Onderzoekers van Yale University hebben een nieuw machine learning-model ontwikkeld dat kan helpen bij het ontwerpen van gepersonaliseerde vaccins, onder meer voor kanker. Het model, Immunostruct, ondersteunt onderzoekers bij het identificeren van peptidefragmenten die een sterke immuunreactie kunnen opwekken.
Wanneer het lichaam wordt blootgesteld aan een virus of tumor herkennen immuuncellen specifieke korte eiwitfragmenten, zogeheten peptiden, op het oppervlak van deze indringers. Het deel van het molecuul waarop het immuunsysteem reageert wordt een epitoop genoemd.
Vaccins die gebaseerd zijn op deze epitopen vormen een opkomende technologie binnen de immunotherapie. Ze bevatten specifieke peptidefragmenten die een gerichte immuunrespons moeten opwekken tegen bijvoorbeeld tumoren. Lopend onderzoek suggereert dat dergelijke vaccins potentieel hebben bij verschillende vormen van kanker, waaronder melanomen, borstkanker en glioblastomen. Ook wordt onderzocht of deze aanpak effectief kan zijn tegen nieuwe varianten van infectieziekten.
Bestaande AI-modellen beperkt
Bij de ontwikkeling van epitoop-vaccins worden vaak computermodellen gebruikt om te voorspellen welke peptiden de sterkste immuunreactie zullen uitlokken. Volgens de onderzoekers hebben veel bestaande modellen echter een belangrijke beperking: ze behandelen peptiden vooral als een lineaire reeks aminozuren.
In werkelijkheid functioneren deze moleculen als driedimensionale structuren met specifieke biochemische eigenschappen. Die ruimtelijke informatie blijft in veel AI-modellen grotendeels buiten beschouwing.
Multimodaal model
Het nieuwe Immunostruct-model, beschreven in Nature Machine Intelligence, probeert dit probleem te ondervangen door meerdere soorten data te combineren. Het model analyseert niet alleen aminozuursequenties, maar integreert ook structurele en biochemische eigenschappen van peptiden.
Volgens de onderzoekers levert die combinatie betere voorspellingen op. In de studie bleek dat de integratie van deze verschillende databronnen de prestaties van het model aanzienlijk verbeterde bij het identificeren van mogelijke vaccinkandidaten.
“Kanker is uiterst heterogeen, waardoor het vaak erg moeilijk is om effectief te behandelen”, zegt Kevin B. Givechian, coauteur van de studie. “We hebben een deep learning-model ontwikkeld dat meer informatie integreert dan voorheen werd gecombineerd, zodat we beter kunnen bepalen welke vaccins het immuunsysteem van mensen tegen hun eigen tumor stimuleren. Hierdoor zou een effectievere en minder toxische behandelmethode mogelijk worden.”
Betere selectie van therapeutische targets
Door de gecombineerde analyse van sequentie-, structuur- en biochemische data kan het model volgens de onderzoekers nauwkeuriger voorspellen welke epitopen immunogeen zijn. Met andere woorden: welke peptidefragmenten waarschijnlijk een sterke immuunreactie opwekken.
Dat kan belangrijk zijn voor de ontwikkeling van patiëntspecifieke therapieën. Waar traditionele behandelingen zoals chemotherapie ook gezonde cellen aantasten, zouden epitoop-vaccins veel gerichter kunnen werken door precies die tumorantigenen aan te vallen die kenmerkend zijn voor de ziekte van een individuele patiënt.
“Het integreren van al deze informatie is nuttig en belangrijk voor het begrijpen van immunogeniciteit, oftewel het vermogen om een immuunrespons op te wekken”, zegt Smita Krishnaswamy, mede-senior auteur van de studie. Ook Akiko Iwasaki, mede-senior auteur, benadrukt de mogelijke klinische impact“Het model zou wetenschappers kunnen helpen bij het op maat maken van patiëntspecifieke therapieën door het juiste epitoop voor de patiënten gemakkelijker en nauwkeuriger te vinden.”
Van onderzoek naar toepassing
Het Immunostruct-model is open source beschikbaar via GitHub, zodat andere onderzoeksgroepen het kunnen gebruiken voor vaccinontwikkeling. Daarnaast hebben de onderzoekers hun technologie in licentie gegeven aan Latent-Alpha, een spin-out van Yale die zich richt op toepassingen van AI in geneesmiddelenontwikkeling.
Volgens de onderzoekers kan de combinatie van machine learning en structurele biologie een belangrijke rol gaan spelen bij de volgende generatie gepersonaliseerde vaccins. Door beter te voorspellen welke epitopen het immuunsysteem activeren, kan de ontwikkeling van nieuwe immunotherapieën mogelijk sneller en gerichter plaatsvinden.
Ontwikkeling huidkanker vaccin
Vorig jaar ontwikkelden onderzoekers van de Universiteit van Arizona een AI-gestuurd model dat kan helpen bij de ontwikkeling van gepersonaliseerde vaccins tegen huidkanker. Het systeem identificeert en analyseert zogenoemde neo-antigenen: gemuteerde tumoreiwitten die het immuunsysteem kunnen activeren om kankercellen aan te vallen.
De wetenschappers onderzochten hiervoor plaveiselcelcarcinoom en gebruikten AI-gebaseerde 3D-modellering om te begrijpen hoe mutaties de structuur van tumoreiwitten veranderen. Zo konden zij bepalen welke neo-antigenen T-cellen het best stimuleren. In een muismodel identificeerde het team twee neo-antigenen die tumorgroei effectief remden. De resultaten suggereren dat AI-gestuurde structuurmodellen een belangrijk hulpmiddel kunnen worden bij het selecteren van neo-antigenen voor gepersonaliseerde kankervaccins.
