رفتن به محتوای اصلی
ایمونولوژی محاسباتیآلفافولد ۳· 7 دقیقه مطالعه· در علم

حل یکی از پیچیده‌ترین معماهای ایمنی‌شناسی: آلفافولد ۳ اتصال گیرنده لنفوسیت تی را از روی توالی ژنتیکی پیش‌بینی کرد

پژوهشگران موسسه تحقیقات ژنومیک کاربردی (TGen) نشان داده‌اند که مدل هوش مصنوعی آلفافولد ۳ می‌تواند چگونگی شناسایی آنتی‌ژن‌های ناشناخته توسط گیرنده‌های سلول T را تنها بر پایه توالی ژنتیکی با دقتی بالا پیش‌بینی کند؛ پیشرفتی که موانع محاسباتی ایمنی‌درمانی‌های هدفمند و طراحی واکسن را تا حد زیادی برطرف می‌سازد.

به قلم اِلا فرجاد

این خبر را به اشتراک بگذارید

گوش‌ دهید

پژوهشگران موسسه تحقیقات ژنومیک کاربردی (TGen) با بهره‌گیری از مدل هوش مصنوعی آلفافولد ۳ موفق شده‌اند نحوه شناسایی اهداف بیولوژیکی توسط سلول‌های ایمنی را تنها بر مبنای توالی ژنتیکی پیش‌بینی کنند. این دستاورد علمی که ۳۰ اکتبر ۲۰۲۶ در نشریه Science Advances منتشر شد، با مدل‌سازی دقیق برهم‌کنش‌های پیش‌تر دیده‌نشده، یکی از ریشه‌دارترین چالش‌های پیش روی ایمونولوژی محاسباتی را حل کرده است.[1][4]

این مدل هوش مصنوعی در تولید ساختارهای سه‌بعدی از محل اتصال پیچیده میان گیرنده‌های لنفوسیت T و اهداف آن‌ها دقت بی‌سابقه‌ای نشان داده است. با تجزیه‌وتحلیل این ساختارهای پیش‌بینی‌شده، محققان توانستند برهم‌کنش‌های واقعی سیستم ایمنی را از اتصالات کاذب و تصادفی تفکیک کنند؛ نکته بنیادین این است که این روش حتی برای اهداف ویروسی یا توموری که مدل در مرحله آموزش هرگز با آن‌ها مواجه نشده بود نیز کارایی دارد.[1][2]

نویسندگان این مطالعه در مقاله خود تاکید کرده‌اند: «یافته‌های ما ثابت می‌کند پیش‌بینی تعمیم‌پذیر ویژگی اتصال گیرنده سلول T بر اساس توالی امکان‌پذیر است و می‌تواند روند کشف مکانیسم‌های ایمنی بدن را به‌طرز چشمگیری سرعت بخشد». این طرح تحقیقاتی با هدایت لاوسون جی. وودز و جی. ای. آلتین در موسسه TGen (وابسته به مجموعه درمانی و تحقیقاتی City of Hope) به سرانجام رسیده است.[1][4]

مکانیسم پیوند سه‌گانه مولکولی

هسته اصلی سیستم ایمنی سازگار بر پایه یک برهم‌کنش مولکولی سه‌گانه و بسیار دقیق شکل گرفته است. لنفوسیت‌های T به‌طور پیوسته در سراسر بدن گشت‌زنی می‌کنند و با گیرنده‌های سطحی خود، قطعات پروتئینی یا پپتیدهایی را که توسط مولکول‌های کمپلکس سازگاری بافتی اصلی (MHC) روی سطح سایر سلول‌ها عرضه شده‌اند، می‌سنجند؛ سازوکاری زیستی که امکان ردیابی خطرات درون‌سلولی را فراهم می‌کند.[2][4]

هنگامی که گیرنده لنفوسیت T دقیقا با پپتید ارائه‌شده جفت شود، این سلول ایمنی برای تخریب بافت آلوده به ویروس یا سلول سرطانی فعال می‌شود. با این حال، شناسایی اینکه کدام گیرنده به کدام پپتید متصل خواهد شد تا پیش از این محتاج سنجش‌های آزمایشگاهی زمان‌بر بود؛ به‌ویژه آنکه تنوع ژنتیکی این گیرنده‌ها بسیار بالاست و میلیون‌ها آرایش گوناگون در بدن یک فرد واحد وجود دارد.[1][4]

ابزارهای محاسباتی پیشین توانایی محدودی در تعمیم به ورودی‌های خارج از داده‌های آموزشی خود داشتند. این الگوریتم‌ها گرچه قادر بودند برخی گیرنده‌ها را به آنتی‌ژن‌های شناخته‌شده متصل کنند، اما در مواجهه با اپی‌توپ‌های جدید و نادیده با افت شدید دقت روبرو می‌شدند. این بن‌بست فنی، کاربرد عملی آن‌ها را به بخش بسیار ناچیزی از موارد بالینی محدود کرده بود و نیاز به غربالگری فیزیکی را پابرجا نگه می‌داشت.[2][4]

محل اتصال سه‌گانه تعیین می‌کند که لنفوسیت T هدف را تخریب کند یا از آن چشم بپوشد.

مدل آلفافولد ۳ با معرفی فرایند انتشار مولد، توانایی خود را در بازسازی کمپلکس‌های پروتئینی چندزنجیره‌ای به‌طور اساسی دگرگون کرد. پژوهشگران TGen این فرضیه را مطرح کردند که معماری ارتقایافته آلفافولد ۳ سرانجام می‌تواند قفل محاسباتی اتصال گیرنده‌های سلول T را باز کند و برای سنجش مرزهای دقت مدل، آزمایش محاسباتی گسترده‌ای را روی برهم‌کنش‌های ایمنی متنوع ترتیب دادند.[4]

سنجش دقت پیش‌بینی‌های ساختاری

تیم پژوهشی آلفافولد ۳ را روی مجموعه‌داده‌ای با بیش از ۹ هزار گیرنده لنفوسیت T و بیش از هزار اپی‌توپ مستقل آزمایش کرد. این برهم‌کنش‌ها محدود به بیش از ۷۰ آلل گوناگون کمپلکس سازگاری بافتی اصلی بودند و هر دو مسیر عرضه آنتی‌ژن کلاس I و کلاس II را که برای پاسخ ایمنی کامل بدن ضروری هستند، در بر می‌گرفتند.[2][4]

در مجموع، محققان ۱۹۹٬۹۸۰ کمپلکس گیرنده-آنتی‌ژن را مدل‌سازی کردند که فقط برای مولکول‌های کلاس I شامل ۷٬۷۰۲ جفت متصل‌شونده شناخته‌شده و ۱۵۷٬۰۲۵ جفت کاذب فاقد اتصال بود. آن‌ها به جای آموزش یک شبکه عصبی از پایه، نسخه اولیه آلفافولد ۳ را به‌عنوان ابزار تولید ساختار ثابت نگه داشتند و سنجه‌های اطمینان خروجی آن را در کنار مختصات اتمی سنجیدند.[4]

بررسی‌ها نشان داد یکی از سنجه‌های مستقیم مدل—یعنی خطای تراز پیش‌بینی‌شده (PAE) در محل اتصال پپتید به گیرنده—به‌تنهایی تفکیک‌کننده‌ای قدرتمند میان تعاملات بیولوژیکی واقعی و اتصالات نامعتبر است. این سنجه اطمینان اتصال حتی از ۴۷ ویژگی ساختاری دیگر که پژوهشگران با طبقه‌بندی‌کننده‌های Random Forest و XGBoost آزموده بودند، کارآمدتر عمل کرد.

خروجی مدل روی داده‌های نادیده حین اعتبارسنجی چشمگیر بود. در سه‌گانه‌هایی که آلفافولد ۳ هرگز آن‌ها را آموزش ندیده بود، میانه مساحت زیر منحنی (AUC) به ۰٫۹۲ برای آنتی‌ژن‌های کلاس I و ۰٫۸۱ برای آنتی‌ژن‌های کلاس II رسید؛ در حالی که AUC عدد ۱٫۰ به معنای تفکیک بی‌نقص و ۰٫۵ نشان‌دهنده حدس تصادفی است.[2]

تعمیم‌پذیری فراتر از داده‌های آموزشی

به منظور اطمینان از اینکه هوش مصنوعی قوانین بنیادین بیوفیزیک اتصال را درک کرده و صرفا داده‌های آموزشی را حفظ نکرده است، ساختارها بر اساس تاریخ دسته‌بندی شدند. داده‌های آموزشی آلفافولد ۳ تا ۱۲ ژانویه ۲۰۲۳ جمع‌آوری شده بودند و تیم تحقیق عملکرد آن را روی ۲۸۴ ساختار بلوری که منحصرا پس از آن تاریخ ثبت شده بودند ارزیابی کرد.

آلفافولد ۳ در تفکیک پیوندهای واقعی سیستم ایمنی از اتصالات کاذب به دقتی بی‌سابقه دست یافته است.

سیستم دقت بالای خود را روی ساختارهای تازه‌کشف‌شده به‌خوبی حفظ کرد. میانه جذر میانگین مربعات خطا (RMSD) در نواحی حساس اتصال برای ساختارهای پیش از تاریخ پایان آموزش بین ۱٫۵ و ۱٫۸ آنگستروم و برای ساختارهای بعد از آن ۳٫۲ و ۲٫۴ آنگستروم ثبت شد که نشان‌دهنده برتری محسوس نسبت به ابزارهای تخصصی وابسته به الگوهای از پیش تعیین‌شده است.[4]

به‌طور مشخص، آلفافولد ۳ عملکرد بهتری در مقایسه با ابزار پیشین AF-TCRdock نشان داد و امتیاز AUC آن ۰٫۲۴ تا ۰٫۳۳ واحد بالاتر بود. همچنین میزان انحراف ساختاری در تمامی مقایسه‌ها بین ۰٫۸ تا ۲٫۹ آنگستروم کاهش یافت؛ دستاوردی که ثابت می‌کند یک چارچوب یادگیری عمیق یکپارچه می‌تواند الگوریتم‌های سنتی داکینگ مولکولی را پشت سر بگذارد.[4]

تیم تحقیق علاوه بر این، آلفافولد ۳ را با مدل متن‌باز Boltz-2 مقایسه کرد. اگرچه Boltz-2 روی داده‌های قدیمی کارایی قابل قبولی به نمایش گذاشت، اما دقت آن در مواجهه با کمپلکس‌های ثبت‌شده پس از تاریخ پایان آموزش خود با افت شدید روبرو شد، در حالی که عملکرد آلفافولد ۳ پایداری بالاتری داشت و نشانه تعمیم‌پذیری ژرف‌تر آن بود.

تسریع در مسیر طراحی ایمونوتراپی

پیش‌بینی محاسباتی نحوه شناسایی آنتی‌ژن‌ها اثرات مستقیمی بر توسعه درمان‌های هدفمند بیولوژیک دارد. برای تیم‌هایی که در پی طراحی لنفوسیت‌های T مهندسی‌شده (همچون روش‌های درمانی TCR-T برای تومورهای توپر) هستند، اطمینان از عدم واکنش متقاطع گیرنده تغییریافته با بافت‌های سالم، اصلی‌ترین مرحله ایمنی پیش‌بالینی به شمار می‌رود.[1]

در حال حاضر، غربالگری فیزیکی یک مولکول مهندسی‌شده در برابر هزاران پپتید بالقوه در بدن روندی پرهزینه و ماه‌ها زمان‌بر است. بروز واکنش متقاطع پیش‌بینی‌نشده در کلینیک می‌تواند فاجعه‌بار باشد و به تخریب اندام‌های حیاتی بینجامد. آلفافولد ۳ با فراهم کردن یک فیلتر دیجیتال معتمد، ایمنی ارزیابی کاندیداهای درمانی را ارتقا می‌دهد.[1]

یافته‌های پژوهشگران نشان می‌دهد دانشمندان می‌توانند پیش از انتقال یک مولکول به آزمایشگاه فیزیکی، رفتارهای تهاجمی ناخواسته آن را با یادگیری عمیق غربال کنند. این تریاژ محاسباتی ماه‌ها از زمان مطالعات پیش‌بالینی ایمنی‌درمانی‌های سرطان می‌کاهد و هزینه ورود داروهای نوآورانه به آزمایش‌های انسانی را کاهش می‌دهد.[1][3]

طرح‌واره: پالایش و تریاژ محاسباتی گزینه‌های درمانی می‌تواند ماه‌ها از زمان مطالعات پیش‌بالینی ایمنی‌درمانی‌های انکولوژی بکاهد.

کاربرد این سازوکار به حوزه انکولوژی محدود نمی‌شود؛ این بستر پنجره جدیدی برای تحلیل بیماری‌های عفونی و اختلالات خودایمنی می‌گشاید. با تعیین توالی گیرنده‌های T در بیماری که بر یک عفونت ویروسی نوظهور غلبه کرده، دانشمندان می‌توانند قطعات ویروسی هدفِ سیستم ایمنی را به‌سرعت شناسایی کنند و روند ساخت واکسن را شتاب بخشند.[1][3]

چالش‌های محاسباتی و چشم‌انداز آینده

با وجود این جهش محاسباتی، پژوهشگران تاکید دارند که ساختار فعلی هنوز بی‌نقص نیست. حساسیت مدل برای آنتی‌ژن‌های کلاس II در شرایطی که ویژگی ۱۰۰ درصدی لحاظ شود تنها ۱۳ درصد و با پذیرش ۵ درصد خطای مثبت کاذب معادل ۵۲ درصد ثبت شده است که نشان می‌دهد پایش برخی مسیرهای ایمنی نیازمند اصلاح و بازنگری است.

علاوه بر این، بار محاسباتی اجرای آلفافولد ۳ برای صدها هزار برهم‌کنش کماکان سنگین است. مولفان مقاله پیشنهاد کرده‌اند که در آینده می‌توان یک مدل رگرسیون سبک را برای پیش‌بینی چرخش‌ها و جابه‌جایی‌های جسم صلب آموزش داد تا جهت‌گیری گیرنده و آنتی‌ژن را بدون نیاز به بازسازی مولد کامل برای هر مولکول تصحیح کند.[4]

آموزش چنین لایه تکمیلی وابسته به دسترسی پیوسته به ساختارهای سه‌گانه بلوری استاندارد است. این پژوهشگران هشدار داده‌اند که ناهماهنگی در داده‌های ثبت‌شده پیشین ممکن است سهم بزرگی از پایگاه‌های داده عمومی را غیرقابل اتکا کند؛ مسئله‌ای که لزوم سخت‌گیری بیشتر در ثبت داده‌های زیست‌شناسی ساختاری را گوشزد می‌کند.[4]

آموزش چنین لایه تکمیلی وابسته به دسترسی پیوسته به ساختارهای سه‌گانه بلوری استاندارد است.

با این همه، نتایج منتشرشده در نوامبر ۲۰۲۶ نقطه عطف محسوسی برای ایمونولوژی محاسباتی به حساب می‌آید. گذر از ابزارهای شکننده و سفارشی گذشته به مدل‌های پایدار و تعمیم‌پذیر ساختاری، سرانجام امکان کاربرد بالینی این فناوری را برای پایش اهداف ناشناخته فراهم کرده است.[2][4]

با گسترش سریع فناوری‌های تعیین توالی ژنتیکی برای ثبت تنوع سیستم ایمنی انسان، تبدیل این حجم از داده به پیش‌بینی‌های عملکردی اهمیت دوچندان می‌یابد. دستاورد محققان TGen نویدبخش پلی استوار میان کدهای ژنتیکی و درک بیولوژیکی اثرات آن‌ها در بدن انسان است.[1][3]

نکات کلیدی

  1. محققان موسسه TGen موفق شدند با آلفافولد ۳ نحوه اتصال گیرنده لنفوسیت T به آنتی‌ژن‌های جدید را صرفا بر پایه توالی ژنتیکی پیش‌بینی کنند.
  2. این مدل نزدیک به ۲۰۰ هزار کمپلکس گیرنده-آنتی‌ژن را ارزیابی کرد و به میانه مساحت زیر منحنی (AUC) بی‌سابقه بین ۰٫۸۱ تا ۰٫۹۲ رسید.
  3. سنجه خطای تراز پیش‌بینی‌شده (PAE) در محل اتصال آلفافولد ۳ نشان داد که توانایی بسیار بالایی در جداسازی اتصالات واقعی از موارد کاذب دارد.
  4. این موفقیت محاسباتی به دانشمندان امکان می‌دهد واکنش‌های متقاطع و خطرناک ایمونوتراپی‌های مهندسی‌شده را پیش از ورود به آزمایشگاه فیلتر کنند.

آنچه نمی‌دانیم

  • این خط لوله پیش‌بینی ساختاری چگونه و با چه سرعتی می‌تواند پاسخگوی غربالگری میلیون‌ها گیرنده متمایز سلول T در پرونده ایمنی یک بیمار واحد باشد.
  • آیا می‌توان یک مدل رگرسیونی سبک را برای اصلاح جهت‌گیری فضایی اتصال، بدون نیاز به اجرای کامل تولید ساختار توسط آلفافولد ۳، آموزش داد.
  • حساسیت پایین‌تر مدل برای آنتی‌ژن‌های کلاس II تا چه میزان کارایی آن را در پژوهش‌های معطوف به بیماری‌های خودایمنی محدود خواهد ساخت.

روند رویداد

  1. ژانویه ۲۰۲۳

    پایان جمع‌آوری داده‌های آموزشی ساختاری مورد استفاده در توسعه آلفافولد ۳.

  2. مه ۲۰۲۴

    رونمایی از آلفافولد ۳ به همراه فرایند انتشار مولد که عملکرد بازسازی کمپلکس‌های چندزنجیره‌ای پروتئینی را ارتقا داد.

  3. اکتبر ۲۰۲۶

    انتشار دستاورد پژوهشگران TGen در نشریه Science Advances مبنی بر پیش‌بینی دقیق ویژگی‌های اتصال لنفوسیت T از روی توالی.

ایمونولوژیست‌های محاسباتی 40%محققان پزشکی ترجمانی 35%زیست‌شناسان ساختاری 25%
ایمونولوژیست‌های محاسباتی
پژوهشگرانی که بر کاربرد یادگیری عمیق برای شبیه‌سازی برهم‌کنش‌های پیچیده زیستی متمرکز هستند.
محققان پزشکی ترجمانی
دانشمندانی که یافته‌های زیست‌شناسی بنیادین را به ابزارها و روش‌های درمانی بالینی تبدیل می‌کنند.
زیست‌شناسان ساختاری
متخصصانی که به شیوه‌های تجربی و آزمایشگاهی ساختار سه‌بعدی درشت‌مولکول‌ها را ترسیم می‌کنند.

دیدگاه‌هایی که این گزارش پوشش نداده

  • بیماران تحت درمان با ایمونوتراپی
  • نهادهای ناظر و قانون‌گذاران سلامت

منابع

پوشش منابع

4 منبع

3 دیدگاه شناسایی‌شده

ایمونولوژیست‌های محاسباتی 40%محققان پزشکی ترجمانی 35%زیست‌شناسان ساختاری 25%
  1. [1]EurekAlert!محققان پزشکی ترجمانی

    TGen scientists use AlphaFold3 to predict complex immune interactions

    مطالعه در EurekAlert! →
  2. [2]JClubایمونولوژیست‌های محاسباتی

    General prediction of T cell receptor antigen specificity from sequence using AlphaFold 3

    مطالعه در JClub →
  3. [3]AZBioمحققان پزشکی ترجمانی

    TGen Scientists Use AlphaFold3 to Predict Complex Immune Interactions

    مطالعه در AZBio →
  4. [4]ResearchGateایمونولوژیست‌های محاسباتی

    General prediction of T cell receptor antigen specificity from sequence using AlphaFold 3

    مطالعه در ResearchGate →
گوش‌ دهید

نظرات

همیشه در جریان باشید

هر زاویه. هر روز.

اخبار علم با پوشش کامل منابع و تحلیل دیدگاه‌ها، هر روز و رایگان.

حل یکی از پیچیده‌ترین معماهای ایمنی‌شناسی: آلفافولد ۳ اتصال…