた。 「そうすることで、人間が試してみようとは誰も思わなかった記録レベルの性能を持つ分子を発見しました。このプロセスの青写真を共有できることに興奮しています。」

「機械学習は創薬では多用されているが、免疫調節剤の発見ではこれまでこのようには使われていなかったようだ」と機械学習を主導したアンドリュー・ファーガソン教授は述べた。 「これは、ツールをある分野から別の分野に移す良い例です。」

分子をスクリーニングするための機械学習

免疫調節剤は、体内の自然免疫経路のシグナル伝達活性を変化させることによって機能します。 特に、NF-κB 経路は炎症と免疫活性化に役割を果たしますが、IRF 経路は抗ウイルス反応に不可欠です。

今年の初めに、PME チームは、分子の 40,000 の組み合わせを調べて、これらの経路に影響を与えるものがないかどうかを確認するハイスループット スクリーニングを実施しました。 次に、彼らは上位の候補をテストし、それらの分子をアジュバントに添加すると、次のことが判明した。 ワクチンの免疫反応を高めるのに役立つ成分 -; この分子は抗体反応を増加させ、炎症を軽減しました。

より多くの候補を見つけるために、チームはこれらの結果を約 140,000 の市販の小分子のライブラリと組み合わせて使用​​し、反復的な計算および実験プロセスを導きました。

大学院生の Yifeng (Oliver) Tang 氏は、アクティブ ラーニングと呼ばれる機械学習手法を使用しました。この手法は、探索と活用の両方を組み合わせて、分子空間での実験スクリーニングを効率的にナビゲートします。 このアプローチは、以前に収集されたデータから学習し、実験的にテストすべき潜在的な高性能分子を見つけると同時に、これまで十分に調査されておらず、いくつかの貴重な候補が含まれている可能性のある領域も指摘します。

このプロセスは反復的でした。 モデルは、より多くの情報が必要な潜在的な優れた候補や領域を指摘し、チームはそれらの分子のハイスループット分析を実施し、そのデータをアクティブ ラーニング アルゴリズムにフィードバックしました。

他の分子よりも優れた性能を発揮する分子

4 サイクル後 -; そして最終的にはライブラリーの約 2% だけをサンプリングしました -; 研究チームは、これまで発見されたことのない高性能の小分子を発見しました。 これらの最高性能の候補は、NF-κB 活性を 110% 改善し、IRF 活性を 83% 上昇させ、NF-κB 活性を 128% 抑制しました。

ある分子は、いわゆる STING (インターフェロン遺伝子刺激剤) アゴニストと一緒に送達されると、IFN-β 産生の 3 倍の増強を誘導しました。 STING アゴニストは腫瘍内でより強力な免疫反応を促進し、がんの有望な治療法です。

STING の課題は、腫瘍内で十分な免疫活性を得ることができないこと、またはターゲット外の活性があることです。 私たちが発見した分子は、公表されている最高の分子よりも 20% 優れた性能を発揮しました。」

論文の共著者、アーロン・エッサー・カーン教授

彼らはまた、何人かの「ジェネラリスト」も見つけました -; 細胞受容体を活性化して生物学的反応を引き起こす化学物質であるアゴニストと同時送達されると、経路を変更できる免疫調節剤。 これらの小分子は、最終的にはより広範囲のワクチンに使用される可能性があります。

ファーガソン氏は「これらのジェネラリストはあらゆるワクチンにわたって優れている可能性があるため、市場投入が容易になる可能性がある」と述べた。 「1 つの分子が多面的な役割を果たす可能性があるというのは、非常に興味深いことです。」

機械学習によって発見された分子をより深く理解するために、チームはまた、望ましい動作を促進する分子の共通の化学的特徴も特定しました。 「これにより、これらの特性を持つ分子に焦点を当てたり、これらの化学基を持つ新しい分子を合理的に操作したりすることが可能になります」とファーガソン氏は述べた。

研究チームは、より多くの分子を探索するためにこのプロセスを継続し、この分野の他の研究者がデータセットを共有して探索がさらに実りあるものになることを期待している。 彼らは、特定の T 細胞の活性化など、より特異的な免疫活性について分子をスクリーニングしたり、免疫応答をより適切に制御できる分子の組み合わせを見つけたりしたいと考えています。

「最終的には、病気を治療できる分子を見つけたいと考えています」とエッサーカーン氏は語った。

シカゴ大学プリツカー分子工学大学院 (PME) のチームは、機械学習を使用して、この広大な探索空間のハイスループット実験スクリーニングをガイドすることで、この問題に取り組みました。