隨著人工智慧在藥物發現方面的進展，可以說存在著大量未開發的潛力。尤其是治療性納米抗體，因為需要複雜的跨學科知識，至今仍有相對有限的突破。COVID-19大流行促使了在短時間內開發出對SARS-CoV-2具有高結合親和力和穩定性的治療性納米抗體。然而，開發和測試新藥是一個資源密集和耗時的過程。斯坦福大學計算機科學與生物醫學數據科學系以及舊金山的Chan Zuckerberg Biohub的研究人員，使用了一個顯著的框架——虛擬實驗室，這有助於簡化從設計到測試的藥物開發過程。
傳統方法涉及對大量納米抗體候選者進行實驗篩選，以識別高親和力的結合劑。然而，這需要大量的時間、資源和勞力。雖然也開發了計算方法來識別納米抗體候選者，但這些方法往往缺乏準確性，這如果用作治療可能會造成非常不利的影響。考慮到SARS-CoV-2病毒的快速突變率，在藥物開發的過程中，必然會有大量生命的損失。這些限制對醫療系統造成了壓力。
所提出的方法使用了一個虛擬實驗室環境，其中具有不同專業領域的人工智慧代理協作解決問題，模擬現實世界的科學團隊合作。在AI代理之間進行會議後，開發了一個計算管道。這個管道的關鍵組件包括：
ESM（進化尺度建模）：它分析蛋白質序列並註明各種突變對蛋白質功能和穩定性的影響。這個工具對於尋找增強納米抗體結合我們病毒刺突蛋白的潛在突變至關重要。
AlphaFold-Multimer：為了預測病毒與納米抗體之間的蛋白質-蛋白質相互作用，AlphaFold-Multimer使用深度學習生成高置信度的結構預測。
Rosetta：它使用迭代精煉過程來優化設計的納米抗體的三維結構。
實驗驗證顯示，超過90％的工程納米抗體表達並可溶，並且有兩個候選者顯示出對新的JN.1和KP.3變異株的優越結合性，同時保持與祖先刺突蛋白的穩固相互作用。這是顯示虛擬實驗室計算框架在快速生成可行的治療候選者方面有效性的關鍵結果。
總之，這篇論文描述了基於人工智慧的納米抗體，並將其融入現有的實驗方法中。這種多個人工代理的協同框架顯著提高了設計和驗證的階段，與許多現有方法相比，這些方法通常非常耗時且資源密集。針對SARS-CoV-2變異株的定向納米抗體的最佳識別提供了關鍵證據，表明人工智慧可能在加速治療發現方面起到關鍵作用。這種新穎的方法提高了納米抗體設計的有效性，並促進了對新興病毒威脅的快速反應。這彰顯了人工智慧在生物醫學研究中的巨大影響及其在開發療法中的應用前景。
查看論文。所有信用歸於該項目的研究人員。此外，別忘了在Twitter上關注我們，加入我們的Telegram頻道和LinkedIn小組。如果您喜歡我們的工作，您會喜歡我們的新聞通訊。不要忘記加入我們的59k+ ML SubReddit。
🎙️ 🚨 ‘大型語言模型漏洞的評估：紅隊技術的比較分析’ 閱讀完整報告（推廣）
