人工智能可以使基因治疗设计更有效
在过去的几年中，基因治疗有了飞速发展，更多的基因治疗药物陆续获批上市。目前市场上已有二十余种获批上市的基因疗法（详见往期文章：全球基因治疗上市产品盘点）。许多基因疗法使用某种形式的病毒载体，例如AAV或慢病毒载体，将治病的遗传信息导入患者组织细胞。因为AAV载体的安全性高、免疫原性低等优点，AAV载体被广泛应用于基因治疗（详见往期文章：全球基因治疗临床试验概览（二）：基因载体）。
但AAV作为基因治疗载体也有一定的局限性。由于机体对AAV衣壳的免疫反应，一方面导致AAV基因治疗药物的临床适用范围相对减少（例如：AAV预存抗体导致AAV被患者的免疫系统迅速清除，限制了同一种血清型AAV载体的临床适应范围）；一方面针对AAV衣壳的免疫反应导致AAV基因治疗药物的临床毒性风险增加、导致其药效降低或间接导致药物药效持续时间缩短。许多基因治疗研究机构及基因治疗药物生产商将如何开发出有效逃逸免疫反应的AAV载体药物作为其重要方向。
针对AAV衣壳逃逸免疫反应的策略很多。当前使用的方法，包括在实验室条件下快速跟踪蛋白质进化的“定向进化”策略，只能产生有限的衣壳多样性，其中大多数仍然类似天然AAV变异体。然而，在不严重影响或干扰衣壳的其他特性或功能（例如其稳定性、转导效率或靶向性）的情况下，使用这些传统方法产生足够的多样性确实很困难。
目前，由George Church带领的哈佛大学Wyss生物启发工程研究所（Wyss Institute for Biologically Inspired Engineering）的合成生物学团队和美国生物技术公司Dyno Therapeutics发起，并与谷歌研究院合作的一项新研究应用了计算机深度学习方法设计基于AAV2血清型的高度多样衣壳变异体，被突变的目标片段在免疫识别以及靶向目标组织感染中发挥作用。
研究人员运用深度学习设计高度多样化的腺相关病毒2（AAV2）衣壳蛋白变异体，首先从相对较小的衣壳突变实验数据开始，该团队训练了多种机器学习方法（见下图），最终设计了200,000多种病毒变体。这些变体中有110,689个产生了有活性的AAV病毒，其中57,348个超过了天然AAV血清型序列的平均多样性，在目标突变区域有12-29个突变。
逃避免疫反应AAV衣壳变体改造优化中的一个主要瓶颈是保持衣壳变体的稳定性：早期研究已证实大多数可以逃避免疫反应的突变变体将无法组装成功能性衣壳或无法有效将AAV基因组包装进变体衣壳。对此，研究人员开发的深度神经网络模型可以准确预测衣壳在多种多样的变体中的活性。研究人员通过生物实验评估了机器学习模型产生的变异体的实际可行性。在AI产生的载体中，估计约有60％可以作为基因疗法后续深入研发备选载体，这明显高于使用随机诱变产生供后续研发使用的变异体产量（小于1％）。此研究显示即使计算机接受了有限的数据培训，开发深度学习神经网络模型也可以准确预测各种变体的AAV衣壳活性。这些明显提高了此模型在设计逃逸免疫AAV衣壳变体方面的实际应用价值。
图2：生物验证实验证明了深度学习模型的预测高度准确性和鲁棒性
Dyno Therapeutics由一群哈佛大学科学家和企业家于2018年成立，其中包括George Church博士和Eric Kelsic博士。2019年底时，Dyno Therapeutics在Science杂志中展示了其新技术——通过一种机器学习方法对AAV载体衣壳进行改造，使其具有更好组织趋向性和人工可造性，该技术吸引了人们的关注。2020年5月11日，Dyno Therapeutics宣布其CapsidMap™平台从隐形模式走出，并在同一天官宣与诺华和Sarepta Therapeutics分别达成用于眼科疾病和肌肉疾病的载体的开发协议。截止其与罗氏的合作，其累计达成的合作交易价值超过38亿美元。
参考资料：
Bryant DH et al. Deep diversification of an AAV capsid protein by machine learning. Nat Biotechnol. 2021 Feb 11.
https://phys.org/news/2021-02.
声明：本文旨在知识共享，所有内容仅学术交流研究，不构成任何建议，无商业用途，如涉及侵权，请及时联系我们。