A Turing-Style Test for In-Silico Antibodies: How Sampling Mode Makes WGAN-GP Beat VAE in the Wet Lab

Antikörper sind die spezialisierten Sicherheitskräfte des Körpers, Y-förmige Proteine, die den Blutstrom patrouillieren, um Eindringlinge wie Viren und Bakterien zu identifizieren und zu neutralisieren. Jahrzehntelang war das Finden neuer Antikörper zur Bekämpfung von Krankheiten ein langsamer, teurer Prozess, der stark auf Biologielabore angewiesen war. Wissenschaftler würden typischerweise Tiere immunisieren, deren Immunzellen ernten und Tausende von Kandidaten screenen, um ein einziges Molekül zu finden, das gut genug funktioniert, um zu einem Medikament zu werden. Dieser traditionelle Weg ist von Unsicherheit geprägt; viele vielversprechende Kandidaten scheitern später, weil sie schwierig in großen Mengen herzustellen sind, verklumpen oder schlichtweg nicht stabil genug sind, um gelagert und versandt zu werden.

In den letzten Jahren haben Computerwissenschaftler begonnen, diese Antikörper vollständig innerhalb einer Maschine zu entwerfen, indem sie künstliche Intelligenz nutzen, um vorherzusagen, welche Sequenzen von Bausteinen ein funktionelles Protein bilden werden. Dieser Ansatz verspricht, die Arzneimittelentdeckung zu beschleunigen, steht jedoch vor einer entscheidenden Hürde: Nur weil ein Computer eine Sequenz generiert, die mathematisch korrekt aussieht, bedeutet das noch nicht, dass sie in einem Reagenzglas tatsächlich funktionieren wird. Der ultimative Test für jeden neuen Medikamentenkandidaten ist nicht, wie gut er auf einem Computerbildschirm abschneidet, sondern ob er in einem echten Labor erfolgreich hergestellt, gereinigt und untersucht werden kann. Diese Lücke zwischen digitalem Design und physischer Realität ist der Punkt, an dem die neueste Forschung ansetzt und eine einfache, aber tiefgründige Frage stellt: Kann ein Computerprogramm einen neuen Antikörper erfinden, den ein menschlicher Wissenschaftler tatsächlich in der Hand halten kann?

Forscher bei Moderna setzten sich zum Ziel, dies zu beantworten, indem sie zwei verschiedene Arten von künstlicher Intelligenz in einem Experiment mit hohem Einsatz gegeneinander antreten ließen. Sie trainierten beide Systeme mit einer massiven Bibliothek menschlicher Antikörpersequenzen und lehrten sie die Regeln, nach denen diese Proteine aufgebaut sind. Ein System, ein sogenannter Variational Autoencoder, arbeitet dadurch, dass er einen bekannten Antikörper nimmt, ihn in eine vereinfachte digitale Zusammenfassung komprimiert und dann versucht, neue Variationen durch kleine Anpassungen dieser Zusammenfassung zu erzeugen. Das andere System, ein Generative Adversarial Network, arbeitet eher wie ein Fälscher und ein Kunstexperte, die in einem ständigen Katz-und-Maus-Spiel gefangen sind. Der Fälscher versucht, einen gefälschten Antikörper aus reinem Zufall zu erstellen, während der Experte versucht, den Unterschied zwischen dem Gefälschten und einem echten zu erkennen. Mit der Zeit wird der Fälscher so gut darin, die Realität nachzuahmen, dass der Experte keinen Unterschied mehr feststellen kann.

Das Team generierte Tausende neuer Antikörperdesigns aus beiden Systemen und schickte sie für einen strengen Realitätscheck in ein Wet-Lab. Sie versuchten, jedes Design als vollwertiges Protein in Zellen zu exprimieren, die Ergebnisse zu reinigen und sie durch eine Batterie von neun Standardtests laufen zu lassen, um zu sehen, ob sie stabil, löslich und frei von gefährlichen Verklumpungen sind. Die Ergebnisse zeigten eine deutliche Leistungsdifferenz. Die von dem adversariellen Netzwerk entworfenen Antikörper waren bemerkenswert erfolgreich; von dreiundneunzig getesteten Kandidaten wurden zweiundneunzig erfolgreich im Labor produziert und charakterisiert, eine Erfolgsquote von fast neunundneunzig Prozent. Diese digitalen Schöpfungen verhielten sich genau wie zugelassene Medikamente und bestanden jeden physischen Test mit Leichtigkeit.

Im Gegensatz dazu schnitten die durch das anpassungsbasierte System generierten Antikörper schlecht ab. Als die Forscher vierzig Kandidaten aus dieser Gruppe testeten, konnten nur zwei erfolgreich produziert und untersucht werden. Die große Mehrheit konnte gar nicht erst als Proteine exprimiert werden und kollabierte, noch bevor sie überhaupt getestet werden konnten. Die Forscher entdeckten, dass dieses Scheitern nicht unbedingt auf die zugrunde liegende Computerarchitektur zurückzuführen war, sondern darauf, wie das System gebeten wurde, neue Ideen zu generieren. Das anpassungsbasierte System benötigte einen Ausgangspunkt oder einen „Seed“, um zu arbeiten. Als das Team versuchte, Seeds zu verwenden, die nicht Teil der ursprünglichen Trainingsdaten waren, um die Fähigkeit des Systems zur Generalisierung zu testen, driften die resultierenden Designs in instabile Gebiete ab und produzierten degenerative Sequenzen, die nicht funktionieren konnten. Das adversarielle System hingegen benötigte keinen Seed; es erstellte jeden neuen Antikörper von Grund auf unter Verwendung von zufälligem Rauschen, was es ihm ermöglichte, einen viel breiteren und vielfältigeren Bereich an Möglichkeiten zu erforschen, ohne in instabilen Mustern stecken zu bleiben.

Die Studie untersuchte auch, ob das interne Bewertungssystem des Computers vorhersagen konnte, welche Designs im Labor erfolgreich sein würden. Die Forscher hatten einen komplexen Satz digitaler Metriken entwickelt, der messen sollte, wie „medikamentenähnlich“ ein Antikörper ist, wobei Faktoren wie seine Form, Ladung und die Tendenz, an sich selbst zu haften, berücksichtigt wurden. Sie hofften, dass diese Scores als Filter fungieren würden, um die besten Kandidaten zu markieren, noch bevor sie das Labor erreichen. Die Daten zeigten jedoch, dass diese digitalen Scores schwache Prädiktoren für den Erfolg in der realen Welt waren. Es gab kaum eine Korrelation zwischen der Bewertung eines Designs auf dem Computer und seiner Leistung im Reagenzglas. Dieser Befund deutet darauf hin, dass wir den internen Berechnungen des Computers zwar immer mehr vertrauen können, wenn es darum geht, vielfältige Sequenzen zu generieren, aber wir können ihren Berechnungen noch nicht voll vertrauen, um vorherzusagen, welche davon funktionieren werden. Der einzige zuverlässige Weg, um zu wissen, ob ein neuer Antikörper lebensfähig ist, bleibt das physische Experiment.

Letztendlich zeigt die Arbeit, dass künstliche Intelligenz in der Tat in der Lage ist, neue Antikörper zu entwerfen, die für die reale Welt bereit sind, aber die Methode der Generierung ist von entscheidender Bedeutung. Der adversarielle Ansatz erwies sich als robustes Werkzeug zur Erstellung vielfältiger, hochwertiger Kandidatenbibliotheken, die den Übergang vom Bildschirm zum Labortisch überstehen. Die Forschung unterstreicht, dass der Weg der Arzneimittelentdeckung nicht darin besteht, das Labor durch den Computer zu ersetzen, sondern die beiden zu integrieren. Indem man leistungsstarke KI nutzt, um eine breite, vielfältige Menge an Möglichkeiten zu generieren, und sich dann auf rigorose experimentelle Tests verlässt, um diese zu validieren, können Wissenschaftler die komplexe Landschaft des Proteindesigns effektiver navigieren. Der Computer kann die Kandidaten vorschlagen, aber das Labor muss ihre Würdigkeit bestätigen.